对注塑成型工艺参数优化的一般框架(翻译)

西南交通大学

本科毕业设计论文翻译

对注塑成型工艺参数优化的一般框架

年级:2010级

学号:20101476

姓名:段威力

专业:机械设计制造及其自动化

指导老师:罗征志

2014 年 3 月

第1章前言

成型条件和工艺参数在注塑成型工艺中起着重要角色。模塑部分的质量包括：受力、热变形和残余应力，很大程度上受注塑工艺进程的条件状况影响。成型条件也会影响注塑工艺的生产率、生产周期和资源消耗率。成型条件与其他一些决定塑料产品的因素也有密切关系，如材料、零件的设计和加工等。成型条件主要包括以下几个因素[1]：熔点、浇铸温度、填充时间、填料时间和填充压力。

指定模型零件的质量不仅取决于塑料材料特性同时取决于公益参数。最佳工艺参数可以生产周期，提高产品质量。在实际生产中，工艺参数的设定主要取决于工程师的经验。这种方法不能一直确保工艺参数适当的价值。由于塑料具有复杂的热塑性，设定工艺参数获得想要的产品质量是一个挑战。最终，工艺参数往往从工具书中选取，随后通过反复试验法调整。但是，事实上反复试验法耗时耗力。

对于分析法，为了得到合适的工艺参数需要陈列大量的数学方程[2]。但是，由于复杂的注塑工艺，而方程中又应用了很多简化，这些方程并不能总是达到一个可靠的解决方案。因此，很多研究者投入了大量精力研究注塑成型工艺参数的优化。

尽管目前有大量的文献注塑模工艺参数的优化，但是很多都是理论上的可行，没法投入到实际生产中。因此，并没有对着这些优化方法的适用范围以及优缺点的系统地比较和评估。优化方法的选择主要取决于每位作者的经验和主管选择。甚至，分析现有有话方法的特点和适用范围都是很有意义的任务。因此，寻求合适的一般框架简化注塑成型工艺参数设定是很有必要的。

第2章理论背景和现有注塑模型工艺参数优化

的调查

2.1 优化技术

如果我们对现有的数值优化技术通过基于每次迭代后改进设计点的方式进行分类，有三种优化技术：非基于梯度的优化技术、基于梯度的优化技术和混合优化技术。对他们的大致描述如下：

非基于梯度的优化技术不需要目标函数f(x)，具有可区分性，因为这类算法中没有f(x)的微分方程。非基于梯度的优化技术的例子有自适应模拟退火法(adaptive simulatedannealing,)、胡克-纪夫斯直接搜索法（Hooke-Jeeves direct search）以及遗传算法(genetic algorithm, 以下简称GA)。这些优化方法旨在寻求整体的最佳效果，但是需要大量的函数估计。GA是一个比较著名的非基于梯度的优化技术。它是一个模仿达尔文生物进化论的随机研究或者最优化算法

基于梯度的优化技术现阶段主要通过功能梯度来定义调查方向。在实际生产中，有很多的基于梯度的优化技术，例如广义简约梯度、共轭梯度、可行方向法、混合整数优化、序列线性规划、序列二次规划、和大卫-弗莱彻-鲍威尔法。一般而言，基于梯度的优化技术可以给出一个快速集合，但是当变量增长是可能需要长时间运行。基于梯度的优化技术也可以得到高非线性最优化问题的局部风险极值。

混合优化技术同时使用非基于梯度和梯度为基础的技术随后的结合，利用了双方的优点，同时减少单优化技术的缺点。上文所述的这些优化技术都不在本文讨论范围内。

2.2 一般优化法

在本文的优化方法，不论显性目标函数是否用公式表示出，均为术语的优化方法。在基于模拟的优化中，目标函数通常以隐式方程的形式显示。在模拟结果得出以前，目标函数的价值是不明显的。如图1所示，有直接优化和基于元模型的两种优化方法来解决优化问题。这两种优化方法的细节描述如下。

2.2.1直接优化法

直接优化法是一种不需要明确的目标函数的优化方法。非基于梯度的优化技术和基于梯度的优化技术都可以用来解决优化问题。有时直接优化法结合了GA和其他优化方法。众所周知，遗传算法更倾向于得到整体的极值。但是这种方法需要大量的函数估计。相反，基于梯度的优化方法更有效的确保得到局部极值。如果这两种方法可以结合作为一个混合系统，便可以强化优势，消除劣势。

2.2.2 基于元模型的优化法

元模型为基础的优化方法是一种方法，此方法的目标函数经常通过低阶多项式近似成具有可接受的精度的显式形式。一旦元模型在数学上呈现具有最小误差的过程，最优化问题是很容易通过施加适当的优化技术解决。相比于直接优化法，元模型为基础的优化方法应用更广泛。常见的元模型是响应面法（RSM），人工神经网络（ANN），径向基函数（RBF），克里格(Kriging)和混合模式。基于计算机工程设计和优化技术的元建模的审查，可以在辛普森等的调查[3]和Wang和Shan的成果[4]中找到。这种优化方法有很多的优点，例如易于连接模拟程序，渲染整个设计空间的视图以及计算效率，对此Papalambros[5]，Wang和Shan[4]以及Park和Dang[4]有提及。

2.3 注塑成型工艺参数优化的回顾

在注塑成型工艺中直接优化法是不经常使用的。这种方法需要模拟工具和优化代码的复杂结合。部分学者已经研究过这种方法。拉姆（Lam）等[7]提出了注塑模工艺条件

优化GA/梯度混合法。GA优化方法需要大量估值函数或者大量的模拟循环。当许多计算机同时运行时并行计算可以减少模拟次数。吴（Wu）等人采用了增强型的GA，简称分布多种群GA。他们把优化算法、商业软件Moldflow与基于优势关系的约束处理技术以及主从分布式体系结构相结合[8]。直接优化法也可以只应用基于梯度的优化方法。当优化问题具有较低非线性是，这种方法运行更加迅速。

元模型优化方法广泛的应用在注塑模工艺中。大多数普通的元模型优化方法应用广泛，如RSM，ANN，RBF和Kriging模型。元模型优化方法的应用主要取依靠特别案例和研究人员的喜好。以下是常见的优化方法在塑料注塑成型领域文献中出现。

2.3.1 响应面法（RSM）模型

RSM模型是元模型技术之一，RSM模型中输入和输出之间的关系经常被表示为二次多项式的形式。尽管这是传统的模型，但因为它的成熟完备和应用简单的特点仍然应用广泛。在这种方法中正交阵列被应用作实验设计（Design of Experiment, DOE）。 RSM 是用来与GA优化算法结合使用，以减少翘曲，凹痕或收缩[9]。实际上，我们可以使用任何优化技术来解决RSM模型方面的优化问题。但是，大多数研究人员都应用GA，因为他们认为GA是整体通用的。GA可以避免局部极值困扰。其他作者采用RSM与基于梯度的优化技术相结合，或者他们应用RSM模型来预测工艺参数对模型零件的影响[11，14-17]。

2.3.2人工神经网络（ANN）模型

人工神经网络是一种新兴的、用来模仿人类大脑一些基本功能的方法，因为它是一种功能强大工具，通过函数逼近预测的高非线性响应。很多作者把ANN模型作为表示工艺参数和质量指数之间关系的预测模型。Kwak等[18]、Yarlagadda和TeckKhong[19]以及Yarlagadda[20]指出，利用CAE分析提取数据学习的神经网络预测与实验结果吻合。Kenig等[21]、Mok和Kwong[22]、Chen等[23]以及Altan[24]指出，神经网络模型能够精确地预测了产品质量，并且这种方法是可用的高效的质量标准（收缩、重量抗拉强度）预测工具。人工神经网络被认为是一种可靠的模型，用以预测工艺参数和模型零件质量的关系。基于这种模糊关系工艺参数优化可以就此解决。

人工神经网络更适合与GA结合应用。Shen等[25]优化了注塑成型工艺参数中使用的人工神经网络和GA相结合的方法。Chen等[26, 27]通过带有对ANN和GA的软计算对工艺参数优化，实现多输入多输出（multi-input multi-output, MIMO)