[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

说明书

本发明公开了一种基于支持向量机和粒子群算法的注塑工艺优化方法，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。本发明能够在当涉及多变量及变量范围差异较大时有效确定最优的变量值、获得最佳工艺参数，预测精度较高，能够有效提高注塑产品的生产质量。

技术领域

本发明涉及一种工艺优化方法，具体是一种基于支持向量机和粒子群算法的注塑工艺优化方法，属于注塑加工技术领域。

背景技术

注塑成型具有成本低、效率高的优点，在塑件加工中应用广泛，是全球塑料行业的重要制造工艺。注塑成型包含三个阶段：填充阶段、保压阶段和冷却阶段，将熔融塑料注入模具型腔内即可成型所需的零件。影响塑件成型质量的主要因素有模具和注塑工艺，通过优化模具和注塑工艺可提高产品质量。

冷却时间是注塑成型周期的关键阶段，占模具总时间一半以上，良好的冷却系统有利于提高产品质量和生产效率。Clemente等对冷却系统进行研究，有效提高产品质量和生产效率。另外，型腔表面对塑料熔体的流动和成型质量有较大影响，Masato等研究不同模具涂层对薄壁注塑成型的影响。此外，工艺参数与质量之间关系复杂，具有较强的耦合性，目前业内有针对工艺参数的优化有很多研究，如Ginghtong等通过正交试验和线性回归分析确定最佳工艺参数，Heidari等结合分数阶乘设计和方差分析优化工艺参数、有效提高产品质量，Kitayama等使用RBF网络的序列近似优化确定最佳工艺参数，Oliaei等使用神经网络和方差分析研究三种聚合物的加工性能，Kitayama等使用RBF网络进行多目标优化研究熔接痕温度和夹紧力之间的关系，Bensingh等采用混合人工神经网络和粒子群算法(PSO)预测双非球面透镜成型的最佳工艺参数，Li等结合田口法、响应面法和NSGA-II法优化注塑工艺，KC等使用田口法和方差分析确定最佳注塑参数和重要变量等等。

然而，对模具冷却系统和型腔涂层材料进行研究，虽然可以有效提高产品质量，但相对于优化注塑工艺参数提高产品质量的成本较高。另外，上述研究工艺参数优化时，由于各工艺参数变化范围不同，造成试验点无法均匀分布，各因素的水平划分跨度差别大。此外，由于试验次数有限，基于经验风险最小化理论的方法(例如：神经网络)在使用上并不能达到无穷大数据量的要求，因此预测精度并不高，并不能最大限度地反映影响因素和质量指标之间的复杂关系。

发明内容

针对上述问题，本发明提供一种基于支持向量机和粒子群算法的注塑工艺优化方法，能够在当涉及多变量及变量范围差异较大时有效确定最优的变量值、获得最佳工艺参数，预测精度较高，能够有效提高注塑产品的生产质量。

为实现上述目的，本基于支持向量机和粒子群算法的注塑工艺优化方法是通过遗传算法(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。

作为本发明的进一步改进方案，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。

混合水平均匀试验表为：