一種基于bp神經網絡的汽車內飾面板注塑成型工藝的制作方法
【專利摘要】本發(fā)明公開了一種基于BP神經網絡的汽車內飾面板注塑成型工藝，包括以下步驟：建立塑件模流CAE分析模型；對塑件的注塑成型工藝參數進行仿真,確定可設置工藝參數；初步尋優(yōu)各工藝參數基于翹曲改善的優(yōu)值域。將所得試驗結果應用BP神經網絡進行預測模型訓練，獲得預測模型；在所得優(yōu)值域基礎上設計二次立體正交優(yōu)化值域尋優(yōu)方案，并運用神經網絡模型進行預測，直接尋優(yōu)最佳參數域值。本發(fā)明針對其注塑時CAE分析時出現(xiàn)的翹曲變形比較大的問題，尋優(yōu)塑件的最小翹曲最佳注塑工藝參數，降低實際注塑試模次數及試模成本，降低工作量，提高工作效率。
【專利說明】
一種基于BP神經網絡的汽車內飾面板注塑成型工藝
技術領域
[0001]本發(fā)明涉及汽車制造技術領域，尤其是一種基于BP神經網絡的汽車內飾面板注塑 成型工藝。
【背景技術】
[0002] 汽車內飾面板注塑成型后，常出現(xiàn)較大的翹曲變形的情況，未解決翹曲變形較大 的情況，要對注塑成型工藝中的各種因素以及相關的工藝參數進行全面的分析，工作量較 大，效率較低。

【發(fā)明內容】

[0003] 本發(fā)明針對現(xiàn)有技術的不足，提出一種基于BP神經網絡的汽車內飾面板注塑成型 工藝，針對其注塑時CAE分析時出現(xiàn)的翹曲變形比較大的問題，尋優(yōu)塑件的最小翹曲最佳注 塑工藝參數，降低實際注塑試模次數及試模成本，降低工作量，提高工作效率。
[0004] 為了實現(xiàn)上述發(fā)明目的，本發(fā)明提供以下技術方案： 一種基于BP神經網絡的汽車內飾面板注塑成型工藝，包括以下步驟： A、 建立塑件模流CAE分析模型； B、 運用molif low2015軟件對塑件的注塑成型工藝參數進行仿真，確定應用CAE分析優(yōu) 化解決產品翹曲過大問題的所需要考慮的可設置工藝參數； C、 將上述各工藝參數運用Mintab進行Tugachi法平面正交試驗設計，并運用CAE軟件 進行翹曲分析，獲得各因素水平下的翹曲變形結果，運用Mintab進行因素影響權重分析，初 步尋優(yōu)各工藝參數基于翹曲改善的優(yōu)值域。
[0005] D、將所得試驗結果應用BP神經網絡進行預測模型訓練，獲得預測模型； E、在所得優(yōu)值域基礎上設計二次立體正交優(yōu)化值域尋優(yōu)方案，并運用神經網絡模型進 行預測，直接尋優(yōu)最佳參數域值。
[0006] 進一步地，所述步驟B中所述CAE分析包括以下步驟:澆注系統(tǒng)預分析、充填分析和 流動保壓分析。
[0007] 進一步地，所述步驟D依次包括以下步驟:選取BP神經網絡層數、確定神經元數目、 函數及主程式構建、訓練與測試安排和網絡模型效果評價， 所述神經元包括輸入層神經元、輸出層神經元和中間隱含層神經元，各所述輸入層神 經元為各所述工藝參數，所述輸出層神經元為翹曲變形量，所述中間隱含層神經元個數依 據經驗公式和不停地訓練網絡確定。
[0008] 進一步地，所述步驟E中在所得優(yōu)值域基礎上調整影響權重最大的工藝參數及相 關參數為主要目標手段，結合上述訓練好的預測模型對調整參數進行預測。
[0009] 本發(fā)明一種基于BP神經網絡的汽車內飾面板注塑成型工藝，針對其注塑時CAE分 析時出現(xiàn)的翹曲變形比較大的問題，尋優(yōu)塑件的最小翹曲最佳注塑工藝參數，降低實際注 塑試模次數及試模成本，降低工作量，提高工作效率。
【具體實施方式】
[0010] 下面對本發(fā)明進行詳細描述，本部分的描述僅是示范性和解釋性，不應對本發(fā)明 的保護范圍有任何的限制作用。
[0011] -種基于BP神經網絡的汽車內飾面板注塑成型工藝，包括以下步驟： A、 建立塑件模流CAE分析模型； B、 運用molif low2015軟件對塑件的注塑成型工藝參數進行仿真，確定應用CAE分析優(yōu) 化解決產品翹曲過大問題的所需要考慮的可設置工藝參數； C、 將上述各工藝參數運用Mintab進行Tugachi法平面正交試驗設計，并運用CAE軟件 進行翹曲分析，獲得各因素水平下的翹曲變形結果，運用Mintab進行因素影響權重分析，初 步尋優(yōu)各工藝參數基于翹曲改善的優(yōu)值域。
[0012] D、將所得試驗結果應用BP神經網絡進行預須彳模型訓練，獲得預須彳模型； E、在所得優(yōu)值域基礎上設計二次立體正交優(yōu)化值域尋優(yōu)方案，并運用神經網絡模型進 行預測，直接尋優(yōu)最佳參數域值。
[0013] 所述步驟B中所述CAE分析包括以下步驟:澆注系統(tǒng)預分析、充填分析和流動保壓 分析。
[0014] 所述步驟D依次包括以下步驟:選取BP神經網絡層數、確定神經元數目、函數及主 程式構建、訓練與測試安排和網絡模型效果評價， 所述神經元包括輸入層神經元、輸出層神經元和中間隱含層神經元，各所述輸入層神 經元為各所述工藝參數，所述輸出層神經元為翹曲變形量，所述中間隱含層神經元個數依 據經驗公式和不停地訓練網絡確定。
[0015] 所述步驟E中在所得優(yōu)值域基礎上調整影響權重最大的工藝參數及相關參數為主 要目標手段，結合上述訓練好的預測模型對調整參數進行預測。
[0016] 具體擬以某汽車內飾件中立柱上面板為研究對象，針對其注塑時CAE分析時出現(xiàn) 的翹曲變形比較大的問題，為尋優(yōu)該塑件的最小翹曲最佳注塑工藝參數，降低實際注塑試 模次數及試模成本，采用以Tugachi試驗優(yōu)選法為基礎，應用BP神經網絡的數據預測功能、 建立本產品基于立體正交優(yōu)化方法與人工神經網絡預測的、從注塑工藝參數映射到注塑翹 曲質量改善的非線性關系，并通過CAE數值仿真驗證，獲得其最小翹曲最佳注塑成型工藝參 數。
[0017] I CAE模型及數值分析 1.1 CAE模型 塑件模型CAE分析基本數據為:材料為PP料，體積58.26 cm3，開模方向上的投影面積 187.2 cm2，F(xiàn)EM模型最大縱橫比9.62，平均1.67，最小1.16，節(jié)點數25987，單元數量52030， 網格匹配百分比93.44%，模溫30~70°(：，料溫200~260°(：，頂出溫度112°(：，剪切速率10000 s-、剪切力0.25 Mpa。
[0018] 1.2澆注系統(tǒng)預分析 根據塑件外觀和功能要求，設置澆口及澆注系統(tǒng)。該澆注模式下【成型窗口】分析成型 質量百分數最高達到92%，對應的工藝參數為:模溫52.2 °C，熔體溫度210.3 °C，注塑時間 2.21 s;所需壓力降為49.36 MPa;將【成型窗口】所得工藝數據輸入【快速充填】中，分析得 出模腔所需最高注塑壓力為27.46 MPa，整個型腔所需注塑壓力不高。 1.3充填分析 充填分析工藝參數設置為:模具表面溫度52.2 °C，熔體溫度210.1 °C，填充控制-注 射時間2 · 21 s，速度/壓力切換-自動，保壓控制-充填壓力與時間。
[0019] 分析結果為:充填時間2.713 s，充填壓力54.34 MPa，饒口處最大壓力23.57 MPa; 其余結果為V/P切換時的體積充填量98.65%;前沿溫差小于16 °C，注塑完畢時澆口處壓力 39.77 MPa;剪切速率8400 s-S澆口處5632 s-S澆口以下塑件到達頂出時間20.16 s，澆口 凍結時間在13.32 s時，空穴集中出現(xiàn)特征孔周邊;熔合紋角度基本上小于135°，為熔接線； 注塑尖峰壓力59.39 Mpa。
[0020] 由分析結果可知：壓力與時間對注塑機要求不高，熔體前沿溫度小于溫差標準20 °C，對后續(xù)的保壓有利;剪切率沒有超過許用值，燒焦黑點等缺陷出現(xiàn)幾率低;熔接痕數量 稍多，長度較短，大部分出現(xiàn)在空位邊沿處，基本為水平熔接痕，可以通過提高料溫的辦法 來處理。綜上所述，該澆注系統(tǒng)能較好地滿足本塑件的充填需要。
[0021] 1.4流動保壓分析 流動保壓工藝參數設置為:模具表面溫度52.2 °C，熔體溫度提高到220 °C，注射時間 2.713 s，由填充分析獲得最大填充壓力59.39 MPa，保壓時間13.32 s，保壓設計為二段保 壓，參數分別為60 MPa^1()s、20 MPa4s，保壓時間應該大于澆口 100%冷卻的時間。
[0022] 分析結果為:①料溫提升HTC后，孔周邊空穴減少，熔接線變短，外觀得到改善;② 縮痕指數為5.25%，超差0.25%，③翹曲綜合量最大為2.483mm，塑件翹曲的主要影響因素 是收縮不均產生的，冷卻不均、取向效應、角效應影響甚微;收縮不均主要體現(xiàn)在充填末端 處，翹曲變形量達2.281mm，查詢標準GB/T14486-2008，本塑件對應的有無機填料PP-般精 度等級MT3,翹曲變形質量控制范圍為1.2~1.4mm，翹曲有待進一步改善。
[0023] 2翹曲解決措施 2.1注塑工藝參數優(yōu)化因素分析 為降低本塑件的翹曲變形，須對注塑成型工藝參數進行優(yōu)化，尋優(yōu)最佳參數值域。結合 上述分析及實際注塑試模成本，翹曲過大的問題應優(yōu)先從注塑成型工藝參數方面著手來解 決本塑件的翹曲過大問題。一般，產品實際注塑及其CAE仿真分析時，根據翹曲主要由收縮 不均引起的原因，可以采取措施如針對壁厚不均而造成的冷卻不均差異，應在壁厚厚的地 方有效冷卻，離澆口遠的地方適當提高模溫;針對分子排布差異帶來的影響，可考慮利用高 料溫、高模溫，低壓以及較短的保壓時間，減小分子配向的影響;針對料溫過高帶來的收縮 變形差異，應適當降低注塑料溫等。故結合注塑機實際參數設置及CAE仿真可執(zhí)行的參數要 求，應用CAE分析優(yōu)化解決產品翹曲過大問題的所需要考慮的可設置工藝參數因素為:①料 溫F ii / °C ;②模溫TV °C，③注射壓力/VMPa;④注射速度，即注塑時間h/s;⑤保壓壓力/V MPa;⑥保壓時間⑦冷卻時間ic/s。對于最優(yōu)參數組合并非唯一數值，而是一個變化區(qū) 段，比較符合工程問題的實際情況。尋優(yōu)基本思路為正交選優(yōu)結合神經網絡預測，來逐步縮 小參數目標值域，尋優(yōu)通過以下步驟來實現(xiàn)： 1)將上述各工藝參數運用Mintab進行Tugachi法平面正交試驗設計，并運用CAE軟件 進行翹曲分析，獲得各因素水平下的翹曲變形結果，運用Mintab進行因素影響權重分析，初 步尋優(yōu)各工藝參數基于翹曲改善的優(yōu)值域。
[0024] 2)將所得試驗結果應用BP神經網絡進行預測模型訓練，獲得預測模型。
[0025] 3)在所得優(yōu)值域基礎上設計二次立體正交優(yōu)化值域尋優(yōu)方案，并運用神經網絡模 型進行預測，直接尋優(yōu)最佳參數域值，以減少CAE仿真運算工作量，提高工作效率。
[0026] 2.2平面正交優(yōu)化分析 1)正交試驗結果采用Mintab設計正交試驗方案，以改善翹曲變形作為總目標，試驗方 案選用Z27(3~9)試驗安排，各參數及水平如表2所示，CAE分析結果如表1所示。
[0027] Tugachi正交試方案設計通過Mintab選用L27(3~9)試驗安排原則:①試驗水平因素 設計以神經網絡為系統(tǒng)模型，因素水平為輸入參數;②最優(yōu)目標值不是一個點的設定，而是 一個模糊集借助因素數學模型所求解的子結合;③考慮條件因素的差異和神經網絡的非線 性特性，獲得的目標值存在噪聲干擾，采用小波分析技術去除噪聲并應用小波分形內插技 術，把目標值加密以準確獲得最優(yōu)目標。
[0028] 2)試驗結果分析。根據表1設計的L27(3~9)27個方案進行CAE仿真計算后，翹曲分析 結果如表2所示，從表2可以看出，對比初始分析所獲得的翹曲總量為2.483mm，正交方案中 第2、3、5、6、8、9、11、14、17、20、21、22、24等方案，翹曲有較小的改善，特別是第3、6、9三個方 案，翹曲改善在〇.5mm左右，說明通過調整和優(yōu)化注塑工藝參數來降低產品的翹曲的可。
[0029] 3)影響因素權重分析。試驗的目標是追尋最小翹曲變形，影響翹曲最終結果的分 析如表3所示。從平面正交方案實驗結果來看，影響本塑件注塑時翹曲變形變大的主要因素 是第一階段的第一段保壓時間，其次是保壓壓力;①料溫：T/°C、②模溫7V°C、③注射壓力 P/、④注塑時間匕影響作用相當，⑦冷卻時間L影響甚微;均值直觀分析較優(yōu)的水平組合為 方案尤為： /?(〇 以 OA(I) 6(2)/^(2)^(3)/^(2)^(3)1(2)304^1^7^(2001:)7; (40)A(60) ii(2.2s)凡i(60)thi(10s)凡i(30) ihi(7s) ic(20s)。
[0030] 3 BP神經網絡預測模型構建 3.1 BP神經網絡模型 運用神經網絡的分析預測功能以獲得塑件注塑成型優(yōu)化工藝參數，是注塑模仿真分析 獲取較優(yōu)設計的一個重要方法，為獲取前述9個工藝參數與塑件翹曲變形大小之間的趨勢 關系，結合正交試驗運用基于BP神經網絡及梯度降階算法，對塑件的注塑工藝參數進行優(yōu) 化調整。
[0031] 依據正交試驗的實際情況，從以下方面建立神經網絡： 1)由于3層BP神經網絡可以接近任意函數，故本網絡模型選用3層網絡。
[0032] 2)神經元的數目：輸入層為工藝參數，輸出層為翹曲變形量認 輸入層參數個數為9個神經元，行列中行排序依次為:①料溫?%、②模溫7；、③注射壓 力Ρ/、④注塑時間⑤第一段保壓壓力A1、⑥第一段保壓時間仏、⑦第一段保壓壓力/?、⑧ 第一段保壓時間以、⑨冷卻時間 輸出層參數為翹曲變形認包含有1個神經元； 依據經驗公式和不停地訓練網絡發(fā)現(xiàn)中間層13個神經元，網絡訓練效果較好，故本模 型中間隱含層含有13個神經元； 輸入層各參數到中間隱含層輸入權重W1」依次按表3中'影響占比'選取。
[0033] 3)函數及主程式構建 運用Mat lab軟件中的神經網絡工具箱，以newff創(chuàng)建網絡，網絡初始化函數in i tff ()， 訓練函數選用trainlmO,仿真函數simtuffO、輸入層-中間層函數tansig，中間層-輸出 層函數purelin，上述試驗樣本及檢驗樣本由excell表格導入并矩陣處理，歸一化處理函數 采用mapminmaxO,神經網絡仿真訓練與測試安排運用隨機取數軟件取用表2中的21個樣本 試驗為訓練樣本，6個樣本做為檢驗測試樣本。
[0034] 5)網絡模型效果評價 將訓練樣本調用至本BP神經網絡模型，并啟動模型訓練，權值和閾值不斷優(yōu)化后，網 絡的訓練輸出會逐步接近于期望輸出，經過825次迭代訓練后網絡已達設定的訓練精度，通 過對比預測值和試驗值的可以看出，兩者基本吻合，說明訓練的網絡可信度高，已經能滿足 預測需要。
[0035] 4基于BP神經網絡的塑件成型工藝參數優(yōu)化 由前述正交試驗水平優(yōu)選結果、工藝參數對翹曲量的影響以及工程正交試驗優(yōu)化分布 水準范圍比可知，塑件的注塑工藝參數應在一定的因素水平范圍內，而非某一最佳優(yōu)化點， 故注塑工藝參數的優(yōu)化調整后的結果應在一定范圍內，參數工藝優(yōu)化的調整基礎以正交優(yōu) 化選用的方案(料溫 7^(2001:)7^(40)/^(60)^(2.28)/^(60)2^(108)/^(30)^(78)^ (20s))為基礎，調整影響權重影響比較大的第一階段保壓力A 1及其保壓時間?Μ為主要目 標手段，結合上述訓練好的神經網絡模型對調整參數進行預測。
[0036] 工藝參數調整優(yōu)選水平如表4所示，主要以調整Pm、b為主,A1按每步5MPa梯度遞 增，hi同步按每步0.5s梯度遞增。
[0037]將表4設置好的工藝參數導入訓練好的前述神經網絡進行預測，其預測結果如表5 所示，可以看出，A6方案翹曲量最小，已接近翹曲變形質量控制范圍為1.2~1.4 mm標準，將 八6方案工藝參數輸入此1(^1〇?2015進行數值仿真模擬，其模擬結果為1.497 111111，相對初始 工藝方案而言，翹曲已有原來的2.483mm降低至A6方案下的1.497 mm，表明A6方案處于最優(yōu) 工藝參數閾值范圍內，能滿足本塑件注塑成型要求。故本塑件較佳的注塑成型工藝參數為# (/' i(205〇C)7；(40)^(60)ii(2.2s)Ai(85)iM(11.5s)Ai(30)i Ai(7s)ic(20s))〇

【主權項】
1. 一種基于BP神經網絡的汽車內飾面板注塑成型工藝，其特征在于，包括以下步驟： A、 建立塑件模流CAE分析模型； B、 運用m〇lifl〇w2015軟件對塑件的注塑成型工藝參數進行仿真，確定應用CAE分析優(yōu) 化解決產品翹曲過大問題的所需要考慮的可設置工藝參數； C、 將上述各工藝參數運用Mintab進行Tugachi法平面正交試驗設計，并運用CAE軟件 進行翹曲分析，獲得各因素水平下的翹曲變形結果，運用Mintab進行因素影響權重分析，初 步尋優(yōu)各工藝參數基于翹曲改善的優(yōu)值域； D、 將所得試驗結果應用BP神經網絡進行預測模型訓練，獲得預測模型； E、 在所得優(yōu)值域基礎上設計二次立體正交優(yōu)化值域尋優(yōu)方案，并運用神經網絡模型進 行預測，直接尋優(yōu)最佳參數域值。2. 如權利要求1所述一種基于BP神經網絡的汽車內飾面板注塑成型工藝，其特征在于， 所述步驟B中所述CAE分析包括以下步驟:澆注系統(tǒng)預分析、充填分析和流動保壓分析。3. 如權利要求1所述一種基于BP神經網絡的汽車內飾面板注塑成型工藝，其特征在于， 所述步驟D依次包括以下步驟:選取BP神經網絡層數、確定神經元數目、函數及主程式構建、 訓練與測試安排和網絡模型效果評價， 所述神經元包括輸入層神經元、輸出層神經元和中間隱含層神經元，各所述輸入層神 經元為各所述工藝參數，所述輸出層神經元為翹曲變形量，所述中間隱含層神經元個數依 據經驗公式和不停地訓練網絡確定。4. 如權利要求1任一所述一種基于BP神經網絡的汽車內飾面板注塑成型工藝，其特征 在于，所述步驟E中在所得優(yōu)值域基礎上調整影響權重最大的工藝參數及相關參數為主要 目標手段，結合上述訓練好的預測模型對調整參數進行預測。
【文檔編號】G06F17/50GK106055787SQ201610372557
【公開日】2016年10月26日
【申請日】2016年5月30日
【發(fā)明人】李煒, 黃力, 李瑞娟, 羅永有
【申請人】廣西科技大學