谷丽花，辛 勇

（南昌大学机电工程学院，江西 南昌330031）

0 前言

随着汽车、电子仪表、家用电器等行业中的注塑件生产朝着轻量化、复杂化及薄壁化的方向发展，对注塑件性能、外观要求越来越高，增加了成型难度。复杂薄壁件注射成型过程中所产生的翘曲仍是生产中的难题，尤其是复杂薄壁精密塑件在有尺寸配合要求的场合、塑件的形状尺寸精度往往很高，要求达到精密甚至超精密。因此，如何选择合适的工艺模型来优化塑件成型过程具有重要的意义。

目前，许多学者将CAE 技术与正交试验、田口实验、Kriging模型等科学统计试验方法相结合，研究注塑产品成型质量与不同注射成型参数的内在关系，对工艺参数及模拟计算结果进行系统的分析，优化注射成型工艺参数［1－7］。然而，塑件注射成型过程中各因素之间存在高度非线性关系，塑件的成型过程的能量损耗、填充时间、成型质量等物理指标与注塑机的性能、注射成型工艺等因素都有密切的关系，难以采用常规的统计实验分析的数学函数进行描述，同时CAE 分析技术与统计实验分析相结合的方法难以描述成型工艺参数之间的耦合作用对注射成型质量及其他技术指标的影响规律，同时缺乏集成化及智能化特点。

人工神经网络技术具有强大的非线性函数逼近能力，利用它可以对非线性特征很强的注射成型工艺和塑件翘曲变形量关系进行拟合。遗传算法是基于自然选择和群体遗传机理的随机优化算法，是一种适用于复杂形态函数的全局寻优方法［8－9］。本文将基于BP神经网络结合遗传算法，采用正交实验方法及CAE 分析技术相结合的方法，对复杂薄壁件的塑件变形量注射成型工艺参数进行优化。

1 产品建模及工艺分析

本文采用大批量生产的复杂薄壁塑件车载充电器（如图1所示）进行产品建模及工艺分析，该塑件的结构特点是塑件为空心，由上下2个塑件分别成型装配而成，并且2 个塑件具有流线形外表面，表面具有镂空，塑件厚度为0.9mm，轴向长度为75mm，注射成型时由于长径比过大且塑件形貌复杂容易产生翘曲，成型后的塑件产生的翘曲很容易在阶梯配合及插孔端轴孔配合时不符合生产装配要求。

图1 车载充电器的计算机辅助设计（CAD）模型Fig.1 CAD model for the car charger

该车载充电器由丙烯腈－丁二烯－苯乙烯共聚物（ABS）成型，建模后对车载充电器的几何模型进行网格划分。按照表1 中CAE 分析推荐的工艺参数对该塑件注射成型工艺过程进行模拟分析，经过计算机的求解，得到该塑件的流动、冷却以及翘曲分析结果。

表1 车载充电器注射成型模拟工艺参数设置Tab.1 Parameter settings of car charger injection molding simulation process

图2 车载充电器翘曲分析结果Fig.2 Warpage analysis of car charger

车载充电器翘曲分析结果如图2 所示，从图中可以看出该塑件最大翘曲变形量为0.2811mm，出现在有螺纹口的插口处。较大的翘曲变形量增大了装配误差，本文针对注复杂薄壁件成型过程中翘曲变形量过大而无法满足装配公差的问题，基于BP神经网络和遗传算法优化该塑件的注射成型工艺参数，达到了降低塑件翘曲变形量，满足装配要求的目的。

2 BP网络模型及遗传算法研究

2.1 神经网络预测模型

神经网络技术模拟生物神经系统，通过神经元之间的相互连接形成自适应非线性动态系统，映射事物之间的模糊函数关系［10－11］。本文基于Matlab软件平台采用3层BP 网络模型，如图3所示，输入神经元个数（n）为6，相对应6个工艺参数，即模具温度、熔体温度、注射时间、保压时间、保压压力、冷却时间；隐含神经元个数（m）为7，输出层为1个神经元，即塑件翘曲变形量（y）。输入层和中间层之间采用双曲正切S型传递函数（tansig）计算得到中间层各单元的输出值；中间层和输出层之间采用线性传递函数purelin，计算得到输出层单元响应。

图3 神经网络模型Fig.3 The model of neural network

为了使构建的神经网络系统获取工艺参数同产品翘曲变形量之间的函数关系，需要实验样本对神经网络进行训练。采用正交试验设计和CAE 模拟技术相结合，得到训练样本和测试样本。选用L25（56）正交实验，得到25组训练样本，表2为正交试验因素水平表。

基于表2中所列样本数据，训练过程是采用梯度下降法从初始值中随机选取权重对网络结构连接权矩阵进行迭代计算，权重被反复迭代直到数据收敛为止。训练过程通过更新迭代权重来减少最小化网络预测值同训练值之间的均方差，训练值设置如下：

表2 正交试验因素水平表Tab.2 Table of factors and levels

式中 E——均方差

Pi——第i个神经元的输出

η——学习率控制稳定性和网络的收敛速率

Δωij——误差值

训练目标误差取值为10－6，训练代数设置为60000。训练结果如图4所示，经过16979步的训练达到设定目标值10－6。

图4 训练误差曲线Fig.4 Training error curve

训练好的网络还需要进行测试才可以判定网络的可靠性。再随机追加5组实验，得到网络预测值与仿真值之间的预测误差表如表3所示。从表3中可看出，神经网络对工艺参数的映射结果与CAE数值模拟所得结果相吻合，最大误差值不超过2%，达到了较高的预测精度。由此可以证明BP神经网络的预测是可靠的［12］。

表3 预测值与有限元分析值结果对比Tab.3 Compared predicted value with the finite element analysis result

2.2 遗传算法优化过程

前文所构建的基于BP 神经网络的车载充电器翘曲变形量预测模型是一个黑箱模型，传统的数学规划方法不能求出最优解，而遗传算法正好适合这种模式的寻优。因此，结合客观约束条件以及各工艺参数推荐取值范围构建了车载充电器的翘曲变形量优化数学模型，并采用遗传算法对车载充电器翘曲量进行优化求解，塑件翘曲变形量y 的遗传算法优化模式可描述为如式（3）所示。算法优化过程如图5所示。

其中，约 束 条 件 为：30≤Tm≤70，200≤T ≤280，1.0≤It≤3.0，8≤Pt≤16，50≤Pt≤90，18≤Ct≤34。

3 预测结果与实验验证

3.1 预测结果

从图6中可看出，随着遗传代数的增加，优化目标值在不断下降，并最终收敛于0.23mm 附近。经过300代的遗传进化，得到车载充电器的变形量为0.2311mm，最优工艺参数为模具温度80 ℃，熔体温度为240 ℃，注射时间为0.5s，保压时间为9.0s，保压压力为90MPa，冷却时间为30s。将最优工艺参数代入车载充电器有限元分析模型，对车载充电器的翘曲量进行CAE计算分析，模拟得到车载充电器翘曲变量为0.2313mm（图7），两者之间误差为0.0864%，与预测值几乎吻合。

将优化结果与优化前CAE 结果进行比较发现，翘曲变形量由0.2811mm（图2）降低到0.2311mm，降低了21.63%，提高了塑件的成型质量，得到满足装配要求的塑件。

图5 遗传算法优化过程Fig.5 Optimization process of genetic algorithm

图6 遗传算法优化结果Fig.6 Genetic algorithm optimization results

图7 最优参数组合的CAE模拟结果Fig.7 CAE simulation results with the optiml parameter

3.2 实验验证

采用优化后的最佳工艺组合来进行生产验证，成型后的车载充电器如图8所示，在实际结果测试中，应用三坐标测量仪对成型后的塑件的翘曲进行测量，变形量为0.2326 mm，与预测值0.2311 mm 基本吻合。实验结果表明基于BP 神经网络结合遗传算法优化后的工艺参数降低了车载充电器的翘曲变形量，解决了该塑件因翘曲变形量过大而达不到装配要求的问题。进一步证明了所提出的基于BP 神经网络结合遗传算法的优化成型工艺方法的可靠性与有效性。

图8 车载充电器塑件Fig.8 The car charger plastic part

4 结论

（1）塑 件 的 翘 曲 变 形 量 从0.2811 mm 减 小 到0.2313mm，降低了21.53%，且与成型实验结果高度吻合，有效控制了改塑件的翘曲变形量，满足了装配使用要求；

（2）BP神经网络结合遗传算法优化复杂塑件成型工艺参数的技术方法具有一定的科学性与合理性，能够用于指导生产实践。

［1］ 刘国文，黄风立.基于Kriging模型的组合型腔注射模浇注系统多目标优化设计［J］.模具制造，2011，（7）：1－5.Liu Guowen，Huang fengli.Multi－objectiveRunner Optimization for Injection Mold of Combinational Cavities Based on Kriging Model［J］.Mould Industry，2011，（7）：1－5.

［2］ Gao Y H，Wang X C.An Effective Warpage Optimizaiton Method in Injection Molding Based on Kriging Model［J］.International Journal of Advanced Manufacturing Technology，2008，37（9）：953－960.

［3］ Gao Y H，Wang X C.Surrogate－based Process Optimization for Reducing Warpage in Injection Molding［J］.Journal of Materials Processing Technology，2009，209：1302－1309.

［4］ Gao Y H，Tumg L S，Wang X C.Adaptive Geomerty and Process Optimizaiton for Injection Molding Using Kriging Surrogate Model Trained by Numerical Simulation［J］.Advances in Polymer Technology，2008，26（5）：1－16.

［5］ 高月华.基于Kriging代理模型的优化设计方法及其在注塑成型中的应用［D］.大连：大连理工大学工程力学系，2009.

［6］ Guo W，Hua L，Mao H J，et al.Pridiction of Warpage in Plastic Injection Molding Based on Design of Experiments［J］.Journal of Mechanical Science and Technology，2012，26（4）：1133－1139.

［7］ Guo W，Hua L，Mao H J.Minimizing the Warpage and Sink Mark Depth in Injection－Molded Thermoplastics［J］.Advanced Materials Research，2011，189／193：2081－2086.

［8］ 王 伟，夏 薇，廖小平.塑件质量的BP神经网络智能控制研究［J］.模具工业，2008，34（2）：12－15.Wang Wei，Xia Wei，Liao Xiaoping.Research on BPNeural Network Intelligent Control of Injection Moulding Product Quality［J］.Mould Industry，2008，34（2）：12－15.

［9］ 雷英杰，张善文，李续武，等.MATLAB遗传算法工具箱及运用［M］.西安：西安电子科技大学出版社，2005：45－142.

［10］ 马 进.基于遗传算法和神经网络的锅炉汽水系统模型参数优化［D］.北京：华北电力大学能源动力与机械工程学院，2009.

［11］ 刘美容.基于遗传算法、小波与神经网络的模拟电路故障诊断方法［D］.长沙：湖南大学电气与信息工程学院，2009.

［12］ Fei Yin，Huajie Mao，Lin Hua，et al.Back Propagation Neural Network Molding for Warpage Prediction and Optimization of Plastic Products During Injection Molding［J］.Material and Design，2011，32：1844－1850.