一种玻璃纤维增强塑料注塑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玻璃纤维增强塑料注塑工艺参数多目标优化方法，针对玻璃纤维增强塑料塑件的翘曲和体积收缩此两目标优化问题，首先在设计变量空间范围内，采用拉丁超立方抽样方法得到多个分布合理的样本点，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；然后采用基于遗传算法的极限学习机模型建立工艺参数和质量目标之间的非线性数学模型；然后采用多目标萤火虫算法对该两目标问题进行优化；最后通过包括逼近理想解排序法、熵权和灰色关联分析的GRA‑TOPSIS方法评估获得最优方案及相应的最优注塑工艺参数。本优化方法能够有效降低玻璃纤维增强塑料注塑成型塑件的翘曲和体积收缩。

【技术实现步骤摘要】
一种玻璃纤维增强塑料注塑工艺参数多目标优化方法
本专利技术涉及一种注塑工艺参数优化方法，具体是一种基于GA-ELM、MOFA和GRA-TOPSIS的玻璃纤维增强塑料注塑工艺参数多目标优化方法，属于注塑加工

技术介绍
玻璃纤维增强塑料是在原有纯塑料材料的基础上加入玻璃纤维和其它助剂，从而提高塑料材料的使用范围。玻璃纤维增强塑料具有耐高温、强度高、抗冲击性能强、阻燃性能好等优点，因此一般的来说，大部分的玻璃纤维增强塑料材料多用在产品的结构零件上作为结构工程材料使用，常见的玻璃纤维增强塑料有PP、ABS、PA66、PA6、PPS等。由于玻璃纤维的加入不仅会造成玻璃纤维增强塑料的韧性减低、脆性增加，而且会造成熔融黏度增大、流动性变差、吸水性增大，同时，在注塑过程中玻璃纤维容易进入塑料制品的表面、使得制品表面质量变差，因此相对于普通塑料注塑，玻璃纤维增强塑料的注塑在提高产品质量方面更困难，翘曲和体积收缩是玻璃纤维增强塑料注塑成型的塑件的两种常见质量缺陷。产品属性、模具结构和注塑工艺参数是影响塑件产品质量的三个重要因素，在模具结构和产品材料一定的条件下，通过优化注塑工艺参数来提高玻璃纤维增强塑料塑件的质量是成本最低且有效的方法。随着计算机辅助工程(CAE)技术在注塑模具中的应用，针对玻璃纤维增强塑料塑件的注射成型工艺参数优化，可以通过有限元法建立动力学模型、并对注射成型过程中所需参数进行求解。田口方法是一种试验设计技术(DOE)，是研究人员以往常用的注射成型工艺参数优化方法，可以在一定程度上有效地优化注射成型工艺参数，提高产品的成型质量。但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人工神经网络(ANN)、响应面方法(RSM)、克里格模型(Kriging)、支持向量机(SVM)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。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)。目前在注塑工艺参数多目标优化研究中，研究人员往往根据工程经验和反复实验来确定最终的Pareto最优解，因此针对玻璃纤维增强塑料塑件的注射成型工艺参数优化，如何确定最优的权衡方案以达到最佳的综合目的，目前仍是业内的难题。
技术实现思路
针对上述问题，本专利技术提供一种玻璃纤维增强塑料注塑工艺参数多目标优化方法，能够实现有效降低玻璃纤维增强塑料注塑成型塑件的翘曲和体积收缩，进而获得高质量的玻璃纤维增强塑料塑件产品，特别适用于在一模多腔技术基础上的玻璃纤维增强塑料塑件的注塑工艺参数多目标优化。为实现上述目的，本玻璃纤维增强塑料注塑工艺参数多目标优化方法针对玻璃纤维增强塑料塑件的翘曲和体积收缩此两目标优化问题，具体包括以下步骤：步骤一、选取影响这两个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，构建极限学习机模型ELM以建立工艺参数和质量目标之间的非线性数学模型，并通过遗传算法优化极限学习机模型ELM；步骤三、采用多目标萤火虫算法MOFA对该两目标问题进行优化；步骤四、最后通过包括逼近理想解排序法TOPSIS、熵权和灰色关联分析GRA的GRA-TOPSIS方法评估获得最优方案及相应的最优注塑工艺参数。进一步的，步骤二中，构建极限学习机模型ELM过程中，通过不断调整隐含层节点个数，获得较优的极限学习机模型ELM。进一步的，步骤二中，采用Gatbx遗传算法优化极限学习机模型ELM生成GA-ELM模型。进一步的，GA-ELM模型以训练样本的均方根误差RMSE为适应度值，通过选择操作、交叉操作和变异操作不断更新适应度值，以提高模型预测精度，具体算法流程如下：步骤1、确定隐含层节点个数，并初始化连接权值和阈值；步骤2、设置GA参数后导入数据进行种群初始化，并计算第一代种群适应度值；步骤3、进行选择操作、交叉操作和变异操作后，计算新一代种群的适应度值；步骤4、更新最优个体后，若最优个体不满足迭代终止条件，则返回步骤3；若最优个体满足迭代终止条件，则将获得的最优连接权值和阈值用于构建ELM模型，并对测试样本进行预测；步骤5、评价该GA-ELM模型的预测精度。进一步的，步骤四中，GRA-TOPSIS方法，首先构建加权标准化矩阵，然后再通过灰色关联度GRA改进逼近理想解排序法TOPSIS。进一步的，构建加权标准化矩阵时，假设对m个样本进行评价，包含n个评价指标，相对应的各指标值组成决策矩阵X＝(xij)m×n，先采用熵权法确定各指标的权重，再构建加权标准化矩阵，具体的步骤如下：步骤1、决策矩阵数据归一化，对数据进行标准化处理，得到标准化决策矩阵Y＝(yij)m×n；步骤2、计算指标熵值，根据熵的定义，第j个指标的熵值ej为：步骤3、计算第j个指标的熵权Wj，计算公式如下：步骤4、计算加权标准化矩阵Z，其计算公式为：Z＝(zij)m×n＝Wj×yij。进一步的，通过灰色关联度GRA改进逼近理想解排序法TOPSIS步骤如下：步骤1、计算各样本到正负理想解的欧式距离：步骤1.1、加权标准化矩阵Z的正理想解Z+和负理想解Z-可表示为：式中：步骤1.2、计算各样本到正理想解的欧式距离和到负理想解的欧式距离其计算公式为：步骤2、计算各样本到正负理想解的灰色关联：步骤2.1、计算各样本到正负理想解的灰色关联度系数矩阵，其计算公式为：式中，ρ为分辨系数，ρ∈[0,1]；步骤2.2、计算各样本到正负理想解的灰色关联度，其计算公式为：步骤3、计算各样本的成型性指数：步骤3.1、对欧式距离和灰色关联度进行无量纲处理：步骤3.2、计算各样本与正理想解的接近程度Ti+和到负理想解的接近程度Ti-，其计算公式为：式中，a和b为偏好系数，且a+b＝1；步骤3.3、计算成型性指数，其计算公式为：与现有技术相比，本玻璃纤维增强塑料注塑工艺参数多目标优化方法针对玻璃纤维增强塑料塑件的翘曲和体积收缩此两目标优化问题，首先在设计变量空间范围内，采用拉丁超立方抽样(LHS)方法得到多个分布合理的样本点，并通过Moldflow软件进行模拟仿真得到各个样本点的翘曲本文档来自技高网...

【技术保护点】
1.一种玻璃纤维增强塑料注塑工艺参数多目标优化方法，其特征在于，针对玻璃纤维增强塑料塑件的翘曲和体积收缩此两目标优化问题，具体包括以下步骤：/n步骤一、选取影响这两个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，构建极限学习机模型ELM以建立工艺参数和质量目标之间的非线性数学模型，并通过遗传算法优化极限学习机模型ELM；/n步骤三、采用多目标萤火虫算法MOFA对该两目标问题进行优化；/n步骤四、最后通过包括逼近理想解排序法TOPSIS、熵权和灰色关联分析GRA的GRA-TOPSIS方法评估获得最优方案及相应的最优注塑工艺参数。/n

【技术特征摘要】
1.一种玻璃纤维增强塑料注塑工艺参数多目标优化方法，其特征在于，针对玻璃纤维增强塑料塑件的翘曲和体积收缩此两目标优化问题，具体包括以下步骤：
步骤一、选取影响这两个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，构建极限学习机模型ELM以建立工艺参数和质量目标之间的非线性数学模型，并通过遗传算法优化极限学习机模型ELM；
步骤三、采用多目标萤火虫算法MOFA对该两目标问题进行优化；
步骤四、最后通过包括逼近理想解排序法TOPSIS、熵权和灰色关联分析GRA的GRA-TOPSIS方法评估获得最优方案及相应的最优注塑工艺参数。


2.根据权利要求1所述的玻璃纤维增强塑料注塑工艺参数多目标优化方法，其特征在于，步骤二中，构建极限学习机模型ELM过程中，通过不断调整隐含层节点个数，获得较优的极限学习机模型ELM。


3.根据权利要求1所述的玻璃纤维增强塑料注塑工艺参数多目标优化方法，其特征在于，步骤二中，采用Gatbx遗传算法优化极限学习机模型ELM生成GA-ELM模型。


4.根据权利要求3所述的玻璃纤维增强塑料注塑工艺参数多目标优化方法，其特征在于，GA-ELM模型以训练样本的均方根误差RMSE为适应度值，通过选择操作、交叉操作和变异操作不断更新适应度值，以提高模型预测精度，具体算法流程如下：
步骤1、确定隐含层节点个数，并初始化连接权值和阈值；
步骤2、设置GA参数后导入数据进行种群初始化，并计算第一代种群适应度值；
步骤3、进行选择操作、交叉操作和变异操作后，计算新一代种群的适应度值；
步骤4、更新最优个体后，若最优个体不满足迭代终止条件，则返回步骤3；若最优个体满足迭代终止条件，则将获得的最优连接权值和阈值用于构建ELM模型，并对测试样本进行预测；
步骤5、评价该GA-ELM模型的预测精度。


5.根据权利要求1所述的玻璃纤维增强塑料注塑工艺参数多目...

【专利技术属性】
技术研发人员：刘欣，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