一种薄壁塑件注射成型工艺参数多目标优化方法技术

本发明专利技术公开了一种薄壁塑件注射成型工艺参数多目标优化方法，以最小化翘曲和体积收缩为两个优化目标，将Moldflow模拟软件与拉丁超立方采样LHS相结合，首先在LHS的基础上采用随机森林回归RFR构建注塑工艺参数与两个优化目标之间的数学关系；然后将高斯过程GP作为概率代理模型、将提升策略PI作为采集函数，建立贝叶斯优化算法BO、并以此对RFR的超参数进行优化，从而构建BO‑RFR模型；最后，采用NSGA‑II对BO‑RFR进行多目标优化，获得最佳注射成型工艺参数。通过有限元模拟验证和物理试验验证，表明该优化方法能够能大大降低薄壁塑件的翘曲和体积收缩率。

【技术实现步骤摘要】
一种薄壁塑件注射成型工艺参数多目标优化方法
本专利技术涉及一种工艺参数优化方法，具体是一种基于BO-RFR和NSGA-II方法的薄壁塑件注射成型工艺参数多目标优化方法，属于注塑加工

技术介绍
塑料注射成型(Plasticinjectionmolding,PIM)是生产塑料产品以提高效率和可制造性的最广泛使用的加工技术之一，具有较高的生产效率和加工能力。PIM可以有效地减轻产品重量，促进汽车轻量化的发展。整个加工过程中，主要有四个因素影响着产品的成型质量，分别是模具结构、零件结构、成型材料和工艺参数。与其他三个因素相比，设置合适的工艺参数是最直接和节省成本的方法。工艺参数的设置决定了塑料熔体在模具中的流动填充状态，最佳工艺条件对生产高质量塑件至关重要。然而，在PIM过程中各种因素之间存在复杂的相互作用，很难找到最佳的工艺参数。针对薄壁塑件，翘曲和体积收缩是两个主要的成型缺陷。随着计算机技术的发展，PIM的仿真与优化方法相结合引起了广泛的关注。为了最小化PIM产生的翘曲和体积收缩缺陷，许多研究人员基于数值计算技术优化PIM工艺参数。通常，优化成型工艺参数主要包括三个步骤：获取原始数据，构建代理模型以及应用优化算法。原始数据一般是通过模拟和试验设计(Designofexperiment,DOE)的组合获得。由于传统的PIM依赖于经验并且需要反复试验，因此各种CAE分析软件，如Moldflow和Modex3D都可以用来模拟PIM过程。此外，不同的DOE方法，如Taguchi，box-behnken试验设计被用来减少试验次数。由于工艺参数与质量目标之间存在非线性映射关系，目前研究人员通常采用响应面方法(Responsesurfacemethodology,RSM)、人工神经网络(Artificialneuralnetwork,ANN)和克里金模型(Kriging)等来构建目标函数及数学模型，并采用元启发式优化算法对于单目标进行优化。模型的精确性直接决定了优化方法的效果。RSM通常以二次多项式的形式反映映射关系，适用于低、中等非线性响应。ANN和克里金模型通过对样本数据点进行插值，但其回归曲面不如RSM平滑。此外，ANN和Kriging适合于高非线性问题，但它们需要足够的样本数据集。与这些代理模型相比，RFR是一种非常强大的机器学习工具，可以生成非常准确的结果，而不会出现过度拟合的问题，且对异常值和噪声具有很好的容忍度，但RFR的超参数需要优化以提高回归的准确性。随机搜索(Randomsearch,RS)是一种传统的参数调整方法，但该方法过于随机，很容易落入局部最优解中。由于塑件通常不止一个缺陷，因此需要进行多目标优化。目前关于多目标优化的研究通常通过加权组合的思想将多目标问题转化为单目标问题，常用的方法包括灰色关联分析(GRA)、逼近理想解排序法(TOPSIS)、熵权和模糊综合评估(FCE)。但从多个目标的角度来看，所有的目标通常都是相互制约的，对一个目标的改进往往会以牺牲其他目标为代价。因此，对于一个多目标优化问题，通常会产生大量的非支配解(Pareto解)。由上所述，如何针对薄壁塑件的翘曲和体积收缩此成型缺陷进行注射成型工艺参数的多目标有效优化，进而获得高质量的薄壁塑件产品，目前仍是业内难题。
技术实现思路
针对上述问题，本专利技术提供一种薄壁塑件注射成型工艺参数多目标优化方法，能够实现有效降低薄壁塑件的翘曲和体积收缩，进而获得高质量的薄壁塑件产品，特别适用于薄壁塑件。为实现上述目的，本薄壁塑件注射成型工艺参数多目标优化方法以最小化翘曲和体积收缩为两个优化目标，将Moldflow模拟软件与拉丁超立方采样相结合，具体包括以下步骤：步骤一、选取影响这两个优化目标的工艺参数作为优化的设计变量，在由设计变量所构成的设计空间范围内，采用基于分层抽样技术的拉丁超立方抽样方法LHS得到多个样本点，并通过Moldflow软件进行模拟仿真得到各个样本点的翘曲值和体积收缩率；步骤二、基于拉丁超立方抽样所得的样本结果，构建随机森林回归RFR模型以建立工艺参数与两个优化目标之间的非线性数学模型，然后建立贝叶斯优化算法BO模型、并以此对RFR模型的超参数进行优化形成BO-RFR模型；步骤三、最后采用NSGA-II对BO-RFR进行多目标优化，获得最佳注射成型工艺参数。进一步的，步骤二中，构建随机森林回归RFR模型使用python软件的sklearn机器学习软件包实现。进一步的，步骤二中，建立贝叶斯优化算法BO模型过程中，将高斯过程GP作为概率代理模型、将提升策略PI作为采集函数。进一步的，步骤二中，用BO模型对RFR模型的超参数进行优化的具体步骤如下：步骤①、以拉丁超立方抽样所得的样本结果中的数据为原始数据集，将数据集划分为训练集和测试集；步骤②、在RFR模型超参数设定搜索范围内随机生成初始点，并建立初始RFR模型，得到目标函数的初始分布和初始采样集D；步骤③、主动选择下一个能使采集函数最大化的评估点xt，通过高斯模型，得到新评估点的目标函数值ft；步骤④、将新的采集样本(xt,ft)添加到历史采样集Dt-1中，并更新高斯模型，经过修正使得高斯模型更加接近目标函数值的真实分布；步骤⑤、当迭代达到最大迭代次数时，停止高斯模型更新，输出最大采样点和对应的目标函数最优值；步骤⑥、确定最佳RFR模型，并利用测试集进行评估。进一步的，步骤三中，采用NSGA-II对BO-RFR进行多目标优化时，在通过NSGA-II优化获得的Pareto解集中，按照薄壁塑件要求的最小化翘曲和体积收缩比质量指标选取满足条件的数据组，并对这些数据组进行权衡分析获得最佳注射成型工艺参数。进一步的，权衡分析首先分别将多组数据组的翘曲和体积收缩归一化至[0,1]，然后以翘曲和体积收缩率所构成的矩形面积作为均衡分析的标准进行计算。与现有技术相比，本薄壁塑件注射成型工艺参数多目标优化方法以最小化翘曲和体积收缩为两个优化目标，将Moldflow模拟软件与拉丁超立方采样(LHS)相结合，研究不同工艺参数对塑件缺陷的影响，并使用贝叶斯优化改进随机森林回归(BO-RFR)和非支配排序遗传算法(NSGA-II)进行多目标优化，首先在LHS的基础上采用随机森林回归(RFR)构建注塑工艺参数与两个优化目标之间的数学关系；然后将高斯过程(GP)作为概率代理模型、将提升策略(PI)作为采集函数，建立贝叶斯优化算法(BO)、并以此对RFR的超参数进行优化，从而构建BO-RFR模型；最后，采用NSGA-II对BO-RFR进行多目标优化，获得最佳注射成型工艺参数。通过有限元模拟验证和物理试验验证，表明该优化方法能够能大大降低薄壁塑件的翘曲和体积收缩率，尺寸精度均满足生产要求。附图说明图1是汽车音响壳体塑件的三维模型图，其中(A)是浇注系统和冷却系统布置图、(B)是仿真翘曲图、(C)是仿真体积收缩率图；图2是多目标优化流程图；图3是BO改本文档来自技高网...

【技术保护点】
1.一种薄壁塑件注射成型工艺参数多目标优化方法，其特征在于，以最小化翘曲和体积收缩为两个优化目标，将Moldflow模拟软件与拉丁超立方采样相结合，具体包括以下步骤：/n步骤一、选取影响这两个优化目标的工艺参数作为优化的设计变量，在由设计变量所构成的设计空间范围内，采用基于分层抽样技术的拉丁超立方抽样方法LHS得到多个样本点，并通过Moldflow软件进行模拟仿真得到各个样本点的翘曲值和体积收缩率；/n步骤二、基于拉丁超立方抽样所得的样本结果，构建随机森林回归RFR模型以建立工艺参数与两个优化目标之间的非线性数学模型，然后建立贝叶斯优化算法BO模型、并以此对RFR模型的超参数进行优化形成BO-RFR模型；/n步骤三、最后采用NSGA-II对BO-RFR进行多目标优化，获得最佳注射成型工艺参数。/n

【技术特征摘要】
1.一种薄壁塑件注射成型工艺参数多目标优化方法，其特征在于，以最小化翘曲和体积收缩为两个优化目标，将Moldflow模拟软件与拉丁超立方采样相结合，具体包括以下步骤：
步骤一、选取影响这两个优化目标的工艺参数作为优化的设计变量，在由设计变量所构成的设计空间范围内，采用基于分层抽样技术的拉丁超立方抽样方法LHS得到多个样本点，并通过Moldflow软件进行模拟仿真得到各个样本点的翘曲值和体积收缩率；
步骤二、基于拉丁超立方抽样所得的样本结果，构建随机森林回归RFR模型以建立工艺参数与两个优化目标之间的非线性数学模型，然后建立贝叶斯优化算法BO模型、并以此对RFR模型的超参数进行优化形成BO-RFR模型；
步骤三、最后采用NSGA-II对BO-RFR进行多目标优化，获得最佳注射成型工艺参数。


2.根据权利要求1所述的薄壁塑件注射成型工艺参数多目标优化方法，其特征在于，步骤二中，构建随机森林回归RFR模型使用python软件的sklearn机器学习软件包实现。


3.根据权利要求2所述的薄壁塑件注射成型工艺参数多目标优化方法，其特征在于，步骤二中，建立贝叶斯优化算法BO模型过程中，将高斯过程GP作为概率代理模型、将提升策略PI作为采集函数。


4.根据权利要求3所述的薄壁塑件注射成型工艺参数多目标优化方法，其特征在于，步骤二中，用BO模...

【专利技术属性】
技术研发人员：曹艳丽，范希营，郭永环，
申请(专利权)人：江苏师范大学，
类型：发明
国别省市：江苏;32