[发明专利]一种基于支持向量机和粒子群算法的注塑工艺优化方法

权利要求书

1.一种基于支持向量机和粒子群算法的注塑工艺优化方法，其特征在于，是通过遗传算法(GA)优化支持向量机(SVM)参数并结合粒子群算法(PSO)寻优最佳工艺参数的方法，首先根据注塑产品的具体生产情况和质量指标选择工艺参数作为影响因素设计均匀试验；其次将均匀试验数据分为训练数据和测试数据，利用遗传算法优化支持向量机模型参数并构建支持向量机模型，得到注塑工艺参数与质量指标之间的非线性映射关系；最后结合粒子群算法优化工艺参数获得最佳工艺参数。

2.根据权利要求1所述的基于支持向量机和粒子群算法的注塑工艺优化方法，其特征在于，设计均匀试验时，在确定各影响因素和优化目标后，根据各影响因素的变化范围进行水平划分设计混合水平均匀试验表，生成混合均匀试验表后，通过Moldflow软件模拟出各影响因素在不同水平下注塑件翘曲量的大小，然后建立回归模型进行回归分析，获得塑件翘曲量最小的工艺参数作为验证指标。

3.根据权利要求2所述的基于支持向量机和粒子群算法的注塑工艺优化方法，其特征在于，混合水平均匀试验表为：

式中n为试验次数，t₁，t₂，t₃为列的水平数，q₁，q₂，q₃分别是水平数为t₁，t₂，t₃的列的数目。

4.根据权利要求2所述的基于支持向量机和粒子群算法的注塑工艺优化方法，其特征在于，利用DPS数据系统生成混合均匀试验表。

5.根据权利要求2所述的基于支持向量机和粒子群算法的注塑工艺优化方法，其特征在于，回归模型选用二次完全多项式的回归模型：

式中，y为优化目标，n为变量的数目，b₀、b_i、b_ii、b_ij为模型参数，x_i、x_j为设计变量，ε为精度误差。

6.根据权利要求5所述的基于支持向量机和粒子群算法的注塑工艺优化方法，其特征在于，建立回归模型进行回归分析时，获得回归模型各项系数后进行方差分析，并通过计算调整可决系数进行验证，

式中，n为样本数，k为拟合方程中参数的个数；

在选取的工艺参数范围内，对回归模型进行求解，获得塑件翘曲量最小的工艺参数。

7.根据权利要求1所述的基于支持向量机和粒子群算法的注塑工艺优化方法，其特征在于，构建支持向量机模型的步骤如下：

步骤1：根据塑件的材料和生产实际情况确定各影响因素和质量指标，并确定各影响因素的变化范围；

步骤2：根据均匀试验和计算机仿真值获得塑件质量指标的响应值；

步骤3：针对各影响因素的单位不同和变量范围不同，将影响因素和质量指标值进行归一化处理，消除量纲对分析的影响，并以归一化后的数据作为支持向量机模型的训练样本和测试样本；

步骤4：选择支持向量机模型的核函数，并对支持向量机模型的相关参数进行优化，获得最佳的模型参数组合；

步骤5：使用训练样本训练支持向量机模型，并对支持向量机模型的精度进行检验；

步骤6：若支持向量机模型精度不满足要求，那么增加训练样本数量，转至步骤2，重新训练支持向量机模型，直到获得理想的支持向量机模型。

8.根据权利要求1所述的基于支持向量机和粒子群算法的注塑工艺优化方法，其特征在于，使用粒子群算法对支持向量机模型寻找极值，将训练好的支持向量机模型作为适应度函数进行优化，获得最佳工艺参数。