基于人工神经网络模型和期望改进函数法的注塑成型工艺参数优化毕业课程设计外文文献翻译、中英文翻译、外文翻译
基于人工神经网络模型和期望改进函数法的注塑成型工艺参数优化毕业课程设计外文文献翻译、中英文翻译、外文翻译,基于,人工,神经网络,模型,以及,期望,指望,改进,改良,函数,注塑,成型,工艺,参数,优化,毕业,课程设计,外文,文献,翻译,中英文
of 16 008 /24 009 /20 009# 009n an on is at of in is of A of of is an in is by is an is to As a of is be 1. is of of 29. by of or of or of is an in to 10 to in of 0%. et 11to by of of of to 1214of in is a of is by . . *)16024 2010) 48:955962In a in in et 1517 by or et a or to of 18, 19. et 20 on in be to as A of is An is is by I to 17. as 1. is a A a to to of in NN is a 2226 in A of is in a be a 276 61 of NN as a in of a of to NN I s 2 of I 3 of a of C)C)s)s)tc(s)0 260 0 1 50 300 0 5 15956 2010) 48:955962A is by a to of to a of in is to is a NN as is So of NN of by is 0,000, NN in I be as an is to an of to a EI is to to at It is a a of a 17, 21. It (x) is (x) at a x is 2NN If an by NN be of is by 20 : 1of is I1I0120 ()25 of 4 of C)C)s)s)tc(s)6 6 of a 2010) 48:955962 957by 2 be I138 3 f 4q. 3 is at x, by of is is is a of (x) f(u). is (x) is is to be at a or (1)It to NN,so it a 2) it (3) to in NN on be 11138 1; 2;1of 1 3 in of is to 138r 6r is a in is r be of r=of of NN I is a a he of to of C)C)s)s)tc(s)0 260 0 1 520 300 0 5 15 C) C) s) ) s) tc(s) 7 of 2010) 48:955962of NN ,780 as 30, 55, 11, is as x) is is of to of on . x), by of on of by of to is is by NN I is 28. be 8 of 0 70 80 9070 280 290 300s)0 80 90 2 3 4 5s)s)9 s on of 2010) 48:955962 959to 1,000 I by of is to be in is to be at be 0 to )is a is ,046 as as x)is of of on of on of by of 5 . in of 0 s on at 0 as 00C. is to If is no to 0 100 110 12070 280 290 300s)0 80 90 2 3 4 5s) 7 9 11 13 15s)10 s on of 2010) 48:955962of to to in a of is is 0 is as on of be by an NN I is to of at by NN be by a of a by I of I I to of NN to a a a in a a of proposedoptimiza大连交通大学 2017 届本科生毕业设计外文翻译 1 基于人工神经网络模型和期望改进函数法的注塑成型工艺参数优化 收到: 2008 年 10 月 16 日 /接受日期: 2009 年 9 月 24 日 /在线发布: 2009 年 11月 20日施普林格出版社伦敦有限公司 2009。 摘要:在本研究中,提出了一种基于人工神经网络模型的自适应优化方法,以优化注塑过程。优化过程旨在最小化注塑部件的翘曲,其中工艺参数是设计变量。 具温度,熔体温度,注射时间,包装压力,包装时间和冷却时间均被视为工艺参数。人工神经网络和实验设计( 法的组合用于构建翘曲与过程参数之间的近似函数关系,代替优化迭代中的昂贵的仿真分析。自适应过程是通过预期的改进来实现的,这是一个填充的抽样标准。虽然美国能源部规模小, 但是 这个标准可以平衡本地和全局搜索并趋于全局最优解。作为示例,蜂窝电话机盖和扫描仪的调查。结果表明,提出的自适应优化方法可以有效降低注射成型件的翘曲。 关键词 : 注塑成型 ; 优化 ; 实验设计 ; 人工神经网络 ; 预期改进功能。 1介绍 注塑成型是生产塑料制品 中 最广泛使用的工艺。注塑模具可分为填充,填充后和开模三个阶段 1。在生产过程中,翘曲是最重要的质量问题之一,特别是塑壳制品。其中一些研究成果已经证明了薄壳塑料件的优化 2 可以通过修改零件的几何形状或改变模具的结构或调整工艺参数来减小翘曲。零件设计和模具设计通常在产品开发的初始阶段确定,不容易改变。因此优化工艺参数是最可行和最合理的方法。塑料注射成型中的一个重要问题是在制造前预测和优化翘曲。许多文献一直用于翘曲优化。 10利用改进的 复合法优化了壁厚和工艺条件,以减少翘曲 程度 并减少翘曲的 70以上。 11优化工艺条件,通过组合实施改进复合法和实验设计来减少翘曲。他们的研究结果表明,这些方法可以有效地减少翘曲。尽管这些方法可以有效地减少翘曲,但是他们是昂贵 且 费时的,因为他们执行许多昂贵的功能评估。与这些方法相比, 12容易执行和可以分析有效因素,但只能得到工艺参数更好的组合,而不是设计空间中的最优解。翘曲是过程参数的非线性隐性函数,通常由解决方案用无限元方程估计。一般来说,复杂的任务通常需要巨大 的计算成本。因此,为了降低翘曲优化中的计算成本,许多研究人员引入了 工中性网络( 响应面法和支持向量回归等代替模型。高等 15过将克里金替代模型与改进的矩形网格法 和 预期改进( 数方法相结合,优化了工大连交通大学 2017 届本科生毕业设计外文翻译 2 艺条件以减少翘曲。 响应面法结合起来,以优化过程参数 来 减少塑料部件的翘曲 18,19。 20使用支持向量回归模型和遗传算法优化注塑工艺。他们的结果表明,基于替代模型的方法可以降低翘曲优化中的高计算成本,遗传算 法可以有效地接近全局最优设计。 在这项研究中,模具温度,熔体温度,注射时间,包装压力,包装时间和冷却时间被认为是工艺参数。 拉丁超立方体设计( 得小尺寸实验设计,并通过 件评估翘曲值。 提出了基于人工神经网络模型的自适应优化。 自适应过程由 可以自适应地选择附加采样点以改善代理模型并找到最佳值 17。 这种方法被视为有效的全局优化 21。 数值计算结果表明,该方法可有效降低翘曲。 图 1: 图 2:结合 化的流程图 大连交通大学 2017 届本科生毕业设计外文翻译 3 图 3:蜂窝电话盖板的中平面模型 2人工神经网络 神经网络包括许多高度互联称为神经元的处理单元。每个神经元对加权输入求和,然后对所得到的和应用线性或非线性函数以确定输出,并且它们都被分层排列并通过过度连接组合。 典型的 反向传播网络( 22已被广泛应用于许多研究领域。 层的输出直接发送到上层的每个神经元。 虽然 所有的模式识别和分类任务都可以用三层 27。 表 1:工艺参数范围 图 4:优化前盖的翘曲 大连交通大学 2017 届本科生毕业设计外文翻译 4 通过向网络反复呈现一系列输入 /输出模式集来训练 经网络通过调整其神经元之间的权重来逐渐“学习”输入 /输出关系 的 兴趣,以最小化实际和预测输出模式之间训练集的误差。培训后,使用不在训练集中的一组单独的数据来监控网络的性能。当均方误差( 到最小值时,网络训练被认为是完整的,权重是固定的。本文采用一层隐藏三层 型,模具温度( 熔体温度( 注射时间( 包装压力( 包装时间( 冷却时间( 被视为输入变量,翘曲被认为是输出变量。因此确定 过试验确定中间层的神经元数。输入层和隐层之间的传递函数为“ 隐层和输出 层之间的传递函数为“ 列车功能 函数为 能函数为 习周期为 50,000,学习速率为 量因子为 文使用的 所示 1。 图 5:优化后盖的翘曲 表 2:优化结果 3 习”的任意函数近似机制。 于构建翘曲与过程参数之间的近似函数关系,代替了优化过程中仿真程序的昂贵分析和重新分析。一般来说,近似函数可能具有许多极值点,使得采用此类函数的优化算大连交通大学 2017 届本科生毕业设计外文翻译 5 法收敛于局部最低 。 这里介绍了 接近全局 优化解决方案。 是用于检测确定性函数的全局最小值的顺序设计策略的启发式算法 17,21。 它可以平衡本地和全球搜索。 在某些点 x 进行采样之前, Y( x)的值是不确定的。 候选点 ( x)通常用)(且使用 。如果当前的最佳函数值为 可以实现 测器的改善(x)y 这种改善的可能性由正常密度给出: )(2ex x )m i )((1) 然后,通过整合密度来发现改进的预期值: I 0 22m i (ex p)(21)()((2) 图 6:扫描仪型号 表 3工艺参数范围 使用积分方程 2可以写成: )()()()( (3) 其中和 大连交通大学 2017 届本科生毕业设计外文翻译 6 )( )(x (4) 方程式的第一个术语 3是区别当前最小响应值 ( 由改进的概率。因此,当 )( 小时,第一项是大的。第二术语是预测误差( x)和正常密度的乘积函数 f( u)。正常密度函数值大当误差( x)大时,并且 )( 很多预测不确定性。 这种填充采样方法有一些优点:( 1)它可以智能地添加采样点来改善 以它允许从小观察数据“学习” ; ( 2)可以避免搜索相对较大的区域功能值,降低计算成本 ; ( 3)它也可以避免添加一些靠近彼此的点设计空间并保持 4基于改进 翘曲优化方法 图 7:优化前扫描仪翘曲 翘曲最小设计问题可以描述为如下: 查找 x1, . 大化 ., 21(5) 服从 .,2,1 其中过程参数 . ; 标函数 ., 21由等式 3 和 4 得出 ,其中 )(是电流最小值和翘曲的预测值。 收敛标准在此满足: 大连交通大学 2017 届本科生毕业设计外文翻译 7 ry (6) 其中 边是一个最大预期改善之间的比例最小功能值。因此, r 可以不给出考虑幅度, r= 实现综合 所示 2。 表 4:优化结果 5手机盖翘曲优化和扫描仪 在本节中,两次翘曲优化的结果举例说明。这些旨在显示集成 型的效率和准确性 第一个例子是手机套。它是由 3,780个三角形元素离散,如图 1所示 3。其长度,宽度,高度和厚度分别为 130, 55, 11 和 1 材料是聚碳酸酯( 丙烯腈 - 丁二烯 - 苯乙烯。 模具温度( 熔体温度( 注射时间(锡),包装压力( 包装时间( 冷却时间( 认为是设计变量。 量化目标函数翘曲( x)通过平面外位移,它们是两者之和最大上下变形参考 束由下部和上部组成对表 1中给出的设计变量的约束模型 , 在这里用于近似翘曲( x),即由方程式 2。 模具温度范围和熔体温度是基于 荐的值洞察力,注射时间,包装压力,包装时间和冷却时间由制造商的经验决定。 首先, 择十个样品,然后 用 件 对 每个样品设计翘曲 所 对应的值 进行 运行, 得出 最后一个翘曲与变形的近似函数关系 ,利用人工神经网络模型构建工艺参数仿真,代替昂贵的仿真分析优化迭代。 解决了基于 数的优化问题 在 这里使用顺序二次规划 28。预期的改进表面可能是高度多模态的,因此难以可靠地优化。首先,通过 1000 个随机选择点 和 构造近似执行数学函数。 找出 然后将功能值选择为一个初始设计。在此外,样品中具有最小翘曲值的点被选择为另一个初始设大连交通大学 2017 届本科生毕业设计外文翻译 8 计,即两个优化过程在每个迭代执行。在与仿真分析比较,这些过程消耗的时间非常短,可以忽略。 图 8:优化后扫描仪翘曲 需要 20 次迭代才能获得优化解 , 结果见表 3。 图 4 和图 5 显示优化前后的翘曲值,分别 为 (表 2)。 第二个例子是扫描仪。 盖子离散由 8,046 个三角形元素组成,如图 1所示。它是由 具温度( 熔体温度( 注射时间(锡),包装压力( 包装时间( 冷却时间( 作为 设计变量。通过平面外位移量化目标函数翘曲( x),这是最大和最小的变形参考在 束由上下限组成,设计变量见表 3。 模具温度范围和熔体温度是基于 荐的值洞察,注射时间,包装压力,包装时间和冷却时间由制造商的经验决定。 大连交通大学 2017 届本科生毕业设计外文翻译 9 图 9:每个因素对手机盖翘曲的个体影响 初始十个样本由 25次迭代后获得最优解。结果如表 4所示。图 7和图 8分别表示优化前后的翘曲。 6讨论 表 2和表 4显示了几个工艺参数处于极限的边界。 图 9和 10显示每个因素对翘曲的影响等 , 所有其他因素分别保持在最佳水平。 图 10:每个因素对扫描器翘曲的个别影响 图 9 和 10 显示了高熔体温度和短注射时间是理想的。翘曲值随着熔体温度的变化,从 260 00 是因为较低的熔体温度流动性不好,可能导致早期形成冷冻皮肤层, 将 产生更高的剪切应力 和 阻塞流。如果没有足够的时间释放剪切应力,翘曲将增加。然而翘曲值随注射时间非线性增加。对于薄壁注模部件,长注射时间可以增加冷冻表皮层与熔融芯层的比例。 它可以 阻止流动, 并 导致更高的流量剪切应力和材料中更多的分子取向。 翘曲值仅改变包装时间的周期,当包装时间长于某些值时,翘曲值几乎不变 。图 9 和 10 还显示,当改变其他工艺参数(如包装压力,冷却时间和模具温度)时,翘曲值的变化是不规则的。翘曲值取决于所有工艺参数的综合 影响 ,所有这些工艺参数应通过优化提供。 7结论 在本研究中,提出了一种综合 型和 数法,以最大限度地减少注塑件的翘曲。这种方法的目的是优化一些近似功能训练的人工神经网络模型。优化过程可以从由一组采样点训练的近似函数开始,然后通过 数将最佳采样点添加到训练集中 。 优化的每一次迭代包括训练近似函数和优化 数。考虑大连交通大学 2017 届本科生毕业设计外文翻译 10 到 能可以将相对意想不到的空间考虑在内,以提高 型的准确性,并快速接近全局优化解决方案。随着应用程序,手机盖和扫描仪的调查,在优化中只需要少量的 析,因为两个示例的第一次迭代需要一组几个采样点(只有十个采样点) 并且 每次迭代的后续操作只将一个采样点添加到集合中。数值计算结果表明,所提出的优化方法对于减少注射成型件的翘曲是有效的,可以快速收敛到优化解。虽然这些实例的设计变量限于模具温度,熔体温度,注射时间,包装压力,包装时间和冷却时间,但本方法也适用于更多的工艺参数。 然而 ,还有两个问题。第一个是开 发有效的优化算法。因为 能是具有尖锐峰值多模态 的 ,所以很难找到最佳解决方案。第二个是针对一些优化方法开发的,以确定 学习周期,学习速率,动量因子和隐藏神经元数量,使网络的收敛速度快速稳定。计划进一步发展。 致谢 : 作者衷心感谢中国国家自然科学基金重大计划( 10590354)对这项工作的财政支持,并感谢 参考文献 1 Y, X, (2007) of of J 3):412418 2 K, , , (1998)of 8(1):2137 3 , (1996) 36(10):13261335 4 , O, C, P, (2003)J :1(9):859872 5 , , (1996)in 3):18391846 6 , (1996) in a 6(10):13171325 7 J (1998) in 38(7):10721084 8 , H, , , K(1991) 大连交通大学 2017 届本科生毕业设计外文翻译 11 in 1(2):7789 9 U, I, (2001) of in 0(1):1421 10 H, H (1995) of on 34(5):793811 11 , G, (1997) of 5997, , 3083312 12 H, J, M, , , (2007) in J 3):418426 13 C, C (2001) in of a J 10(1):19 14 J, Y, J, S, R, T, H,T, C (2004) of of 44(5):917928 15 H, C (2008) An in on 7(910):953960 16 H, S, C (2008) by 7(1):116 2010) 48:955962 961 17 H, C (2009) J 09(3):13021309 18 , , (2005) of a J 69(10):314319 19 , (2006) of 27(56):468472 20 , S, (2006) 1(5):509520 21 R, , J (1998) of 大连交通大学 2017 届本科生毕业设计外文翻译 12 J 3 4):455492 222000) A J 3):411416 23 T, Q, , L (2002) of by 4(1):103109 24 F, T, L (2000) a a 3(4):391396 25 , (2006) of he in J 171(3):437445 26 H, W, J, T(2008)in a 35(3):843849 27 J (1997) 7(5):801812 28 , S (2009) A 4(1):6171 H. Y. X. *) 116024 of 16 008 /24 009 /20 009# 009n an on is at of in is of A of of is an in is by is an is to As a of is be 1. is of of 29. by of or of or of is an in to 10 to in of 0%. et 11to by of of of to 1214of in is a of is by . . *)16024 2010) 48:955962In a in in et 1517 by or et a or to of 18, 19. et 20 on in be to as A of is An is is by I to 17. as 1. is a A a to to of in NN is a 2226 in A of is in a be a 276 61 of NN as a in of a of to NN I s 2 of I 3 of a of C)C)s)s)tc(s)0 260 0 1 50 300 0 5 15956 2010) 48:955962A is by a to of to a of in is to is a NN as is So of NN of by is 0,000, NN in I be as an is to an of to a EI is to to at It is a a of a 17, 21. It (x) is (x) at a x is 2NN If an by NN be of is by 20 : 1of is I1I0120 ()25 of 4 of C)C)s)s)tc(s)6 6 of a 2010) 48:955962 957by 2 be I138 3 f 4q. 3 is at x, by of is is is a of (x) f(u). is (x) is is to be at a or (1)It to NN,so it a 2) it (3) to in NN on be 11138 1; 2;1of 1 3 in of is to 138r 6r is a in is r be of r=of of NN I is a a he of to of C)C)s)s)tc(s)0 260 0 1 520 300 0 5 15 C) C) s) ) s) tc(s) 7 of 2010) 48:955962of NN ,780 as 30, 55, 11, is as x) is is of to of on . x), by of on of by of to is is by NN I is 28. be 8 of 0 70 80 9070 280 290 300s)0 80 90 2 3 4 5s)s)9 s on of 2010) 48:955962 959to 1,000 I by of is to be in is to be at be 0 to )is a is ,046 as as x)is of of on of on of by of 5 . in of 0 s on at 0 as 00C. is to If is no to 0 100 110 12070 280 290 300s)0 80 90 2 3 4 5s) 7 9 11 13 15s)10 s on of 2010) 48:955962of to to in a of is is 0 is as on of be by an NN I is to of at by NN be by a of a by I of I I to of NN to a a a in a a of proposedoptimiza大连交通大学 2017 届本科生毕业设计外文翻译 1 基于人工神经网络模型和期望改进函数法的注塑成型工艺参数优化 收到: 2008 年 10 月 16 日 /接受日期: 2009 年 9 月 24 日 /在线发布: 2009 年 11月 20日施普林格出版社伦敦有限公司 2009。 摘要:在本研究中,提出了一种基于人工神经网络模型的自适应优化方法,以优化注塑过程。优化过程旨在最小化注塑部件的翘曲,其中工艺参数是设计变量。 具温度,熔体温度,注射时间,包装压力,包装时间和冷却时间均被视为工艺参数。人工神经网络和实验设计( 法的组合用于构建翘曲与过程参数之间的近似函数关系,代替优化迭代中的昂贵的仿真分析。自适应过程是通过预期的改进来实现的,这是一个填充的抽样标准。虽然美国能源部规模小, 但是 这个标准可以平衡本地和全局搜索并趋于全局最优解。作为示例,蜂窝电话机盖和扫描仪的调查。结果表明,提出的自适应优化方法可以有效降低注射成型件的翘曲。 关键词 : 注塑成型 ; 优化 ; 实验设计 ; 人工神经网络 ; 预期改进功能。 1介绍 注塑成型是生产塑料制品 中 最广泛使用的工艺。注塑模具可分为填充,填充后和开模三个阶段 1。在生产过程中,翘曲是最重要的质量问题之一,特别是塑壳制品。其中一些研究成果已经证明了薄壳塑料件的优化 2 可以通过修改零件的几何形状或改变模具的结构或调整工艺参数来减小翘曲。零件设计和模具设计通常在产品开发的初始阶段确定,不容易改变。因此优化工艺参数是最可行和最合理的方法。塑料注射成型中的一个重要问题是在制造前预测和优化翘曲。许多文献一直用于翘曲优化。 10利用改进的 复合法优化了壁厚和工艺条件,以减少翘曲 程度 并减少翘曲的 70以上。 11优化工艺条件,通过组合实施改进复合法和实验设计来减少翘曲。他们的研究结果表明,这些方法可以有效地减少翘曲。尽管这些方法可以有效地减少翘曲,但是他们是昂贵 且 费时的,因为他们执行许多昂贵的功能评估。与这些方法相比, 12容易执行和可以分析有效因素,但只能得到工艺参数更好的组合,而不是设计空间中的最优解。翘曲是过程参数的非线性隐性函数,通常由解决方案用无限元方程估计。一般来说,复杂的任务通常需要巨大 的计算成本。因此,为了降低翘曲优化中的计算成本,许多研究人员引入了 工中性网络( 响应面法和支持向量回归等代替模型。高等 15过将克里金替代模型与改进的矩形网格法 和 预期改进( 数方法相结合,优化了工大连交通大学 2017 届本科生毕业设计外文翻译 2 艺条件以减少翘曲。 响应面法结合起来,以优化过程参数 来 减少塑料部件的翘曲 18,19。 20使用支持向量回归模型和遗传算法优化注塑工艺。他们的结果表明,基于替代模型的方法可以降低翘曲优化中的高计算成本,遗传算 法可以有效地接近全局最优设计。 在这项研究中,模具温度,熔体温度,注射时间,包装压力,包装时间和冷却时间被认为是工艺参数。 拉丁超立方体设计( 得小尺寸实验设计,并通过 件评估翘曲值。 提出了基于人工神经网络模型的自适应优化。 自适应过程由 可以自适应地选择附加采样点以改善代理模型并找到最佳值 17。 这种方法被视为有效的全局优化 21。 数值计算结果表明,该方法可有效降低翘曲。 图 1: 图 2:结合 化的流程图 大连交通大学 2017 届本科生毕业设计外文翻译 3 图 3:蜂窝电话盖板的中平面模型 2人工神经网络 神经网络包括许多高度互联称为神经元的处理单元。每个神经元对加权输入求和,然后对所得到的和应用线性或非线性函数以确定输出,并且它们都被分层排列并通过过度连接组合。 典型的 反向传播网络( 22已被广泛应用于许多研究领域。 层的输出直接发送到上层的每个神经元。 虽然 所有的模式识别和分类任务都可以用三层 27。 表 1:工艺参数范围 图 4:优化前盖的翘曲 大连交通大学 2017 届本科生毕业设计外文翻译 4 通过向网络反复呈现一系列输入 /输出模式集来训练 经网络通过调整其神经元之间的权重来逐渐“学习”输入 /输出关系 的 兴趣,以最小化实际和预测输出模式之间训练集的误差。培训后,使用不在训练集中的一组单独的数据来监控网络的性能。当均方误差( 到最小值时,网络训练被认为是完整的,权重是固定的。本文采用一层隐藏三层 型,模具温度( 熔体温度( 注射时间( 包装压力( 包装时间( 冷却时间( 被视为输入变量,翘曲被认为是输出变量。因此确定 过试验确定中间层的神经元数。输入层和隐层之间的传递函数为“ 隐层和输出 层之间的传递函数为“ 列车功能 函数为 能函数为 习周期为 50,000,学习速率为 量因子为 文使用的 所示 1。 图 5:优化后盖的翘曲 表 2:优化结果 3 习”的任意函数近似机制。 于构建翘曲与过程参数之间的近似函数关系,代替了优化过程中仿真程序的昂贵分析和重新分析。一般来说,近似函数可能具有许多极值点,使得采用此类函数的优化算大连交通大学 2017 届本科生毕业设计外文翻译 5 法收敛于局部最低 。 这里介绍了 接近全局 优化解决方案。 是用于检测确定性函数的全局最小值的顺序设计策略的启发式算法 17,21。 它可以平衡本地和全球搜索。 在某些点 x 进行采样之前, Y( x)的值是不确定的。 候选点 ( x)通常用)(且使用 。如果当前的最佳函数值为 可以实现 测器的改善(x)y 这种改善的可能性由正常密度给出: )(2ex x )m i )((1) 然后,通过整合密度来发现改进的预期值: I 0 22m i (ex p)(21)()((2) 图 6:扫描仪型号 表 3工艺参数范围 使用积分方程 2可以写成: )()()()( (3) 其中和 大连交通大学 2017 届本科生毕业设计外文翻译 6 )( )(x (4) 方程式的第一个术语 3是区别当前最小响应值 ( 由改进的概率。因此,当 )( 小时,第一项是大的。第二术语是预测误差( x)和正常密度的乘积函数 f( u)。正常密度函数值大当误差( x)大时,并且 )( 很多预测不确定性。 这种填充采样方法有一些优点:( 1)它可以智能地添加采样点来改善 以它允许从小观察数据“学习” ; ( 2)可以避免搜索相对较大的区域功能值,降低计算成本 ; ( 3)它也可以避免添加一些靠近彼此的点设计空间并保持 4基于改进 翘曲优化方法 图 7:优化前扫描仪翘曲 翘曲最小设计问题可以描述为如下: 查找 x1, . 大化 ., 21(5) 服从 .,2,1 其中过程参数 . ; 标函数 ., 21由等式 3 和 4 得出 ,其中 )(是电流最小值和翘曲的预测值。 收敛标准在此满足: 大连交通大学 2017 届本科生毕业设计外文翻译 7 ry (6) 其中 边是一个最大预期改善之间的比例最小功能值。因此, r 可以不给出考虑幅度, r= 实现综合 所示 2。 表 4:优化结果 5手机盖翘曲优化和扫描仪 在本节中,两次翘曲优化的结果举例说明。这些旨在显示集成 型的效率和准确性 第一个例子是手机套。它是由 3,780个三角形元素离散,如图 1所示 3。其长度,宽度,高度和厚度分别为 130, 55, 11 和 1 材料是聚碳酸酯( 丙烯腈 - 丁二烯 - 苯乙烯。 模具温度( 熔体温度( 注射时间(锡),包装压力( 包装时间( 冷却时间( 认为是设计变量。 量化目标函数翘曲( x)通过平面外位移,它们是两者之和最大上下变形参考 束由下部和上部组成对表 1中给出的设计变量的约束模型 , 在这里用于近似翘曲( x),即由方程式 2。 模具温度范围和熔体温度是基于 荐的值洞察力,注射时间,包装压力,包装时间和冷却时间由制造商的经验决定。 首先, 择十个样品,然后 用 件 对 每个样品设计翘曲 所 对应的值 进行 运行, 得出 最后一个翘曲与变形的近似函数关系 ,利用人工神经网络模型构建工艺参数仿真,代替昂贵的仿真分析优化迭代。 解决了基于 数的优化问题 在 这里使用顺序二次规划 28。预期的改进表面可能是高度多模态的,因此难以可靠地优化。首先,通过 1000 个随机选择点 和 构造近似执行数学函数。 找出 然后将功能值选择为一个初始设计。在此外,样品中具有最小翘曲值的点被选择为另一个初始设大连交通大学 2017 届本科生毕业设计外文翻译 8 计,即两个优化过程在每个迭代执行。在与仿真分析比较,这些过程消耗的时间非常短,可以忽略。 图 8:优化后扫描仪翘曲 需要 20 次迭代才能获得优化解 , 结果见表 3。 图 4 和图 5 显示优化前后的翘曲值,分别 为 (表 2)。 第二个例子是扫描仪。 盖子离散由 8,046 个三角形元素组成,如图 1所示。它是由 具温度( 熔体温度( 注射时间(锡),包装压力( 包装时间( 冷却时间( 作为 设计变量。通过平面外位移量化目标函数翘曲( x),这是最大和最小的变形参考在 束由上下限组成,设计变量见表 3。 模具温度范围和熔体温度是基于 荐的值洞察,注射时间,包装压力,包装时间和冷却时间由制造商的经验决定。 大连交通大学 2017 届本科生毕业设计外文翻译 9 图 9:每个因素对手机盖翘曲的个体影响 初始十个样本由 25次迭代后获得最优解。结果如表 4所示。图 7和图 8分别表示优化前后的翘曲。 6讨论 表 2和表 4显示了几个工艺参数处于极限的边界。 图 9和 10显示每个因素对翘曲的影响等 , 所有其他因素分别保持在最佳水平。 图 10:每个因素对扫描器翘曲的个别影响 图 9 和 10 显示了高熔体温度和短注射时间是理想的。翘曲值随着熔体温度的变化,从 260 00 是因为较低的熔体温度流动性不好,可能导致早期形成冷冻皮肤层, 将 产生更高的剪切应力 和 阻塞流。如果没有足够的时间释放剪切应力,翘曲将增加。然而翘曲值随注射时间非线性增加。对于薄壁注模部件,长注射时间可以增加冷冻表皮层与熔融芯层的比例。 它可以 阻止流动, 并 导致更高的流量剪切应力和材料中更多的分子取向。 翘曲值仅改变包装时间的周期,当包装时间长于某些值时,翘曲值几乎不变 。图 9 和 10 还显示,当改变其他工艺参数(如包装压力,冷却时间和模具温度)时,翘曲值的变化是不规则的。翘曲值取决于所有工艺参数的综合 影响 ,所有这些工艺参数应通过优化提供。 7结论 在本研究中,提出了一种综合 型和 数法,以最大限度地减少注塑件的翘曲。这种方法的目的是优化一些近似功能训练的人工神经网络模型。优化过程可以从由一组采样点训练的近似函数开始,然后通过 数将最佳采样点添加到训练集中 。 优化的每一次迭代包括训练近似函数和优化 数。考虑大连交通大学 2017 届本科生毕业设计外文翻译 10 到 能可以将相对意想不到的空间考虑在内,以提高 型的准确性,并快速接近全局优化解决方案。随着应用程序,手机盖和扫描仪的调查,在优化中只需要少量的 析,因为两个示例的第一次迭代需要一组几个采样点(只有十个采样点) 并且 每次迭代的后续操作只将一个采样点添加到集合中。数值计算结果表明,所提出的优化方法对于减少注射成型件的翘曲是有效的,可以快速收敛到优化解。虽然这些实例的设计变量限于模具温度,熔体温度,注射时间,包装压力,包装时间和冷却时间,但本方法也适用于更多的工艺参数。 然而 ,还有两个问题。第一个是开 发有效的优化算法。因为 能是具有尖锐峰值多模态 的 ,所以很难找到最佳解决方案。第二个是针对一些优化方法开发的,以确定 学习周期,学习速率,动量因子和隐藏神经元数量,使网络的收敛速度快速稳定。计划进一步发展。 致谢 : 作者衷心感谢中国国家自然科学基金重大计划( 10590354)对这项工作的财政支持,并感谢 参考文献 1 Y, X, (2007) of of J 3):412418 2 K, , , (1998)of 8(1):2137 3 , (1996) 36(10):13261335 4 , O, C, P, (2003)J :1(9):859872 5 , , (1996)in 3):18391846 6 , (1996) in a 6(10):13171325 7 J (1998) in 38(7):10721084 8 , H, , , K(1991) 大连交通大学 2017 届本科生毕业设计外文翻译 11 in 1(2):7789 9 U, I, (2001) of in 0(1):1421 10 H, H (1995) of on 34(5):793811 11 , G, (1997) of 5997, , 3083312 12 H, J, M, , , (2007) in J 3):418426 13 C, C (2001) in of a J 10(1):19 14 J, Y, J, S, R, T, H,T, C (2004) of of 44(5):917928 15 H, C (2008) An in on 7(910):953960 16 H, S, C (2008) by 7(1):116 2010) 48:955962 961 17 H, C (2009) J 09(3):13021309 18 , , (2005) of a J 69(10):314319 19 , (2006) of 27(56):468472 20 , S, (2006) 1(5):509520 21 R, , J (1998) of 大连交通大学 2017 届本科生毕业设计外文翻译 12 J 3 4):455492 222000) A J 3):411416 23 T, Q, , L (2002) of by 4(1):103109 24 F, T, L (2000) a a 3(4):391396 25 , (2006) of he in J 171(3):437445 26 H, W, J, T(2008)in a 35(3):843849 27 J (1997) 7(5):801812 28 , S (2009) A 4(1):6171 H. Y. X. *) 116024
收藏