PDF
研究文章|开放获取
Xuebing市志元,回族Wang Wei,亏,程高, ”多目标优化方法,基于遗传算法的聚合物注射成型”,聚合物技术的进步, 卷。2019年, 文章的ID9012085, 17 页面, 2019年。 https://doi.org/10.1155/2019/9012085
多目标优化方法,基于遗传算法的聚合物注射成型
杨洁篪元,1,2 回族王
,1
Xuebing魏,2
亏严,1
和
程高1
1湖北省重点实验室先进技术为汽车零部件、武汉理工大学、武汉430070年,中国
2上汽通用五菱汽车公司、广西柳州545007年,中国
文摘
解决质量问题的聚合物注入部分,建立了质量预测和多目标优化方法。在这种方法中,有一个重要的参数影响部分质量选择使用正交试验方法,然后执行中心合成设计实验使用这些参数。数学模型考虑客观、影响因子使用响应面方法开发。影响参数的最优组合使用多目标遗传算法确定。注射成型的一个典型的汽车内饰的一部分,即。,the seat belt cover plate, is used as an example to demonstrate the method. The two most troublesome problems in this process—the sink marks and warpage—are multiobjectively analyzed using the established method, and the optimal combination of impact parameters that minimized the defects is determined. The errors of the sink marks and warpage between the experimental and theoretical values were 7.95% and 0.2%, respectively. The optimized parameters were tested in actual injection molding. The results show that the shrinkage and warpage of the parts are obviously improved by optimization using the proposed method, allowing the parts to satisfy the requirements of assembly and appearance.
1。介绍
因为成本低、复杂的成型能力,方便,重量轻,耐腐蚀,聚合物注入部分被广泛使用在世界各地(1]。目前,超过30%的塑料部分是由注塑制造(2,3),和80%的工程塑料产品注塑生产的(4]。
然而,聚合物注射成型,包括各种工艺参数,是一个复杂的过程5- - - - - -7),最后部分可能有质量问题,如果不精心挑选工艺参数。因此,许多研究已经解决了质量问题通过优化工艺参数。弯曲,即。,deviation of the shape of an injection part from that of the cavity, is one of the most common defects in the injection molding process [8]。因为它的外观和性能的不利影响聚合物注入部分,翘曲吸引了越来越多的关注。的聚合物注塑薄壁零件,可能出现翘曲在制造过程中,降低表面质量。许多研究人员试图减少聚合物注射成型过程中的弯曲。李等人。9优化工艺参数,包括注射部位的壁厚、注射时间,压力,包装和冷却时间,熔体温度,冷却液温度通过使用修改后的复杂的方法来防止翘曲。Ozcelik带领et al。10,11)使用软件模塑仿真分析,结合反向传播神经网络和混合遗传算法(GA),减少翘曲通过优化参数如模具温度、熔体温度、压力包装,包装和冷却时间。- h。唐et al。12)减少翘曲通过优化模具温度、注射时间、压力,和包装时间通过正交试验设计方法。高et al。13电话)最小的弯曲部分使用克里格模型,认为翘曲的注射时间发挥了最大的作用。Farshi et al。14)减少翘曲通过优化模具温度、熔体温度、压力,和包装时间。王等人。15)优化的翘曲改善冷却系统和工艺参数。
的聚合物注塑薄壁零件,零件的翘曲尤为明显。通过适当地增加壁厚的部分,它的刚度可以改善,在一定程度上,可以减少翘曲。然而,收缩和凹陷可能发生在厚壁部件的注塑。而不是增加壁厚,肋骨被应用到提高零件的强度和刚度,有效减少翘曲。因此,肋骨广泛应用于注射部分的设计。然而,肋骨增加缩水,因为一根肋骨厚度差异及其邻近地区。深凹陷严重降低注塑零件的质量。
许多研究已经进行缩水。倪s . j . [16)报道,零件的几何结构,模具结构、成型工艺参数是凹陷的主要原因。结合实验和GA, Mathivanan d [17)发现熔体温度、模具温度、包装压力,部分厚度的比值肋骨厚度减少凹陷的最重要的因素。郭et al。1)实验研究参数的影响,如模具温度、熔体温度、注射时间、V / P点将,包装压力,冷却剂温度、冷却剂雷诺数,肋的方向,肋的厚度和肋骨之间的距离和注射浇口凹陷和优化这些参数使用GA。
工艺参数的优化研究在上述研究。然而,大多数的优化方法认为只有一个目标。对于不同的目标,优化参数可能不同。优化参数得到的一个客观简略优化提高质量的目标,但质量恶化的其他目标,如弯曲和凹陷的两个目标。郭et al。1]表明,不断增加的模具温度在20到80°C之间,翘曲逐渐减少,凹陷先增加,然后降低。当熔体温度增加的范围220 - 280°C,翘曲先增加然后减少,而凹陷不断增加。当包装压力增加的40% - -120%,弯曲首先降低,然后增加,而凹陷不断下降。当包装时间是-20年代增加了2.5的范围,翘曲先增加然后减少,而凹陷首次下降,然后保持不变。当冷却液温度增加的范围0-50°C,第一弯曲增加,然后下降和重复的,而凹陷先增加,然后降低。多目标优化不仅可以用来处理这些问题在注塑竞争18,19),但也可以用于其他小说设计复杂的应用程序。最近开发的创新混合过程中生产高分子复合材料,多目标优化可以帮助优化聚合物部分的质量,同时还能保持金属板部分的要求(20.,21]。混合材料的制造结构通过注入高韧性聚丙烯(PP)成一个健壮的CF /环氧热固性表、多目标优化可用于优化成形性和joinability [22]。另一方面,在现有的优化模型,选择的影响因素是主观的,和大多数人决定通过简单的分析以及经验,由于缺乏可靠的数据(23]。
理性选择的影响因素对聚合物注射成型的质量目标,全面优化注塑零件的质量,系统的多目标预测和优化方法建立了聚合物注入部分的质量。在这种方法中,对质量有重要影响的参数通过正交试验,确定和中心合成设计(CCD)实验是进行这些参数。然后,数学模型考虑了优化目标和影响因素开发使用响应面法(RSM)。最后,确定影响参数的最优组合使用多目标遗传优化算法。安全带的注塑盖板在车里被用来作为一个例子,和在这个过程中,两个最突出的问题。缩水痕,翘曲,根据建立多目标优化方法。
本文组织如下。部分2描述了建立优化方法。部分3是验证。最后,部分4总结了我们的结论。
2。注塑的多目标优化方法
2.1。优化策略
聚合物注射成型的优化过程可以被描述为以下数学模型: 在哪里x是影响参数向量,x我表示与注塑质量相关的参数产生影响,米潜在影响因素的数量,y是质量指标向量的聚合物注入部分,yj是一种高质量的指数,n是担心质量的数量指标,然后呢xkmin和xkmax表示范围的影响参数。
这种方法可以多目标预测和优化建立聚合物注射成型的质量。它的主要流程图如图1。
这种方法主要包括品质因子选择模块、质量预测模块和多目标遗传优化模块。首先,品质因数选择模块,采用双层多因素正交试验。通过使用中值分析,各种影响因素的顺序确定注塑零件的质量,选择质量影响因素提供了科学依据。质量预测模块基于RSM适合应用于单目标函数之间的影响因素(如工艺参数)和目标质量指标根据CCD示例数据。最后,对于多目标遗传优化模块,帕累托最优解集是通过使用Nondominated第二排序遗传算法(NSGA-II) [24]。三个上述模块的设计是在下面详细描述。
2.2。品质因数选择模块
在聚合物注射成型、优化可以从四个方面进行:聚合物树脂、部分结构,模具结构和工艺参数。指定的部分,决定根据使用的树脂性能和成本,它们不会轻易地改变。因此,优化优化结构的一部分,主要是实现模具结构和工艺参数。
正交试验设计是一个多因素实验设计方法在选择代表性样本点从整个实验采样点设置。正交试验设计了L4(23)空间模型如图2,每个轴代表一个因素,八个立方体顶点代表八个实验分在整个实验中,和四个采样点(黑分)由正交表是均匀分布的。采样点的预测沿着一个轴不重合。正交实验设计应用于描述整个实验通过使用更少的测试。这个过程包括四个步骤:确定实验因素的数量和水平,选择合适的正交表,实验方案和结果列表,分析正交试验设计的结果。
前预测和优化注塑零件的质量,应确定的影响因素。注入过程中的因素全面考虑。首先,多因素和两级进行正交设计实验,然后几个因素选择注射部位有最大的影响。对于多目标的情况,一个因素的影响在不同的目标可能是不同的。
injection-part质量的指标不容易因为他们不同的单位和震级相比,这是不方便的综合分析指标。来消除这种不便,模糊映射的质量指标。在这里,每一个质量指标映射到模糊空间和无量纲。可以使用各种模糊函数在实际应用程序中,例如,三角函数,梯形函数,高斯函数,岭函数,抛物线函数和S形状函数。在这项研究中,应用三角模糊函数,它可以被描述为 在哪里一个,b,k控制参数,由索引值。
通过模糊映射,翻译质量指数的空间 。因此,每个因素的综合影响注塑制品的质量很容易通过正交试验结果的分析,确定质量因素的选择提供科学依据。
2.3。质量预测模块
一个RSM建立近似模型用于评估响应函数(质量指数)对设计变量(影响因子),为了执行预测和优化设计空间内的影响因子中选择部分2.2。
当某些影响因素之间存在的关系和响应函数,第一或二阶模型描述反应和影响因素之间的关系可根据实验设计。在RSM,y通常被假定为一个质量指标的一个部分或一个过程。之间的关系y和影响因素x1,x2…给出如下: 在这里,这个函数是未知的,可能很复杂,表示模型的误差。第一或二阶泰勒展开通常用于上述函数近似的函数在一个小范围之内。一阶模型 二阶模型 在这两个模型,是随机误差,它遵循正态分布。随机误差是相互独立的。输入变量是相互独立的。
CCD是最常见和最推荐RSM设计。它是一种基于两级因素实验设计方法和部分实验,其中一个零点,两个轴向点添加用于回归和评价函数响应和因素之间的关系。
2.4。多目标遗传优化模块
多目标优化的概念主要研究同时优化多个目标。许多学者提出了解决多目标优化问题,包括加权和的方法,目标规划的方法,ε约束方法,其他体重依赖型剂量的方法。随着人工智能的发展及其广泛应用在研究和实践中,许多学者已经使用人工智能算法来解决多目标优化问题。在这项研究中,注塑零件的质量是由NSGA-II优化的遗传算法(24),它的帕累托最优解(25)设置。NSGA-II是由经典的遗传算法。NSGA-II,多目标相关的操作,例如nondominated解决方案(26),帕累托前(25),和拥挤的距离24),在附录解释道一个。
模块的解决方案过程包括种群初始化、选择、交叉、变异、重组,拥挤距离计算,nondominated排序、种群更新和最后的帕累托解集的输出。算法的流程图如图3。算法的主要运营商在附录提供了这个模块使用B。
2.5。该方法的求解过程
基于上述方法,其求解过程见图4。首先,质量指标确定注射部分有关。潜在影响因素及其水平初步由经验和试验。然后执行双层多因素正交试验,获得质量指标由模糊nondimensionalized映射。关键影响因素从而选择使用中值分析。接下来,RSM CCD进行实验,每一个质量指标是安装一个简略的函数的影响因素。在拟合模型,确定最好的拟合优度。之后,计算最小值/最大值来索引使用其拟合函数,然后用来nondimensionalize指数函数的模糊映射。最后,多目标优化执行使用NSGA-II得到帕累托最优解集,最佳的解决方案是根据产品要求确定。
3所示。方法的验证
MATLAB编程是用于建立上述多目标智能优化方法,以及一款统计软件的实验设计模块被用来设计和分析所需的实验。汽车的安全带盖板,重大质量问题如翘曲和表面凹陷观察在注塑过程中,被认为是,建立多目标优化方法,采用聚合物注塑改善质量问题。进行注塑过程中,一个商业注塑软件,Autodesk®模塑仿真分析V2014,使用。它被广泛用于分析注塑、和具有良好的精度11,27]。该软件是混合有限元/有限差分方法求解压力,流量和温度场(10],它可以提供充填时间,缩水痕,翘曲,空气陷阱,焊线,压力,和其他的结果。
3.1。情况下设置
3.1.1。几何模型
安全带盖板的三维模型认为在这项研究中如图5。
(一)
(b)
3.1.2。材料
按照成型工艺盖板,计算机辅助工程分析的材料被选为TK-PP1,及其属性表中列出1。
|
||||||||||||||||||||||||||
3.1.3。模具
模具实际生产系统来获得更准确的模拟输出对应于实际的过程。冷却和送料系统的仿真分析安全带套,如图6。
3.2。正交试验因素选择
3.2.1之上。实验因素
(a)部分结构。厚度、高度、根肋骨角有显著影响注射过程的冷却时间,从而影响注射部分的表面质量。这些因素应该考虑肋设计。肋厚度随成型零件的厚度,和肋的高度与肋厚度有关。因此,相对厚度(肋骨/部分),相对高度(高度/厚度),和肋骨的角焊缝角半径设置为结构性因素的优化盖板的表面质量。
(b)模具结构。自从部分结构和材料被指定的原始设计制造商(ODM),注射浇口模具的设计成为关键因素决定的最终质量(成型部分28- - - - - -31日]。位于芝加哥的位置和直径的两个主要几何参数gate-were考虑。
(c)处理参数。按照先前的报道(9- - - - - -16,32),融化和模具温度,冷却时间和温度,包装压力和时间,注射时间,V / P点将,再保险的冷却液被用作工艺参数优化表面品质。冷却通风直径有显著影响冷却过程,大大影响了表面质量。因此,它也被认为是在quality-optimization分析。
3.2.2。设计和正交试验的结果
根据上述实验参数对聚合物注入与肋骨部分,本研究和考虑因素水平的多目标优化方法在表列出盖板2。注射浇口位置层次如图6,水平B是对称的水平。
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
正交试验设计是使用一款统计软件执行表中列出的因素2。设计实验序列提出了表3。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
模塑仿真分析进行了模拟,按照表中列出的参数的组合3。轮廓凹陷和弯曲的情况下6号和16号在图所示7为例。从这个图中,可以看出凹陷在盖板的表面,和不同的弯曲是观察到槽的位置。其他情况下的轮廓相似,结果见图8。凹陷和弯曲变化不一致的参数变化,指示意义的多目标优化成型部分。然而,凹陷的仿真结果和弯曲明显不同,其中大小比例约为100。
(一)
(b)
(c)
(d)
3.2.3。正交试验结果的分析
指数中描述的模糊映射部分2.2。模糊函数的参数a和b凹陷和弯曲,这是由情商。2),分别设置为最小和最大,k = 1是简化假定。结果如表所示4。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
映射的值缩水和翘曲有相同的数量级后模糊映射。结果见表4在一款统计软件进行了正交分析,中值分析表所示5。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
中值的分析,影响因素的顺序是:包装时间、模具温度、相对厚度的肋骨,熔体温度,包装压力,V / P点将,肋骨鱼片的半径,注射浇口位置,冷却通风直径、冷却液温度、冷却时间、相对高度的肋骨,注射时间,冷却剂的数量,以及浇口直径。
第一个五个因素,它在多目标优化扮演主导角色的缩影和翘曲,被选为的因素响应面实验,建立凹陷和弯曲的数学模型和参数,从而影响参数向量x在情商。1)被确认。
3.3。RSM拟合指数
3.3.1。设计和响应面实验的结果
的水平展示在表5提到的因素6和设计响应面实验使用Minitab表所示7。其他十个参数被设置为相同的与案件在正交试验(表3号4),的情况下表现出最小值求和的缩影和翘曲。模拟依法进行响应面实验详细表7,结果见图9。从这个图,凹陷和翘曲随着参数的变化,有不同的行为和关系是讨论的部分3.3。2和3.3。3。
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||
|
||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
3.3.2。拟合的缩影
4拟合模型计算,即。,pure quadratic, linear + parabolic, linear + interactive, and linear. Fitting of the simulation results was performed using these four models respectively to obtain the mathematical function. The sink marks in Figure9是输入作为响应进行响应面实验。结果如表所示8。
|
||||||||||||||||||||||||||||||||||||||||
|
注释:R-sq善良系数的回归拟合模型。 结果四个回归模型: 水槽mark1 B = 0.016148 - 0.000292 + 0.000042 + 0.003042 C - 0.00004 D - 0.000625 E + 0.000227×0.000102 - 0.000273 B×B + C D×0.000148×C - D - 0.000273×0.000063×E + E B - 0.000062×0.000062×0.000062 C + D + -0.000063 B××E C + 0.000063 B×0.000063 D + B×E - 0.000063 - 0.000063×C D - C D×0.000063×E + E。 水槽mark2 B = 0.016148 - 0.000292 + 0.000042 + 0.003042 C - 0.000042 D - 0.000625 E + 0.000227×0.000102 - 0.000273 B×B + C D×0.000148×C - D - 0.000273 E×E。 水槽mark3 0.003042 -0.000292 = 0.015875 + 0.000042 B + C - 0.000042 D - 0.000625×0.000062×0.000063 E + B - C + 0.000062××E - 0.000063 - 0.000063 D + B×C + 0.000063 B×D + 0.000063 B×E - 0.000063 - 0.000063×C D - C D×0.000063×E + E。 水槽mark4 = 0.015875 + 0.000042 -0.000292 0.003042 b + c 0.000625 - 0.000042 d - E。 |
||||||||||||||||||||||||||||||||||||||||
比较R-sq R-sq(调整)和R-sq(预测)意味着线性拟合模型是最好的一个适合凹陷和所有的参数之间的关系,以及模型应用于本研究。拟合模型中回归系数的值如表所示9。
|
||||||||||||||||||||||||||||||||||||||||||||||||||
在表中,多项式系数代表线性拟合模型的系数。SE多项式系数表示的误差系数。SE多项式系数值表示更高的精度较低。SE多项式系数值见表9是足够小,以确保模型中的系数是合理的。T描述之间的比例系数及其标准误差,这是用来计算P P值设置为评估那么些的属性。因素与低P值,尤其是小于0.05,在凹陷有显著影响。
残情节之间的预测和实验如图10标准的线附近,残差集群。最大残余< 0.003。根据频率分布,最残差在一个低水平。模型的准确性从而证明。
3.3.3。拟合的弯曲
响应面实验和分析部分3.3。2复制这里获得翘曲和因素之间的关系;然而,我们采用了线性+抛物线模型,代替。相应的结果如表所示10和11。多项式系数,SE多项式系数,T和P也用于分析弯曲。因此,质量指标向量y在情商。1)被确认。
|
||||||||||||||||||||||||||||||||||||||||
|
注释:随后的四个回归模型: Warpage1 B = 1.68272 - 0.03713 - 0.00171 0.04304 - 0.04379 C - 0.01929 D - E + 0.00266×0.00522 - 0.00747 B×B - C 0.00609×C - D D + 0.00553 E×××0.00419 E - B + 0.00069×0.00094×0.00706 C + D - E×B×C + 0.00069 + 0.00031 B×C D + 0.00081 B×E + 0.00569×0.00594 D + C D×0.00456×E + E。 Warpage2 B = 1.68272 - 0.03713 - 0.00171 0.04304 - 0.04379 C - 0.01929 D - E + 0.00266×0.00522 - 0.00747 B×B - C D×0.00609×C - D + 0.00553 E×E。 Warpage3 B = 1.67478 - 0.03713 - 0.00171 - 0.04379 C - 0.01929 D - E - 0.04304×0.00419×0.00706×0.00069 B + C + D - 0.00094×E B×C + 0.00069 + 0.00031 B×C D + 0.00081 B×E + 0.00569×0.00594 D + C D×0.00456×E + E。 Warpage4 B = 1.67478 - 0.03713 - 0.00171 - 0.04379 C 0.04304 - 0.01929 D - E。 |
||||||||||||||||||||||||||||||||||||||||
|
|||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||||
3.4。多目标优化
3.4.1。使用遗传算法优化
表面品质的多目标优化注射成型过程中安全带盖板是根据回归拟合的缩影和弯曲部分3.3。2和3.3。3和Eq的数学模型。1)写为: 在那里,y1和y2分别表示凹陷和翘曲,A, B, C, D, E是影响参数表6。
多目标遗传算法被用来执行优化。多目标优化是通过以下步骤实现:
步骤1。凹陷的最小/最大值(/)和弯曲(/)指定领域内的影响因素决定通过使用min和max函数。
步骤2。目标函数(凹陷和翘曲)模糊不清地映射使用Eq。(2),参数a和b凹陷和翘曲分别设置为最小和最大,使用和k = 1。映射的目标函数建立多目标的健身功能和形容
步骤3。最优面前,人口,和适应度函数偏差被设置为50,200,1 e - 100。多目标遗传算法被用来计算它的帕累托最优解集,结果如图11。在这个图中,点nondominated问题的解决方案,和每个解决方案是在表的组合参数6。解决方案的左端点,凹陷是最好的,但弯曲是最糟糕的。解决方案是左端,越接近越好缩水痕,翘曲会变得越来越糟。相反,正确的解决方案的终点,弯曲是最好的,但缩水最严重的。解决方案是正确的,越接近弯曲越好,越缩水痕。根据安全带盖的质量的要求,凹陷和弯曲都是非常重要的,所以最近的解决原点(最小二乘法)被选为本研究的最终解决方案。得到了最优参数:包装13.748秒的时间,模具温度为20.1325°C,相对肋厚度0.40123,熔体温度248.851°C,和包装44.512 MPa的压力。这些参数的组合产生的最大缩痕0.0081毫米和1.5433毫米的弯曲。
3.4.2。验证实验
上述参数的遗传算法采用模塑仿真分析的仿真验证的可靠性优化的缩影和盖板的翘曲。优化参数下的仿真结果如图所示12的参数下,这些“2”,“0”和“2”表6提供了图13进行比较。参数“2”和“2”最小和最大的价值观是处理因素,和水平的“0”都是平均值。与其他结果相比,缩水和翘曲优化结果都明显减少,这直接的演示效果优化。指出,缩水痕,翘曲优化结果不是最小的在所有这种优化的结果。下的弯曲参数水平“2”图13 (f)小于,根据优化参数在图吗12 (b),但缩水更糟。结果在优化参数不是最好的一个目标,但最优的所有对象。优化参数下的仿真结果为凹陷0.0088毫米和1.578毫米的弯曲。与遗传算法的优化结果相比,小错误:0.0007毫米(7.95%)的缩影和翘曲的0.00347毫米(0.2%)。因此,多目标优化的准确性注射盖板的表面质量高。
(一)
(b)
(一)
(b)
(c)
(d)
(e)
(f)
优化工艺参数被采用的实际注塑部分。生产盖板如图14。数据(14日)和14 (c)给那些没有优化,包装10.0秒的时间,模具温度30.0°C,相对肋厚度0.6,熔体温度230.0°C,和包装35 MPa的压力,把“0”在表的参数水平6。其他参数设置为同一与3号表4。明显的凹陷中观察到图(14日)因为肋的设计和成型工艺。弯曲发生在沟盖板的位置由于成型过程。这两个严重退化的盖板的外观。数据14 (b)和14 (d)显示部分与优化参数,生产和包装的时间13.7秒,模具温度20.0°C,相对肋厚度0.4,熔体温度达到250°C,和包装44.5 MPa的压力,尽可能近似优化的工艺参数。的比较数据(14日)和14 (b)表明,优化后的缩水痕消失。同样地,数据14 (c)和14 (d)表明,弯曲是改善明显。测量表明,弯曲槽位置的盖板没有优化64.8%和35.4%与优化。优化结果满意的外观要求< 40%。
(一)
(b)
(c)
(d)
4所示。结论
我们建立了一个质量预测的方法和多目标优化注射成型。首先,要优化的目标的关键影响因子通过正交实验确定。其次,RSM执行确定客观和影响因素之间的函数关系。最后,以确定最优组合的影响因素,采用多目标遗传算法。建立了优化方法应用于注塑的安全带盖板为例。缩水痕,翘曲被选为两个目标,两个最突出的质量问题。我们优化的缩水痕,翘曲,预测误差< 8%。我们使用了优化工艺参数来执行实际注塑。凹陷和弯曲都显著降低,满足实际装配的要求。
通过分析安全带覆盖该方法,我们证实了它的有效性和准确性。该方法不仅提供了科学指导注塑工艺也多目标优化的解决方案和想法其他类似的问题。作者打算开发一个集成系统的编码MATLAB的基础上,建立了多目标优化方法,包括用户界面,实验数据输入,因素选择、质量预测、设计和优化,并将其应用在TPE(热塑性弹性体)overmolding。
附录
答:具体操作中使用多目标优化
. 1。Nondominated解决方案
假设p和q的两个可行的解决方案。如果至少有一个客观值p优于q和所有其他客观值p不不如q,它被定义为p主导或q是由p。主要和非惯用的解决方案见图15。点1、2、3和4代表四个可行的解决方案。在最小的优化问题解决方案中,点4是占主导地位的解决方案,因为f1和f2点(4小于其他解决方案,f1和f2的两个目标函数的问题。点2和3是nondominated互相解决方案。f1的2比3小点,但f2 2大于点3。
由信用证。帕累托最优设置
如果溶液p主导,p小于q。如果两个解nondominated彼此,他们的都是相同的。等级1的解决方案(最小的排名值)被添加到一个集合,名叫第一集前面。解决方案在第一前线相互nondominated设置。帕累托最优是第一个前集合,如图16帕累托面前,曲线,B是可行的解决方案域面积。
出具。拥挤距离
拥挤距离是指在一组前两个方案之间的距离。显然,距离越大,越不拥挤的解决方案,更好的人口多样性。如图17的拥挤距离左边帕累托面前很小,和许多聚集在这一领域的解决方案。这个结果并不理想,所以拥挤距离需要控制。附件中描述的计算B。
b多目标遗传优化算法的主要运营商模块
责任。选择
选择算子应用锦标赛选择算法基于秩和拥挤距离。该算法在算法1。
| 输入playerlist / /运动员的名单包括“nParents”组,每组 | |
| 有“tournamentSize”的运动员。 | |
| nParents i = 1 | |
| 赢家=从事职业的人 | |
| tournamentSize j = 2 | |
| 如果等级(j) <等级(j - 1) | |
| 温内(i) r =球员(j) / /小级别运动员赢,赢家在我标记组 | |
| 冠军(我) | |
| 如果 | |
| 如果等级(j) =等级(j - 1) | |
| 如果距离(j) >距离(j - 1) | |
| 冠军(我)=球员(j) / /个人更大的拥挤距离赢,当他们 | |
| 有相同的订单价值 | |
| 如果 | |
| 如果 | |
| 结束了 | |
| 输出的赢家 |
B.2。Nondominated排序
Nondominated排序用于个人在父母和孩子的人口数量,以获得每个单独的秩。该算法在算法2。
| / /输入目标函数值输入分数,‘popSize’的行数 | |
| 人口数量合并后,列数的值 | |
| 目标函数 | |
| 做 | |
| p = 1 topopSize | |
| 如果π排序 | |
| / /继续执行下一个循环 | |
| 如果 | |
| popSize q = 1 | |
| 如果有一个函数值大于在q和p q的所有函数值而不是更少 | |
| 比p的 | |
| q控制p; | |
| 如果 | |
| 结束了 | |
| 如果p并不占主导地位 | |
| 指定当前等级p, p是排序 | |
| 如果 | |
| 结束了 | |
| 等级+ +; | |
| 当所有人排序 | |
| 输出级/ /输出结合人口秩序价值 |
B.3。拥挤距离计算
拥挤距离计算的过程如下。
步骤1。进入人口“流行”、“popSize”的行数和列数“numDatta”。“popSize”是个体的数量,“numDatta”是目标函数的数量。
步骤2。所有个人的第i个目标函数值后映射到区间(1,1)。
步骤3。映射函数值按升序排序。
步骤4。两端的拥挤距离的定义是无限的。其他个人的距离函数值差异的两个邻居个体,因此每个个体的拥挤距离下的第i个函数值。
第5步。重复步骤2、3和4,直到所有目标函数计算。
步骤6。个体的拥挤距离的总和计算拥挤距离为目标函数。
数据可用性
使用的数据来支持本研究的结果包括在本文中
的利益冲突
作者宣称没有利益冲突有关的出版。
确认
作者要感谢金融支持中国的国家自然科学基金委员会(批准号51775398),111年的项目(批准号B17034),在大学教育部创新研究团队项目(批准号IRT_17R83)、湖北省自然科学基金(批准号2018 cfb595),中央大学的基础研究基金(基金号。自慰:2018 iii074gx和2018 iii067gx)。
引用
- w·郭、l .华和h .毛”最小化缩痕深度的射出成型热塑性通过实验设计和遗传算法,”国际先进制造技术杂志》上,卷72,不。1 - 4、365 - 375年,2014页。视图:出版商的网站|谷歌学术搜索
- d . Mathivanan m . Nouby r .方面,“缩痕缺陷最小化在注塑过程中,田口方法中,“国际工程科学与技术杂志》上,卷2,不。2、2010。视图:谷歌学术搜索
- y赵,p .赵,j . Zhang j .黄n .夏和j .傅”在线测量的注塑机锁模力使用超声波技术,”超声学卷,91年,第179 - 170页,2019年。视图:出版商的网站|谷歌学术搜索
- z娇,p .谢、w·杨和x王”自动控制和节能机制的内部循环two-platen注塑机器,”机械自动化学报2010年国际会议上和控制工程、MACE2010,页5491 - 5494,中国,2010年6月。视图:谷歌学术搜索
- p .赵y赵,h . Kharbas et al .,“原位超声表征微孔注塑、”材料加工技术杂志》上卷,270年,第264 - 254页,2019年。视图:出版商的网站|谷歌学术搜索
- p .赵w·m·杨x m . Wang j·g . Li Yan,和j . z .傅”程度的预测方法的一种新型结晶度在注塑包装阶段,“美国机械工程师学会学报》上,B部分:工程制造》杂志上,卷233,不。1,第214 - 204页,2019。视图:出版商的网站|谷歌学术搜索
- j·f·张,p .赵y赵,j . y .黄n .夏和j . z .傅”在线测量腔压力通过超声波在注塑系杆的调查,“传感器和执行器:物理卷,285年,第126 - 118页,2019年。视图:出版商的网站|谷歌学术搜索
- 李n、h·b·刘和h·t·吴”注塑件的变形分析和优化基于模塑仿真分析和minitab软件”先进材料的研究卷,753 - 755。6,1180 - 1183年,2013页。视图:出版商的网站|谷歌学术搜索
- b·h·李和b·h·金”优化部分的墙厚度减少翘曲射出成型部分基于修改后的复杂的方法,”聚合物塑料技术和工程,34卷,不。5,793 - 811年,1995页。视图:出版商的网站|谷歌学术搜索
- b . Ozcelik带领和t . Erzurumlu”,确定影响维参数对翘曲的薄壳塑料部件使用响应面方法和遗传算法集成,”国际交流在传热传质,32卷,不。8,1085 - 1094年,2005页。视图:出版商的网站|谷歌学术搜索
- b . Ozcelik带领和t . Erzurumlu”比较的翘曲优化注塑成型使用方差分析、神经网络模型和遗传算法,”材料加工技术杂志》上,卷171,不。3、437 - 445年,2006页。视图:出版商的网站|谷歌学术搜索
- 唐,y, s . Sapuan s Sulaiman n .伊斯梅尔和r . Samin”使用田口方法在塑料注塑模具的设计减少翘曲,”材料加工技术杂志》上,卷182,不。1 - 3、418 - 426年,2007页。视图:出版商的网站|谷歌学术搜索
- y高和x王”,一个有效的在注塑翘曲优化方法基于克里格模型,”国际先进制造技术杂志》上,37卷,不。9 - 10,953 - 960年,2008页。视图:出版商的网站|谷歌学术搜索
- b . Farshi s Gheshmi,大肠Miandoabchi”优化注塑工艺参数的使用顺序单纯形算法,”材料和腐蚀,32卷,不。1,第423 - 414页,2011。视图:出版商的网站|谷歌学术搜索
- 沈j . c . Wang, h·朱,“壳翘曲模拟和优化的彩色液晶显示屏模塑仿真分析的基础上,”学报》2011年第2机械自动化和控制工程国际会议上,梅斯2011年,页924 - 927,中国,2011年7月。视图:谷歌学术搜索
- 美国Ni”,防止缩水痕注塑件使用CAE分析”ANTEC学报,第455 - 453页,2000年。视图:谷歌学术搜索
- d . Mathivanan和n s高”缩痕最小化在注塑通过响应面回归建模和遗传算法,”国际先进制造技术杂志》上,45卷,不。9 - 10,867 - 874年,2009页。视图:出版商的网站|谷歌学术搜索
- 问:冯和x周”,自动化和健壮的多目标优化设计的基于混合RBF-MOGA薄壁产品注入过程,”国际先进制造技术杂志》上,卷101,不。9 - 12,2217 - 2231年,2019页。视图:出版商的网站|谷歌学术搜索
- d . y . h . x, k . Liu赵,李问:m . j . Wang和j·h·侯“显微镜下注射成型工艺参数的多目标优化的可生物降解聚合物支架,”材料,11卷,不。11,16页,2018年。视图:谷歌学术搜索
- s . Farahani a . Yelne f . Akhavan Niaki,和s Pilla混合金属板料成形过程的数值模拟和注塑使用平滑粒子流体动力学方法,2019年。
- s . Farahani a . f . Arezoodar b . m . Dariani和s . Pilla”分析模型nonhydrostatic板料胀形过程通过聚合物熔体压力,”制造科学与工程杂志》上,卷140,不。9日,2018年。视图:谷歌学术搜索
- 美国Farahani h .喀山,s . Pilla过程参数对渗透率的影响混合单枪制造碳纤维/环氧-聚丙烯结构,2019年。
- f .阴h .毛l .华w·郭和m .蜀”翘曲预测反向传播神经网络建模和优化的塑料制品注射成型过程中,“材料和腐蚀,32卷,不。4、1844 - 1850年,2011页。视图:出版商的网站|谷歌学术搜索
- k . Deb, A .普拉塔普,美国阿加瓦尔和t . Meyarivan”一个快速和精英多目标遗传算法:NSGA-II,”IEEE进化计算》第六卷,没有。2、182 - 197年,2002页。视图:出版商的网站|谷歌学术搜索
- 比赛当天艳阳高照,非线性多目标优化Birkhauser 1 - 1999。
- 大肠Zitzler l·蒂埃尔,“使用进化多目标优化算法,比较案例研究,”程序并行解决问题国际会议的性质卷,1498年,第301 - 292页,1998年。视图:谷歌学术搜索
- h . Oktem t Erzurumlu, i Uzman”应用田口方法在确定注塑成型工艺参数优化技术薄壳的一部分,”材料和腐蚀,28卷,不。4、1271 - 1278年,2007页。视图:出版商的网站|谷歌学术搜索
- t .日式矿工鞋,a . Suplicz f·萨博et al .,“分析注塑缺陷造成的痕迹,“表达聚合物字母,9卷,不。4、394 - 400年,2015页。视图:出版商的网站|谷歌学术搜索
- 诉狮子座和c . Cuvelliez”包装的影响参数,几何,和模具弹性模制品的最终尺寸,”高分子材料工程与科学,36卷,不。15日,第1971 - 1961页,1996年。视图:出版商的网站|谷歌学术搜索
- p . j . Dobransky男爵,m . KoČiško l . BĚhalek和e . Vojnova”解决萧条塑料成型生产过程中形成的,“Metalurgija,54卷,不。3、496 - 498年,2015页。视图:谷歌学术搜索
- m . Wegrzyn o . Sahuquillo a . Benedito和大肠,“形态、力学性能和nanoindentation注塑PC / ABS-MWCNT纳米复合材料的行为,”应用聚合物科学杂志》上,卷132,不。22日,2015年。视图:谷歌学术搜索
- t . Erzurumlu和b . Ozcelik带领最小化射出成型热塑性塑料零件的翘曲和水槽指数使用田口方法优化方法,”材料和腐蚀,27卷,不。10日,853 - 861年,2006页。视图:出版商的网站|谷歌学术搜索
版权
版权©2019市志元et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。
