优化注塑工艺参数控制体重:将优化问题转化为分类问题

文摘

产品重量是最重要的属性之一的射出成型部分。工艺参数的确定,为获得准确的重量是至关重要的。本研究提出了一种新的优化策略对注塑成型过程的参数优化问题转化为一个重量分类问题。射出成型零件的生产在不同参数和标记为积极或消极与标准体重相比,并计算每个样本的重量误差。支持向量分类器(SVC)方法应用于建立一个分类超平面的重量误差应该是零。粒子群优化(PSO)算法导致的调优hyperparameters SVC模型以最小化之间的误差SVC的预测结果和实验结果。验证该方法是非常准确的,和它的平均重量误差是0.0212%。这种方法只需要少量的实验样本,从而可以减少成本和时间。这种方法有可能成为广泛推广于注塑成型工艺参数的优化。

1。介绍

注塑被认为是最重要的方法大规模生产塑料部件(1- - - - - -4),它是复杂的,因为陡峭的热梯度和复杂的流几何图形;许多研究都是在这一领域进行(5- - - - - -10]。一个塑料的产品重量部分被认为是最重要的属性之一,尤其是塑料零件的高精度要求,如塑料镜片。产品重量冲击强度等可以反映其他质量属性。(11]。控制体重也对制造商的商业利益,因为它降低了材料的成本在大规模生产12]。因此,体重控制产品在注塑是一个至关重要的问题。

为一个特定的材料和产品,工艺参数是最重要的影响因素产品重量,和许多研究已经进行了探索过程参数和产品重量之间的关系。哈桑(13)确定产品重量与包装有正相关的压力。洛佩兹et al。14)实验设计(DOE)方法应用于探索具有不同几何参数对产品的影响。杨和高11]发现设置压力包装,桶温度和模具温度对产品重量有最重要的影响。因此,它是至关重要的,选择最佳工艺参数之前,部分是模制。然而,选择最佳工艺参数的过程仍然具有挑战性。大多数参数相互耦合,因此很难建立一个精确的数学模型。传统的参数优化方法是一种低效率的试错过程根据个人的经验,和它不适合复杂的塑料部件15]。

因为这些挑战,研究人员已经进行了许多研究探索的方法以优化注塑成型参数。实验设计(DOE),如田口方法,应用于提高制成品的质量通过分析信噪比(S / N)率和方差分析(方差分析)16- - - - - -21]。田口方法不适合本研究的问题因为工艺参数是连续的。因此,田口方法无法协助技术人员获得最优工艺参数(22]。能源部方法还要求技术人员理解数据和实验计划(注塑成型过程23]。因为能源部方法的缺点,研究者提出新的优化方法运用代理模型,如人工神经网络(ANN) [24),和迭代的方法,如遗传算法(GA) [25,26]。徐et al。27)开发了一种反向传播神经网络模型结合粒子群优化(PSO)绘制工艺参数之间的复杂非线性关系,产品的力学性能。陈等人。28应用反向传播神经网络,遗传算法,和工程优化概念达到质量和成本的竞争优势。然而,定义结构的神经网络是一个耗时的过程由于缺少统一的结构。技术人员需要确定网络的层数和节点,节点之间的连接关系。此外,保证准确性,安通常需要大量的实验样本,这在实践中很难获得。

在这项研究中,优化目标是生成的最优产品的成型工艺参数标准体重。因为模制产品的重量或正面或负面的错误,优化问题可以转化为一个分类问题。支持向量机(SVM)方法已经广泛应用于分类问题,如分离缺陷和无缺陷的产品。于(29日]应用支持向量机和DOE方法预测过程窗口确保健壮的、高质量的注入模型。高(30.)提出了一个使用SVM方法来优化工艺参数,可以提供比传统方法更稳定的产品质量。Shin et al。31日)指出,支持向量机通常具有更好的准确性比安作为数据的大小减少。由于支持向量机的优点,本研究提出了一种使用支持向量机分类器模型的方法,称为支持向量分类器(SVC),构建一个超平面分离产品比标准体重较重或轻。最优工艺参数被假定是位于超平面由SVC模型。建立一个SVC模型,粒子群优化(PSO)算法应用于改善SVC模型调优hyperparameters为了最小化误差实验结果与SVC的预测价值。本文的大纲如下:部分2介绍了该优化方法的实现过程和关键算法。在部分3和4塑料镜片的案例进行了算法验证。在上一节提供的结论。

2。方法的实现

提出了优化方法的实现过程中描述部分2。1。部分2。2详细说明了SVC算法和调优方法介绍了SVC使用PSO的hyperparameters部分2。3。

2.1。实施程序

标准体重的塑料产品成型之前是由技术人员。产品的重量可以视为一个注塑成型过程中工艺参数的函数。每个实验样本在不同工艺参数下可能比标准体重较重或轻,因此可以贴上一个正样本(重)或负样本(轻)。所需产品的成型参数的标准体重应该位于成型参数之间的积极的和消极的样本。因此,本研究打算寻找参数分类边界之间的积极和消极类,如图1。样品的重量误差越大,越远的点是边界和边界上的点对应于一个零权错误。

在这项研究中,一个SVC模型是用来分类产品的重量。不同工艺参数下产品射出成型和体重。这些产品贴上或正面或负面样本,并采用SVC的训练数据。如图1SVC构造一个最大边际超平面,也被称为分类边界,将正负样本。样本之间的距离和重量超平面对应错误。最优参数应该位于训练SVC模型的超平面。由于线性不可分的问题,需要SVC模型的进一步的修改,包括核函数的选择和计算(32),以及决心的松弛变量33]。数学原理进行了说明2。2在细节。内核参数的松弛变量的内核函数和惩罚参数对SVC的性能有很大的影响模型。这些hyperparameters SVC的确定,因此意义重大。在这项研究中,采用粒子群优化(PSO)的方法。该方法的实现过程可以概括如下:步骤1:初始化参数范围。选择成型参数,然后将他们最初的范围。初始参数的范围应该覆盖所有可行的参数。第二步:执行实验。在每个工艺参数进行实验。然后,评价实验结果通过比较产品重量与标准重量。步骤3:火车SVC模型。这些样品标签,准备SVC的数据集。选择合适的核函数,训练SVC与样本数据。第四步:优化SVC hyperparameters。将算法应用于确定hyperparameters。一个超平面,将体重不足和超重可以获得样品。最优工艺参数是超平面位于。第五步:执行验证实验。

2.2。支持向量分类器算法

支持向量分类器是一种基于统计学习理论的机器学习算法。它最小化结构风险和提高泛化能力的学习机器。一个分类的目标是估计一个函数使用训练数据 ,在哪里 的矩阵在这个研究和工艺参数 是标签,表明产品是否比标准体重较重或轻。

考虑线性情况如图1,分类函数可以写成 在哪里是一个法向量,是拦截。当 , 是一个点位于超平面。对所有点满足 ,相应的标签−1,点满足吗 ,相应的标签是1。也可以写成

两个类之间的差距

此外,目标是找到超平面,使利润最大。为了使数学,最大化等于最小化 。因此,优化问题

因为线性不可分的数据集,必须采用核函数将数据(输入空间)映射到一个高维空间(空间)的特性,可以构造一个线性分离超平面。一个内核在训练中常用的非线性svc的高斯核函数将数据映射到一个无限维的空间。两个样本的高斯内核和被定义为 在哪里代表高斯函数的宽度和高度。

虽然线性分离的概率增加了通过引入核函数,仍然很难处理噪声数据集。噪声数据,也被称为“离群值”,对SVC模型有很大的影响,尤其是当异常值成为支持向量。的松弛变量因此介绍了。考虑离群值后,方程的约束条件(4)是

松弛变量意味着离群值的准确分类是放弃了,这是一个额外的损失分类器,应该添加到目标函数中。因此,优化问题 在哪里是惩罚参数,它是指SVC的敏感性模型离群值。每个样本之间的重量误差和标准体重可以计算,这意味着每个样本都应该有不同的惩罚参数。越远的样品标准,越强调SVC应该把样本,这意味着惩罚参数对于此示例应该更大。出于这个原因,我们应该修改对每个样本根据自身重量错误。惩罚参数的行列式如下:第一,扩大的价值到一个矩阵,然后计算更新后的惩罚参数矩阵作为 在哪里是一个矩阵的重量误差样品和“”的外延是离散的乘法。从方程(7),它可以清楚地看到,它是一个线性约束的凸优化问题。最后的优化目标 在哪里是一个负的拉格朗日乘子, 是内核函数,见方程(5)。

应该注意的是,一个SVC模型的性能很大程度上取决于参数和 。参数确定每个支持向量的势力范围。一个大的价值有利于支持向量的情况只影响附近的区域,从而导致高模型的方差和过度拟合。参数控制实现较低的训练误差之间的权衡和看不见的数据概括模型的能力。由于缺乏先验知识的选择参数,某些类型的模型选择(参数搜索)必须进行。提出了几种方法,如K-folder交叉验证(34)和网格搜索(35]。K-folder交叉验证通常是结合网格搜索方法的参数评估。通过这种方法,可以修改hyperparameters改善模型的分类精度。然而,这一标准只适用于一个模型与大量的样本。因为小数据集在这项研究中,一个新的标准修改SVC模型必须提出。

2.3。测定SVC Hyperparameters使用粒子群优化

粒子群优化是一种算法,模拟一群鸟类的觅食行为。基本的想法是找到最优解通过个体之间的协作和信息共享。一群粒子(候选解决方案)是解空间中随机初始化。每个粒子计算通过计算它的健身价值。然后通过迭代找到最优解决方案。在每次迭代中,粒子更新自己的速度和位置跟踪””(最著名的位置目前个人)和“”(最著名的位置目前集团)。粒子的更新公式 可以写成 在哪里和粒子的速度和位置,分别是一个随机值之间 , 和正在学习因素,在正常情况下, ,和被称为惯性权重因子。为了达到更好的融合,将线性减少迭代: 在哪里是每次迭代的惯性权重,和最小和最大惯性权重,分别是设置为0.2和0.6在这项研究中,然后呢是指当前迭代步骤。通过应用一个线性减少,粒子可以快速收敛到近似最优解,步长开始,然后收敛于精确解与一小步的大小。

在这项研究中,算法应用于改善SVC模型的准确性通过确定其hyperparameters。运用PSO在这个优化问题的关键是构建一个适当的适应度函数。为了获得最精确的结果,SVC的预测价值应该从实验一样的实际价值。通过调优的hyperparameters SVC模型,超平面的位置可以修改。因此,超平面之间的距离和样品尽可能接近实际重量误差。粒子的适应度的计算 在哪里是归一化向量样本和超平面之间的距离归一化向量的产品重量是错误。和计算了

通过算法,收敛于所有粒子位置的健身价值降低到最低限度。最优位置对应修改hyperparameters SVC的组合。通过这种方法,参数和可以计算。

3所示。实验设计

验证了该方法的准确性,提出了一个实验使用塑料镜片在这一节中。高精度电子注塑机器,Zhafir VE400 (Zhafir塑料机械GmbH,中国),采用在这项研究中,如图2(一个)。注塑模具和模制塑料镜片图所示2 (b)和图2 (c),分别。一个镜头直径30毫米,最大厚度为2毫米。在这项研究中使用的树脂聚(甲基丙烯酸甲酯)(PMMA, HT55X由Sumipex,日本(36])。权衡产品,电子天平FA2004(上海阳光明媚的结果科学仪器有限公司,中国)使用,测量精度是0.0001克(见图2)。

许多工艺参数对产品重量有很大影响,包括压力包装,包装时间、注射压力、注射时间,注入温度。这些参数的影响取决于树脂的类型(13和产品的结构14]。根据杨,哈桑和洛佩兹11- - - - - -14包装),注射温度和压力是最重要的两个参数影响产品重量。更清楚地表明优化结果的目的,本研究只选择这两个参数作为优化变量。注射温度的初始范围分为4个水平,即235°C, 245°C, 255°C,和265°C,根据提供的推荐温度材料供应商。相对压力的包装范围广泛,从70 MPa - 120 MPa的增量10 MPa,作为初始设置范围。随后,总数为24注塑与不同的工艺参数进行了分析。获得实验样本后,所有的跑步者将被删除,因为额外的重量塑料跑步者并不担心在这个研究。只有一个样品的四个镜头加权。四个镜头的总标准体重8.16克。实验结果如以下部分所示。

4所示。结果和验证

4.1。实验结果

产品重量条件下的每一个过程参数提出了表1和图3。一个积极的重量误差值表示产品重量比标准的价值大,反之亦然。

从实验结果中,我们可以观察到,产品重量有正相关包装压力和注入温度。这一现象Hamdy同意与研究[13和杨和高11]。由于高粘度,PMMA流动性很差的熔体粘度注入温度很敏感。PMMA熔体的流动性提高了注射温度的增加,从而导致更多的塑料熔体流入模具。此外,熔体快速凝固由于小产品的厚度。当注射温度较高,达到增加凝固的时间。因此,更多的融化在长时间穿过大门。包装压力增加,更多的材料可以挤进腔在包装阶段。

SVC是一个监督机器学习模型,必须标记的数据集。在这项研究中,我们把所有的负1标签+ 1标签和积极的价值观。两个关键参数(和 )SVC的优化算法,收敛过程如图4。从算法的结果,SVC模型决定的性能是最好的和 。的超平面将超重和体重不足样品表现出图5;每个点表示一个实验样本,点的大小对应于重量误差的大小。产品重量在过程参数位于超平面应该等于8.16克的标准体重。

4.2。验证

为了评估该方法得到的超平面,一组验证实验。验证实验方案见图6。点a0, a1, a2,…, a8, b1和b2代表不同的注塑成型工艺参数。

验证单点位于超平面是最好的参数组合中其他点,中心点(a0)包装95 MPa的压力和注射温度选择248°C的验证点。一系列的实验(a1, a2, a3、a4)是第一个进行固定包装95 MPa的压力和不同注入温度从242°C到254°C的增量3°C。然后,几个实验(a5、a6、a7和a8)进行固定注入温度为248°C和不同包装压力从89 MPa 101 MPa的增量3 MPa。总共9组实验进行。对于每个参数组合,30产品成型和体重。图中提供的结果7和数据表中列出2和3。虽然有波动在注塑成型过程中,优化参数下的产品重量是最接近标准体重。平均重量误差可以达到0.0212%,比任何其他参数组合。

在超平面上一个点的情况下被称为最优参数集,第二步是确认超平面上的其他点也是可行的。实验在两个超平面上的其他参数组合(b1: 85 MPa / 252.5°C和b2: 105 MPa / 244.8°C)。他们的重量是8.1645克和8.1634克,分别给出了图的结果8。我们可以假定产品重量在超平面上的其他参数也接近标准体重。其他可行的工艺参数提供更多的选择,所以技术人员可以选择最适合当前产品的参数根据产品结构和树脂的类型。

5。结论

本研究提出了一种新的方法来优化工艺参数与一个标准的模具产品重量。参数优化问题转化为分类问题根据重量样品是否比标准体重较重或轻。支持向量分类器和粒子群优化算法来构造分类超平面,采用分离样品。介绍了分类模型的新准则以提高准确性。产品重量在参数设置位于以下分类超平面应该是一样的标准体重。基于这一研究获得的结果,可以得出以下结论:(1)产品重量下优化参数很接近标准体重。实验结果表明,重量误差可以达到0.0212%。从SVC获得超平面有一个高水平的通信验证结果。(2)将一个优化问题转化为分类问题的想法被证明是有用的工艺参数优化。(3)分类模型的准确性可以通过应用改进算法提出了研究方法和标准。 (4) In contrast to the shortcomings in the traditional Taguchi method, this approach for the optimization of process parameters can deal with the situation in which the process parameters are continuous and nonlinear. In general, the proposed method has the advantages of a small data set requirement, high accuracy, and the ability to deal with nonlinear problems.

正在进行的研究将解决以下问题:(1)将这种方法应用到多个参数优化问题;(2)驱动数学模型来设计算法来确定过程的工具窗口;(3)促进其他参数优化问题的方法对于其他聚合物加工技术,如挤压成型和吹塑。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

作者要感谢金融支持中国浙江省自然科学基金(没有。LZ18E050002),浙江省的主要研究和开发计划(2020号c01113)和中国国家自然科学基金委员会(51875519号和51635006号)。

引用

1. h .周注射成型的计算机建模新泽西州霍博肯市约翰·威利& Sons,美国,2013年。
2. 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
3. j .姚明,“回顾当前的发展过程和质量控制注塑、”聚合物技术的进步,24卷,不。3、165 - 182年,2010页。视图:谷歌学术搜索
4. c·费尔南德斯,a . j .连接部分维亚纳j . c和a . Gaspar-Cunha“注塑成型过程的建模与优化:一个评论,”聚合物技术的进步,37卷,不。2、429 - 449年,2018页。视图:出版商的网站|谷歌学术搜索
5. 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
6. g .山”,聚合物熔体的流动特性在纵向超声检测辅助显微镜下注射成型,”高分子材料工程与科学卷,57号8,797 - 805年,2017页。视图:谷歌学术搜索
7. p . j . Zhang赵,y赵,j .黄n .夏和j .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
8. 夏n, p .赵,j .谢张j .傅和L.-S。Turng”,通过磁力悬浮聚合物样品缺陷诊断,”无损检测& E国际卷,100年,第182 - 175页,2018年。视图:出版商的网站|谷歌学术搜索
9. n, p .赵、旷t、y赵,j . Zhang和j .傅“无损层厚度的测量水辅助coinjection-molded产品通过超声波技术,”应用聚合物科学杂志》上,卷135,不。33岁,46540年,页2018。视图:出版商的网站|谷歌学术搜索
10. c·费尔南德斯,a . j .连接部分维亚纳j . c . j . m . Nobrega和a . Gaspar-Cunha”建模的塑炼注塑实验评估,”国际聚合物加工卷,29号5,558 - 569年,2014页。视图:出版商的网站|谷歌学术搜索
11. y杨和f·高注塑产品重量:在线预测和控制基于非线性主成分回归模型,”高分子材料工程与科学,46卷,不。4、540 - 548年,2006页。视图:出版商的网站|谷歌学术搜索
12. m·r·卡马尔a . e .万利拉,i帕特森,“控制部分的重量在无定形热塑性塑料注塑,”高分子材料工程与科学,39卷,不。5,940 - 952年,1999页。视图:出版商的网站|谷歌学术搜索
13. h·哈桑,”一位实验工作的影响注塑参数对腔压力和产品重量、”国际先进制造技术杂志》上,卷67,不。1 - 4、675 - 686年,2013页。视图:出版商的网站|谷歌学术搜索
14. a·洛佩兹,j .爱莎,a·马丁内斯和d·梅尔卡多”注塑参数对体重影响质量应用程序通过能源部的复杂部分:案例研究中,“测量卷,90年,第356 - 349页,2016年。视图:出版商的网站|谷歌学术搜索
15. h .高,张y、x周和d,“聪明的注塑成型工艺参数确定的方法,”机械工程的前沿,13卷,不。1,第95 - 85页,2018。视图:出版商的网站|谷歌学术搜索
16. m·d·Azaman s·m·Sapuan s Sulaiman e . s . Zainudin和a . Khalina”优化和数值模拟分析成型薄壁零件制造用木浆通过塑料注塑聚丙烯复合材料,”高分子材料工程与科学,55卷,不。5,1082 - 1095年,2015页。视图:出版商的网站|谷歌学术搜索
17. m·曹f .顾c . Rao j .傅和p .赵,“改善制造的电纺的过程nanofibrous膜过滤PM2.5,”科学的环境卷,666年,第1021 - 1011页,2019年。视图:出版商的网站|谷歌学术搜索
18. 顾p .赵m .曹h . et al .,”研究实际上电纺发泡过程制造三维组织工程支架,”应用聚合物科学杂志》上,卷135,不。46,46898年,页2018。视图:出版商的网站|谷歌学术搜索
19. 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,”材料和设计,28卷,不。4、1271 - 1278年,2007页。视图:出版商的网站|谷歌学术搜索
20. x Sanchez-Sanchez、a . Elias-Zuniga和m . Hernandez-Avila”处理超声波超高分子量聚乙烯/石墨复合材料的注塑:田口方法优化,“超声波声化学,44卷,第358 - 350页,2018年。视图:出版商的网站|谷歌学术搜索
21. j .赵和g .程”,一个创新surrogate-based搜索方法减少翘曲和注塑周期时间,“聚合物技术的进步,35卷,不。3、288 - 297年,2016页。视图:出版商的网站|谷歌学术搜索
22. C.-T。苏和h。常,“优化参数设计:一个聪明的方法利用神经网络和模拟退火,”国际系统科学杂志》上没有,卷。31日。12日,第1549 - 1543页,2000年。视图:出版商的网站|谷歌学术搜索
23. s . l . Mok c . k .邝,w . s .刘”审查研究塑料注塑工艺参数的确定,”聚合物技术的进步,18卷,不。3、225 - 236年,1999页。视图:出版商的网站|谷歌学术搜索
24. 观测。陈和d . Kurniawan”过程参数优化多个质量特性使用田口方法在塑料注塑,摘要,遗传算法,混合PSO-GA,”国际期刊的精密工程和制造业,15卷,不。8,1583 - 1593年,2014页。视图:出版商的网站|谷歌学术搜索
25. c·费尔南德斯,a . j .连接部分维亚纳j . c和a . Gaspar-Cunha”使用多目标进化算法的优化操作条件的聚合物注射成型,”高分子材料工程与科学,50卷,不。8,1667 - 1678年,2010页。视图:出版商的网站|谷歌学术搜索
26. c·费尔南德斯,a . j .连接部分维亚纳j . c和a . Gaspar-Cunha”使用多目标进化算法优化聚合物注射成型,冷却系统的“国际聚合物加工,27卷,不。2、213 - 223年,2012页。视图:出版商的网站|谷歌学术搜索
27. y徐、张问:w·张,张平,“优化注塑工艺参数改善聚合物产品的力学性能影响,”国际先进制造技术杂志》上,卷76,不。9 - 12,2199 - 2208年,2015页。视图:出版商的网站|谷歌学术搜索
28. 观测。陈,G.-L。傅,林志信。大,W.-J。邓,”工艺参数优化。文中通过软计算塑料注塑,”专家系统与应用程序,36卷,不。2,第1部分,1114 - 1122年,2009页。视图:出版商的网站|谷歌学术搜索
29. 美国,“离线预测过程windows健壮的注塑,”应用聚合物科学杂志》上,卷131,不。18日,2014年。视图:出版商的网站|谷歌学术搜索
30. h·高,“工艺参数的优化使用小说分类模型,用于塑料注射成型,”国际先进制造技术杂志》上,卷94,不。1 - 4、357 - 370年,2018页。视图:出版商的网站|谷歌学术搜索
31. K.-S。Shin t·s·李,周宏儒。金”,应用支持向量机在破产预测模型中,“专家系统与应用程序,28卷,不。1,第135 - 127页,2005。视图:出版商的网站|谷歌学术搜索
32. b·e·波沙i m·盖恩,v . n . Vapnik“训练分类器算法最优利润,”《第五届研讨会上计算学习理论ACM,宾夕法尼亚州匹兹堡,美国,1992年7月。视图:出版商的网站|谷歌学术搜索
33. c·科尔特斯和诉Vapnik支持向量网络。”机器学习,20卷,不。3、273 - 297年,1995页。视图:出版商的网站|谷歌学术搜索
34. k .段s s Keerthi, a . n .粪便”简单的性能优化SVM hyperparameters措施评估,”Neurocomputing卷,51 41-59,2003页。视图:出版商的网站|谷歌学术搜索
35. f·弗里德里希·c·伊格尔,“进化优化多个支持向量机的参数,Neurocomputing卷,64年,第117 - 107页,2005年。视图:出版商的网站|谷歌学术搜索
36. 有限公司,S.C.A.P. PMMA / MMA,https://www.sumitomo-chem.com.sg/petrochemicals-plastics/pmma-mma/。

版权

版权©2020彭赵等。这是一个开放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。