论文部分内容阅读
在注塑成型过程中,工艺参数是决定制品质量的重要因素。成型过程中由于外界扰动的影响,难以保证制品质量的稳定性。因此,对成型过程进行控制,提高加工变量的稳定性以生产出高质量的制品具有重要的意义。由于成型过程中在线测量制品的质量状态非常困难,因为判断制品质量(如检查制品表面质量和测量尺寸等)需要很长的时间。而在线测量要求在短时间内能快速判断制品质量。为了解决这个问题,需要间接监控工艺参数,在制品质量指标和间接控制参数的关系确定后,利用控制工艺参数即可在线确定质量状态而不用再测量制品尺寸或检测表面质量。本文以注塑过程工艺参数为对象进行动态建模,基于动态规则和经验规则进行工艺参数的在线调控,使产品的成型处于最优状态,为降低废品率,提高塑料件质量提供了一个更接近应用实际的注塑工艺参数控制模型。论文的主要工作包括:1、基于遗传神经网络的实验建模:采用遗传神经网络技术建立关键注塑工艺参数和制品质量指标之间的工艺模型,解决了由于注塑工艺参数和注塑件质量之间难以用量化公式表征的复杂非线性关系而引起的建模技术难题。该工艺模型称为制品质量指标预测器,可以根据输入的工艺参数预测制品的质量指标。为获得神经网络模型的训练数据,按照正交试验表在注射机上安排试验,研究四水平的关键注塑工艺参数(熔体温度,注射压力、注射速度、模具温度)对注塑制品质量指标的影响。在正交表试验的基础上根据实际需要增加了四组追加试验。通过极差分析技术对各因素的显著度进行排序,作为制定参数调整顺序(即动态规则)的依据。2、遗传神经网络方法研究:将遗传算法和BP算法结合,可以克服普通神经网络运算速度和全局寻优能力难以兼顾的缺陷。遗传算法能很快的确定全局最优解所在的区域,却不能很快得到最优解。BP算法有相对较强的局部搜索能力,但是收敛速度慢。因此将遗传算法和BP算法结合可以相互取长补短。本文详细讨论了遗传神经网络方法的关键技术,并给出了相应的程序代码。3、验证试验方法研究:设计了十六组验证试验,较好地解决了如何对遗传神经网络模型的准确性和泛化能力进行验证的技术问题。4、工艺参数在线调控方法研究:基于离线训练好的遗传神经网络建立工艺参数控制模型,在实际生产中该模型可以用于制品质量的实时控制。通过研究专家知识和经验知识,确定工艺参数调整方向和步长(即经验规则)。在成型过程中,当系统检测到关键注塑工艺参数改变并超出限定范围时,启动制品质量指标预测器进行质量指标预测,如果质量指标超出允差范围,启动基于动态规则和经验规则的工艺参数调整程序,确定新的成型过程参数,使产品总是保持在所要求的质量范围内。本文提出的制品质量遗传神经网络模型通过操作简捷的建模和高效的网络学习,能准确的反映注塑工艺参数和制品质量指标之间的变化关系,能自适应各种加工条件,具有较高的柔性和智能,可以应用于制品质量预测、工艺优化和制品质量控制,实用性强。制品质量控制是由上一个成型周期制品质量属性确定下一成型周期的机器输入,调节机器设置并保持这一状态以生产出一致、合格的产品。本文提出的工艺参数控制模型以质量指标的预测值为质量反馈,可以对熔体在型腔内的状态进行监控,实现制品质量的闭环控制。这项技术的实现将会大大提高制品的质量和质量的一致性,满足社会对注塑制品质量及性能的更高要求,具有很高的实用价值。