[发明专利]一种压铸参数优化方法、装置、终端设备及存储介质

说明书

本发明公开了一种压铸参数优化方法、装置、终端设备及存储介质，方法包括：数据采样，输入数据采样，根据设备的输入参数类型及可行域进行采样，得到输入数据YY，经压铸过程生产试验或仿真分析，得到输入数据YY中每一项样本对应的输出数据ZZ，得到一组输入输出采样；构建神经网络，并对神经网络的结构进行优化；基于构建代理模型，利用构建的神经网络对代理模型进行训练，得到训后代理模型；求解训后代理模型的最优解集，基于训后代理模型，利用启发式算法对输入数据的范围进行搜索，以训后代理模型为启发式算法中的系统，以工艺参数为输入，以产品性能为评价值。提升产品性能和生产效率。

技术领域

本发明涉及模型构建技术领域，具体涉及一种压铸参数优化方法、装置、终端设备及存储介质。

背景技术

在压铸产品设计、生产过程中，压铸机、模具及压铸周边设备的工艺参数，对批量生产的良品率与单件产品的缺陷与性能有较大的影响。对于现有压铸产品，往往使用模流分析等有限元分析方法结合试生产实验，对产品的生产状态进行分析，协助验证工艺参数的有效性。对于尺寸较大、成本较高的产品与模具，开机实验的成本较高，且需要承担模具发生损坏的风险。而使用有限元分析法进行仿真，耗时较长，难以在长线的产品迭代修改过程中反复进行。

发明内容

因此，本发明要解决的技术问题在于克服现有技术中的上述缺陷，从而提供一种压铸参数优化方法、装置、终端设备及存储介质。

本发明提供了一种压铸参数优化方法，所述方法具体包括如下步骤：

S1：数据采样，

输入数据采样，根据设备的输入参数类型及可行域，通过拉丁超立方抽样法进行采样，得到输入数据YY，

经压铸过程生产试验或仿真分析，得到输入数据YY中每一项样本对应的输出数据ZZ，得到一组输入输出采样；

S2：构建神经网络，并通过遗传算法GA对神经网络的结构进行优化；

S3：基于构建代理模型，利用S2构建的神经网络对代理模型进行训练，得到训后代理模型；

S4：求解训后代理模型的最优解集，

基于训后代理模型，利用启发式算法对输入数据的范围进行搜索，以训后代理模型作为启发式算法中的系统，以工艺参数为输入，以产品性能为评价值。

优选地，步骤S1具体包括如下步骤：

S11：记可操作的输入参数为输入，其对应可行域的范围为；需要优化的产品性能为输出，其对应可行域的范围为，经压铸过程生产试验或仿真分析得到的精确模型为，满足：，；

S12：以其中一组最优解为中心，根据所需数据集大小，基于拉丁超立方抽样法进行采样，得到输入数据，

；

S13：经数值模拟或压铸过程生产试验，得到中每一项样本对应的输出数据ZZ，即：，最终得到一组输入输出采样，用于建模。

优选地，步骤S2具体包括如下步骤：

S21：构建用于训练代理模型的反向传播神经网络BP；

S22：以反向传播神经网络BP的结构与初始权重作为遗传算法GA的输入，以反向传播神经网络BP的训练过程作为遗传算法GA的系统，以反向传播神经网络BP优化后的误差作为遗传算法GA的评价值；

S23：按照的格式生成一系列随机染色体，经过系统计算后对输出结果进行评价，得到输入染色体的评价值；

S24：舍弃评价值低的个体，选取评价值最高的个体加入下一代种群，进一步进行交叉、变异操作，如此迭代，最终评价值达到趋于稳定或达到预期范围；

S25：优化反向传播神经网络BP的结构与初始权重的最优解；