[发明专利]塑料注射成形中冷却时间的快速预测方法

摘要

本发明公开了一种塑料注射成形中冷却时间的快速预测方法。通过已知的塑料和模具参数等，预测所需冷却时间的方法。具体实现方案是：(1)分析冷却时间的主要影响因素；(2)设计神经网络训练的样本；(3)设计和训练BP神经网路；(4)建立冷却时间快速预测模型；(5)通过实例来验证该模型的优越性。利用本发明可以快速准确的预测塑料注射成型的冷却时间，对缩短模具设计制造周期、提高制造精度与性能有重要作用。

主权项

一种塑料注射成形中冷却时间的快速预测方法，该方法包括以下步骤：(1)确定冷却时间的影响因子，并给每个影响因子设置多个不同的水平所述影响因子包括模具材料的导温系数α1、塑料材料的导温系数α2、温度比值(Ti-Tc)/(Te-Tc)，制品的厚度h以及冷却系统的面积S，其中Ti为注射温度、Tc为冷却水的温度、Te为开模温度；(2)设计神经网络训练的样本空间对上述各影响因子及其水平采用田口实验设计方法进行优化组合，将优化组合后的结果作为输入值，用CAE软件模拟出冷却时间的大小，作为输出值，构成神经网络训练的样本空间；(3)设计和训练反向传播神经网路即BP神经网络，具体过程如下：①确定网络的层数选用三层的BP神经网络，所述三层分别为输入层，隐含层和输出层；②初始化参数在MATLAB工具箱中采用激活函数nwlog.m或nwtan.m来初始化隐含层的权值W1和阈值B1，采用随机取值函数rands.m来初始化输出层的权值W2和B2；③确定学习速率所述学习速率的选取范围在0.01-0.08之间；④确定所述隐含层的神经元节点数针对不同的神经元节点数进行训练对比，将循环次数最少的情况确定为最佳隐含层神经元节点数；⑤选取期望误差对不同期望误差下的BP神经网络进行训练，所需循环次数最少的期望误差确定为最佳期望误差；(4)建立冷却时间快速预测模型将训练所得的神经元节点数和期望误差写入MATLAB神经网络工具箱，训练生成BP神经网络模型，并根据上述BP神经网络模型实现冷却时间的快速预测的界面化，从而实现对塑料注射成形中冷却时间的快速预测。