基于人工神經網絡模型和期望改進函數法的注塑成型工藝參數優(yōu)化畢業(yè)課程設計外文文獻翻譯、中英文翻譯、外文翻譯

基于人工神經網絡模型和期望改進函數法的注塑成型工藝參數優(yōu)化畢業(yè)課程設計外文文獻翻譯、中英文翻譯、外文翻譯,基于,人工,神經網絡,模型,以及,期望,指望,改進,改良,函數,注塑,成型,工藝,參數,優(yōu)化,畢業(yè),課程設計,外文,文獻,翻譯,中英文 of 16 008 /24 009 /20 009# 009n an on is at of in is of A of of is an in is by is an is to As a of is be 1]. is of of 2–9]. by of or of or of is an in to 10] to in of 0%. et [11]to by of of of to 12–14]of in is a of is by . . *)16024 2010) 48:955–962In a in in et [15–17] by or et a or to of 18, 19]. et 20] on in be to as A of is An is is by I to 17]. as 1]. is a A a to to of in NN is a 22–26] in A of is in a be a 27]6 61 of NN as a in of a of to NN I s 2 of I 3 of a of C)C)s))s)tc(s)0 260 0 1 50 300 0 5 15956 2010) 48:955–962A is by a to of to a of in is to is a NN as is So of NN of by is 0,000, NN in I be as an is to an of to a EI is to to at It is a a of a 17, 21]. It (x) is (x) at a x is 2NN If an ?by NN be of is by ?????20 : e1Tof is eI?1I?01?????20 ()2T5 of 4 of C)C)s))s)tc(s)6 6 of a 2010) 48:955–962 957by 2 be eIT?138 e3T f e4Tq. 3 is at x, by of is is is a of (x) f(u). is (x) is is to be at a or (1)It to NN,so it a 2) it (3) to in NN on be 11138 1; 2;1of 1? 3 in of is to 138r e6Tr is a in is Δr be of r=of of NN I is a a he of to of C)C)s))s)tc(s)0 260 0 1 520 300 0 5 15 C) C) s) ) s) tc(s) 7 of 2010) 48:955–962of NN ,780 as 30, 55, 11, is as x) is is of to of on . x), by of on of by of to is is by NN I is 28]. be 8 of 0 70 80 9070 280 290 300s)0 80 90 2 3 4 5s)s)9 s on of 2010) 48:955–962 959to 1,000 I by of is to be in is to be at be 0 to )is a is ,046 as as x)is of of on of on of by of 5 . in of 0 s on at 0 as 00°C. is to If is no to 0 100 110 12070 280 290 300s)0 80 90 2 3 4 5s) 7 9 11 13 15s)10 s on of 2010) 48:955–962of to to in a of is is 0 is as on of be by an NN I is to of at by NN be by a of a by I of I I to of NN to a a a in a a of proposedoptimiza大連交通大學 2017 屆本科生畢業(yè)設計外文翻譯 1 基于人工神經網絡模型和期望改進函數法的注塑成型工藝參數優(yōu)化 收到： 2008 年 10 月 16 日 /接受日期： 2009 年 9 月 24 日 /在線發(fā)布： 2009 年 11月 20日＃施普林格出版社倫敦有限公司 2009。 摘要：在本研究中，提出了一種基于人工神經網絡模型的自適應優(yōu)化方法，以優(yōu)化注塑過程。優(yōu)化過程旨在最小化注塑部件的翹曲，其中工藝參數是設計變量。 具溫度，熔體溫度，注射時間，包裝壓力，包裝時間和冷卻時間均被視為工藝參數。人工神經網絡和實驗設計（ 法的組合用于構建翹曲與過程參數之間的近似函數關系，代替優(yōu)化迭代中的昂貴的仿真分析。自適應過程是通過預期的改進來實現的，這是一個填充的抽樣標準。雖然美國能源部規(guī)模小， 但是 這個標準可以平衡本地和全局搜索并趨于全局最優(yōu)解。作為示例，蜂窩電話機蓋和掃描儀的調查。結果表明，提出的自適應優(yōu)化方法可以有效降低注射成型件的翹曲。 關鍵詞 ： 注塑成型 ； 優(yōu)化 ； 實驗設計 ； 人工神經網絡 ； 預期改進功能。 1介紹 注塑成型是生產塑料制品 中 最廣泛使用的工藝。注塑模具可分為填充，填充后和開模三個階段 [1]。在生產過程中，翹曲是最重要的質量問題之一，特別是塑殼制品。其中一些研究成果已經證明了薄殼塑料件的優(yōu)化 [2 可以通過修改零件的幾何形狀或改變模具的結構或調整工藝參數來減小翹曲。零件設計和模具設計通常在產品開發(fā)的初始階段確定，不容易改變。因此優(yōu)化工藝參數是最可行和最合理的方法。塑料注射成型中的一個重要問題是在制造前預測和優(yōu)化翹曲。許多文獻一直用于翹曲優(yōu)化。 10]利用改進的 復合法優(yōu)化了壁厚和工藝條件，以減少翹曲 程度 并減少翹曲的 70％以上。 11]優(yōu)化工藝條件，通過組合實施改進復合法和實驗設計來減少翹曲。他們的研究結果表明，這些方法可以有效地減少翹曲。盡管這些方法可以有效地減少翹曲，但是他們是昂貴 且 費時的，因為他們執(zhí)行許多昂貴的功能評估。與這些方法相比， 12容易執(zhí)行和可以分析有效因素，但只能得到工藝參數更好的組合，而不是設計空間中的最優(yōu)解。翹曲是過程參數的非線性隱性函數，通常由解決方案用無限元方程估計。一般來說，復雜的任務通常需要巨大 的計算成本。因此，為了降低翹曲優(yōu)化中的計算成本，許多研究人員引入了 工中性網絡（ 響應面法和支持向量回歸等代替模型。高等 [15過將克里金替代模型與改進的矩形網格法 和 預期改進（ 數方法相結合，優(yōu)化了工大連交通大學 2017 屆本科生畢業(yè)設計外文翻譯 2 藝條件以減少翹曲。 響應面法結合起來，以優(yōu)化過程參數 來 減少塑料部件的翹曲 [18,19]。 [20]使用支持向量回歸模型和遺傳算法優(yōu)化注塑工藝。他們的結果表明，基于替代模型的方法可以降低翹曲優(yōu)化中的高計算成本，遺傳算 法可以有效地接近全局最優(yōu)設計。 在這項研究中，模具溫度，熔體溫度，注射時間，包裝壓力，包裝時間和冷卻時間被認為是工藝參數。 拉丁超立方體設計（ 得小尺寸實驗設計，并通過 件評估翹曲值。 提出了基于人工神經網絡模型的自適應優(yōu)化。 自適應過程由 可以自適應地選擇附加采樣點以改善代理模型并找到最佳值 [17]。 這種方法被視為有效的全局優(yōu)化 [21]。 數值計算結果表明，該方法可有效降低翹曲。 圖 1： 圖 2：結合 化的流程圖 大連交通大學 2017 屆本科生畢業(yè)設計外文翻譯 3 圖 3：蜂窩電話蓋板的中平面模型 2人工神經網絡 神經網絡包括許多高度互聯稱為神經元的處理單元。每個神經元對加權輸入求和，然后對所得到的和應用線性或非線性函數以確定輸出，并且它們都被分層排列并通過過度連接組合。 典型的 反向傳播網絡（ [22已被廣泛應用于許多研究領域。 層的輸出直接發(fā)送到上層的每個神經元。 雖然 所有的模式識別和分類任務都可以用三層 27]。 表 1：工藝參數范圍 圖 4：優(yōu)化前蓋的翹曲 大連交通大學 2017 屆本科生畢業(yè)設計外文翻譯 4 通過向網絡反復呈現一系列輸入 /輸出模式集來訓練 經網絡通過調整其神經元之間的權重來逐漸“學習”輸入 /輸出關系 的 興趣，以最小化實際和預測輸出模式之間訓練集的誤差。培訓后，使用不在訓練集中的一組單獨的數據來監(jiān)控網絡的性能。當均方誤差（ 到最小值時，網絡訓練被認為是完整的，權重是固定的。本文采用一層隱藏三層 型，模具溫度（ 熔體溫度（ 注射時間（ 包裝壓力（ 包裝時間（ 冷卻時間（ 被視為輸入變量，翹曲被認為是輸出變量。因此確定 過試驗確定中間層的神經元數。輸入層和隱層之間的傳遞函數為“ 隱層和輸出 層之間的傳遞函數為“ 列車功能 函數為 能函數為 習周期為 50,000，學習速率為 量因子為 文使用的 所示 1。 圖 5：優(yōu)化后蓋的翹曲 表 2：優(yōu)化結果 3 習”的任意函數近似機制。 于構建翹曲與過程參數之間的近似函數關系，代替了優(yōu)化過程中仿真程序的昂貴分析和重新分析。一般來說，近似函數可能具有許多極值點，使得采用此類函數的優(yōu)化算大連交通大學 2017 屆本科生畢業(yè)設計外文翻譯 5 法收斂于局部最低 。 這里介紹了 接近全局 優(yōu)化解決方案。 是用于檢測確定性函數的全局最小值的順序設計策略的啟發(fā)式算法 [17,21]。 它可以平衡本地和全球搜索。 在某些點 x 進行采樣之前， Y（ x）的值是不確定的。 候選點 （ x）通常用)(^且使用 ? 。如果當前的最佳函數值為 可以實現 測器的改善(x)y?? 這種改善的可能性由正常密度給出： ????????????????????? ??)(2ex x )^m i ?? ）（(1) 然后，通過整合密度來發(fā)現改進的預期值： I? ????????????????????? ???? 0 22^m i ((ex p)(21)(）（???(2) 圖 6：掃描儀型號 表 3工藝參數范圍 使用積分方程 2可以寫成： ? ?)()()()( ?? ?? (3) 其中Φ和 大連交通大學 2017 屆本科生畢業(yè)設計外文翻譯 6 )( )(x ??(4) 方程式的第一個術語 3是區(qū)別當前最小響應值 (^ 由改進的概率。因此，當 )(^ 小時，第一項是大的。第二術語是預測誤差σ（ x）和正常密度的乘積函數 f（ u）。正常密度函數值大當誤差σ（ x）大時，并且 )(^ 很多預測不確定性。 這種填充采樣方法有一些優(yōu)點：（ 1）它可以智能地添加采樣點來改善 以它允許從小觀察數據“學習” ； （ 2）可以避免搜索相對較大的區(qū)域功能值，降低計算成本 ； （ 3）它也可以避免添加一些靠近彼此的點設計空間并保持 4基于改進 翹曲優(yōu)化方法 圖 7：優(yōu)化前掃描儀翹曲 翹曲最小設計問題可以描述為如下： 查找 x1, ... 大化 ? ?? ?..,, 21(5) 服從 ?? ?? ...,2,1? 其中過程參數 ... ; 標函數 ? ?? ?..,, 21由等式 3 和 4 得出 ，其中 )(是電流最小值和翹曲的預測值。 收斂標準在此滿足： 大連交通大學 2017 屆本科生畢業(yè)設計外文翻譯 7 ? ? ry ?((6) 其中Δ 邊是一個最大預期改善之間的比例最小功能值。因此，Δ r 可以不給出考慮幅度，Δ r= 實現綜合 所示 2。 表 4：優(yōu)化結果 5手機蓋翹曲優(yōu)化和掃描儀 在本節(jié)中，兩次翹曲優(yōu)化的結果舉例說明。這些旨在顯示集成 型的效率和準確性 第一個例子是手機套。它是由 3,780個三角形元素離散，如圖 1所示 3。其長度，寬度，高度和厚度分別為 130， 55， 11 和 1 材料是聚碳酸酯（ 丙烯腈 - 丁二烯 - 苯乙烯。 模具溫度（ 熔體溫度（ 注射時間（錫），包裝壓力（ 包裝時間（ 冷卻時間（ 認為是設計變量。 量化目標函數翹曲（ x）通過平面外位移，它們是兩者之和最大上下變形參考 束由下部和上部組成對表 1中給出的設計變量的約束模型 ， 在這里用于近似翹曲（ x），即由方程式 2。 模具溫度范圍和熔體溫度是基于 薦的值洞察力，注射時間，包裝壓力，包裝時間和冷卻時間由制造商的經驗決定。 首先， 擇十個樣品，然后 用 件 對 每個樣品設計翹曲 所 對應的值 進行 運行， 得出 最后一個翹曲與變形的近似函數關系 ，利用人工神經網絡模型構建工藝參數仿真，代替昂貴的仿真分析優(yōu)化迭代。 解決了基于 數的優(yōu)化問題 在 這里使用順序二次規(guī)劃 [28]。預期的改進表面可能是高度多模態(tài)的，因此難以可靠地優(yōu)化。首先，通過 1000 個隨機選擇點 和 構造近似執(zhí)行數學函數。 找出 然后將功能值選擇為一個初始設計。在此外，樣品中具有最小翹曲值的點被選擇為另一個初始設大連交通大學 2017 屆本科生畢業(yè)設計外文翻譯 8 計，即兩個優(yōu)化過程在每個迭代執(zhí)行。在與仿真分析比較，這些過程消耗的時間非常短，可以忽略。 圖 8：優(yōu)化后掃描儀翹曲 需要 20 次迭代才能獲得優(yōu)化解 ， 結果見表 3。 圖 4 和圖 5 顯示優(yōu)化前后的翹曲值，分別 為 （表 2）。 第二個例子是掃描儀。 蓋子離散由 8,046 個三角形元素組成，如圖 1所示。它是由 具溫度（ 熔體溫度（ 注射時間（錫），包裝壓力（ 包裝時間（ 冷卻時間（ 作為 設計變量。通過平面外位移量化目標函數翹曲（ x），這是最大和最小的變形參考在 束由上下限組成，設計變量見表 3。 模具溫度范圍和熔體溫度是基于 薦的值洞察，注射時間，包裝壓力，包裝時間和冷卻時間由制造商的經驗決定。 大連交通大學 2017 屆本科生畢業(yè)設計外文翻譯 9 圖 9：每個因素對手機蓋翹曲的個體影響 初始十個樣本由 25次迭代后獲得最優(yōu)解。結果如表 4所示。圖 7和圖 8分別表示優(yōu)化前后的翹曲。 6討論 表 2和表 4顯示了幾個工藝參數處于極限的邊界。 圖 9和 10顯示每個因素對翹曲的影響等 ， 所有其他因素分別保持在最佳水平。 圖 10：每個因素對掃描器翹曲的個別影響 圖 9 和 10 顯示了高熔體溫度和短注射時間是理想的。翹曲值隨著熔體溫度的變化，從 260° 00° 是因為較低的熔體溫度流動性不好，可能導致早期形成冷凍皮膚層， 將 產生更高的剪切應力 和 阻塞流。如果沒有足夠的時間釋放剪切應力，翹曲將增加。然而翹曲值隨注射時間非線性增加。對于薄壁注模部件，長注射時間可以增加冷凍表皮層與熔融芯層的比例。 它可以 阻止流動， 并 導致更高的流量剪切應力和材料中更多的分子取向。 翹曲值僅改變包裝時間的周期，當包裝時間長于某些值時，翹曲值幾乎不變 。圖 9 和 10 還顯示，當改變其他工藝參數（如包裝壓力，冷卻時間和模具溫度）時，翹曲值的變化是不規(guī)則的。翹曲值取決于所有工藝參數的綜合 影響 ，所有這些工藝參數應通過優(yōu)化提供。 7結論 在本研究中，提出了一種綜合 型和 數法，以最大限度地減少注塑件的翹曲。這種方法的目的是優(yōu)化一些近似功能訓練的人工神經網絡模型。優(yōu)化過程可以從由一組采樣點訓練的近似函數開始，然后通過 數將最佳采樣點添加到訓練集中 。 優(yōu)化的每一次迭代包括訓練近似函數和優(yōu)化 數?？紤]大連交通大學 2017 屆本科生畢業(yè)設計外文翻譯 10 到 能可以將相對意想不到的空間考慮在內，以提高 型的準確性，并快速接近全局優(yōu)化解決方案。隨著應用程序，手機蓋和掃描儀的調查，在優(yōu)化中只需要少量的 析，因為兩個示例的第一次迭代需要一組幾個采樣點（只有十個采樣點） 并且 每次迭代的后續(xù)操作只將一個采樣點添加到集合中。數值計算結果表明，所提出的優(yōu)化方法對于減少注射成型件的翹曲是有效的，可以快速收斂到優(yōu)化解。雖然這些實例的設計變量限于模具溫度，熔體溫度，注射時間，包裝壓力，包裝時間和冷卻時間，但本方法也適用于更多的工藝參數。 然而 ，還有兩個問題。第一個是開 發(fā)有效的優(yōu)化算法。因為 能是具有尖銳峰值多模態(tài) 的 ，所以很難找到最佳解決方案。第二個是針對一些優(yōu)化方法開發(fā)的，以確定 學習周期，學習速率，動量因子和隱藏神經元數量，使網絡的收斂速度快速穩(wěn)定。計劃進一步發(fā)展。 致謝 ： 作者衷心感謝中國國家自然科學基金重大計劃（ 10590354）對這項工作的財政支持，并感謝 參考文獻 [1] Y, X, (2007) of of J –3):412–418 [2] K, , , (1998)of 8(1):21–37 [3] , (1996) 36(10):1326–1335 [4] , O, C, P, (2003)J :1(9):859–872 [5] , , (1996)in 3):1839–1846 [6] , (1996) in a 6(10):1317–1325 [7] J (1998) in 38(7):1072–1084 [8] , H, , , K(1991) 大連交通大學 2017 屆本科生畢業(yè)設計外文翻譯 11 in 1(2):77–89 [9] U, I, (2001) of in 0(1):14–21 [10] H, H (1995) of on 34(5):793–811 [11] , G, (1997) of 5997, , 308–3312 [12] H, J, M, , , (2007) in J –3):418–426 [13] C, C (2001) in of a J 10(1):1–9 [14] J, Y, J, S, R, T, H,T, C (2004) of of 44(5):917–928 [15] H, C (2008) An in on 7(9–10):953–960 [16] H, S, C (2008) by 7(1):1–16 2010) 48:955–962 961 [17] H, C (2009) J 09(3):1302–1309 [18] , , (2005) of a J 69(10):314–319 [19] , (2006) of 27(5–6):468–472 [20] , S, (2006) 1(5):509–520 [21] R, , J (1998) of 大連交通大學 2017 屆本科生畢業(yè)設計外文翻譯 12 J 3 4):455–492 [22]2000) A J 3):411–416 [23] T, Q, , L (2002) of by 4(1):103–109 [24] F, T, L (2000) a a 3(4):391–396 [25] , (2006) of he in J 171(3):437–445 [26] H, W, J, T(2008)in a 35(3):843–849 [27] J (1997) 7(5):801–812 [28] , S (2009) A 4(1):61–71 H. Y. X. *) 116024 of 16 008 /24 009 /20 009# 009n an on is at of in is of A of of is an in is by is an is to As a of is be 1]. is of of 2–9]. by of or of or of is an in to 10] to in of 0%. et [11]to by of of of to 12–14]of in is a of is by . . *)16024 2010) 48:955–962In a in in et [15–17] by or et a or to of 18, 19]. et 20] on in be to as A of is An is is by I to 17]. as 1]. is a A a to to of in NN is a 22–26] in A of is in a be a 27]6 61 of NN as a in of a of to NN I s 2 of I 3 of a of C)C)s))s)tc(s)0 260 0 1 50 300 0 5 15956 2010) 48:955–962A is by a to of to a of in is to is a NN as is So of NN of by is 0,000, NN in I be as an is to an of to a EI is to to at It is a a of a 17, 21]. It (x) is (x) at a x is 2NN If an ?by NN be of is by ?????20 : e1Tof is eI?1I?01?????20 ()2T5 of 4 of C)C)s))s)tc(s)6 6 of a 2010) 48:955–962 957by 2 be eIT?138 e3T f e4Tq. 3 is at x, by of is is is a of (x) f(u). is (x) is is to be at a or (1)It to NN,so it a 2) it (3) to in NN on be 11138 1; 2;1of 1? 3 in of is to 138r e6Tr is a in is Δr be of r=of of NN I is a a he of to of C)C)s))s)tc(s)0 260 0 1 520 300 0 5 15 C) C) s) ) s) tc(s) 7 of 2010) 48:955–962of NN ,780 as 30, 55, 11, is as x) is is of to of on . x), by of on of by of to is is by NN I is 28]. be 8 of 0 70 80 9070 280 290 300s)0 80 90 2 3 4 5s)s)9 s on of 2010) 48:955–962 959to 1,000 I by of is to be in is to be at be 0 to )is a is ,046 as as x)is of of on of on of by of 5 . in of 0 s on at 0 as 00°C. is to If is no to 0 100 110 12070 280 290 300s)0 80 90 2 3 4 5s) 7 9 11 13 15s)10 s on of 2010) 48:955–962of to to in a of is is 0 is as on of be by an NN I is to of at by NN be by a of a by I of I I to of NN to a a a in a a of proposedoptimiza大連交通大學 2017 屆本科生畢業(yè)設計外文翻譯 1 基于人工神經網絡模型和期望改進函數法的注塑成型工藝參數優(yōu)化 收到： 2008 年 10 月 16 日 /接受日期： 2009 年 9 月 24 日 /在線發(fā)布： 2009 年 11月 20日＃施普林格出版社倫敦有限公司 2009。 摘要：在本研究中，提出了一種基于人工神經網絡模型的自適應優(yōu)化方法，以優(yōu)化注塑過程。優(yōu)化過程旨在最小化注塑部件的翹曲，其中工藝參數是設計變量。 具溫度，熔體溫度，注射時間，包裝壓力，包裝時間和冷卻時間均被視為工藝參數。人工神經網絡和實驗設計（ 法的組合用于構建翹曲與過程參數之間的近似函數關系，代替優(yōu)化迭代中的昂貴的仿真分析。自適應過程是通過預期的改進來實現的，這是一個填充的抽樣標準。雖然美國能源部規(guī)模小， 但是 這個標準可以平衡本地和全局搜索并趨于全局最優(yōu)解。作為示例，蜂窩電話機蓋和掃描儀的調查。結果表明，提出的自適應優(yōu)化方法可以有效降低注射成型件的翹曲。 關鍵詞 ： 注塑成型 ； 優(yōu)化 ； 實驗設計 ； 人工神經網絡 ； 預期改進功能。 1介紹 注塑成型是生產塑料制品 中 最廣泛使用的工藝。注塑模具可分為填充，填充后和開模三個階段 [1]。在生產過程中，翹曲是最重要的質量問題之一，特別是塑殼制品。其中一些研究成果已經證明了薄殼塑料件的優(yōu)化 [2 可以通過修改零件的幾何形狀或改變模具的結構或調整工藝參數來減小翹曲。零件設計和模具設計通常在產品開發(fā)的初始階段確定，不容易改變。因此優(yōu)化工藝參數是最可行和最合理的方法。塑料注射成型中的一個重要問題是在制造前預測和優(yōu)化翹曲。許多文獻一直用于翹曲優(yōu)化。 10]利用改進的 復合法優(yōu)化了壁厚和工藝條件，以減少翹曲 程度 并減少翹曲的 70％以上。 11]優(yōu)化工藝條件，通過組合實施改進復合法和實驗設計來減少翹曲。他們的研究結果表明，這些方法可以有效地減少翹曲。盡管這些方法可以有效地減少翹曲，但是他們是昂貴 且 費時的，因為他們執(zhí)行許多昂貴的功能評估。與這些方法相比， 12容易執(zhí)行和可以分析有效因素，但只能得到工藝參數更好的組合，而不是設計空間中的最優(yōu)解。翹曲是過程參數的非線性隱性函數，通常由解決方案用無限元方程估計。一般來說，復雜的任務通常需要巨大 的計算成本。因此，為了降低翹曲優(yōu)化中的計算成本，許多研究人員引入了 工中性網絡（ 響應面法和支持向量回歸等代替模型。高等 [15過將克里金替代模型與改進的矩形網格法 和 預期改進（ 數方法相結合，優(yōu)化了工大連交通大學 2017 屆本科生畢業(yè)設計外文翻譯 2 藝條件以減少翹曲。 響應面法結合起來，以優(yōu)化過程參數 來 減少塑料部件的翹曲 [18,19]。 [20]使用支持向量回歸模型和遺傳算法優(yōu)化注塑工藝。他們的結果表明，基于替代模型的方法可以降低翹曲優(yōu)化中的高計算成本，遺傳算 法可以有效地接近全局最優(yōu)設計。 在這項研究中，模具溫度，熔體溫度，注射時間，包裝壓力，包裝時間和冷卻時間被認為是工藝參數。 拉丁超立方體設計（ 得小尺寸實驗設計，并通過 件評估翹曲值。 提出了基于人工神經網絡模型的自適應優(yōu)化。 自適應過程由 可以自適應地選擇附加采樣點以改善代理模型并找到最佳值 [17]。 這種方法被視為有效的全局優(yōu)化 [21]。 數值計算結果表明，該方法可有效降低翹曲。 圖 1： 圖 2：結合 化的流程圖 大連交通大學 2017 屆本科生畢業(yè)設計外文翻譯 3 圖 3：蜂窩電話蓋板的中平面模型 2人工神經網絡 神經網絡包括許多高度互聯稱為神經元的處理單元。每個神經元對加權輸入求和，然后對所得到的和應用線性或非線性函數以確定輸出，并且它們都被分層排列并通過過度連接組合。 典型的 反向傳播網絡（ [22已被廣泛應用于許多研究領域。 層的輸出直接發(fā)送到上層的每個神經元。 雖然 所有的模式識別和分類任務都可以用三層 27]。 表 1：工藝參數范圍 圖 4：優(yōu)化前蓋的翹曲 大連交通大學 2017 屆本科生畢業(yè)設計外文翻譯 4 通過向網絡反復呈現一系列輸入 /輸出模式集來訓練 經網絡通過調整其神經元之間的權重來逐漸“學習”輸入 /輸出關系 的 興趣，以最小化實際和預測輸出模式之間訓練集的誤差。培訓后，使用不在訓練集中的一組單獨的數據來監(jiān)控網絡的性能。當均方誤差（ 到最小值時，網絡訓練被認為是完整的，權重是固定的。本文采用一層隱藏三層 型，模具溫度（ 熔體溫度（ 注射時間（ 包裝壓力（ 包裝時間（ 冷卻時間（ 被視為輸入變量，翹曲被認為是輸出變量。因此確定 過試驗確定中間層的神經元數。輸入層和隱層之間的傳遞函數為“ 隱層和輸出 層之間的傳遞函數為“ 列車功能 函數為 能函數為 習周期為 50,000，學習速率為 量因子為 文使用的 所示 1。 圖 5：優(yōu)化后蓋的翹曲 表 2：優(yōu)化結果 3 習”的任意函數近似機制。 于構建翹曲與過程參數之間的近似函數關系，代替了優(yōu)化過程中仿真程序的昂貴分析和重新分析。一般來說，近似函數可能具有許多極值點，使得采用此類函數的優(yōu)化算大連交通大學 2017 屆本科生畢業(yè)設計外文翻譯 5 法收斂于局部最低 。 這里介紹了 接近全局 優(yōu)化解決方案。 是用于檢測確定性函數的全局最小值的順序設計策略的啟發(fā)式算法 [17,21]。 它可以平衡本地和全球搜索。 在某些點 x 進行采樣之前， Y（ x）的值是不確定的。 候選點 （ x）通常用)(^且使用 ? 。如果當前的最佳函數值為 可以實現 測器的改善(x)y?? 這種改善的可能性由正常密度給出： ????????????????????? ??)(2ex x )^m i ?? ）（(1) 然后，通過整合密度來發(fā)現改進的預期值： I? ????????????????????? ???? 0 22^m i ((ex p)(21)(）（???(2) 圖 6：掃描儀型號 表 3工藝參數范圍 使用積分方程 2可以寫成： ? ?)()()()( ?? ?? (3) 其中Φ和 大連交通大學 2017 屆本科生畢業(yè)設計外文翻譯 6 )( )(x ??(4) 方程式的第一個術語 3是區(qū)別當前最小響應值 (^ 由改進的概率。因此，當 )(^ 小時，第一項是大的。第二術語是預測誤差σ（ x）和正常密度的乘積函數 f（ u）。正常密度函數值大當誤差σ（ x）大時，并且 )(^ 很多預測不確定性。 這種填充采樣方法有一些優(yōu)點：（ 1）它可以智能地添加采樣點來改善 以它允許從小觀察數據“學習” ； （ 2）可以避免搜索相對較大的區(qū)域功能值，降低計算成本 ； （ 3）它也可以避免添加一些靠近彼此的點設計空間并保持 4基于改進 翹曲優(yōu)化方法 圖 7：優(yōu)化前掃描儀翹曲 翹曲最小設計問題可以描述為如下： 查找 x1, ... 大化 ? ?? ?..,, 21(5) 服從 ?? ?? ...,2,1? 其中過程參數 ... ; 標函數 ? ?? ?..,, 21由等式 3 和 4 得出 ，其中 )(是電流最小值和翹曲的預測值。 收斂標準在此滿足： 大連交通大學 2017 屆本科生畢業(yè)設計外文翻譯 7 ? ? ry ?((6) 其中Δ 邊是一個最大預期改善之間的比例最小功能值。因此，Δ r 可以不給出考慮幅度，Δ r= 實現綜合 所示 2。 表 4：優(yōu)化結果 5手機蓋翹曲優(yōu)化和掃描儀 在本節(jié)中，兩次翹曲優(yōu)化的結果舉例說明。這些旨在顯示集成 型的效率和準確性 第一個例子是手機套。它是由 3,780個三角形元素離散，如圖 1所示 3。其長度，寬度，高度和厚度分別為 130， 55， 11 和 1 材料是聚碳酸酯（ 丙烯腈 - 丁二烯 - 苯乙烯。 模具溫度（ 熔體溫度（ 注射時間（錫），包裝壓力（ 包裝時間（ 冷卻時間（ 認為是設計變量。 量化目標函數翹曲（ x）通過平面外位移，它們是兩者之和最大上下變形參考 束由下部和上部組成對表 1中給出的設計變量的約束模型 ， 在這里用于近似翹曲（ x），即由方程式 2。 模具溫度范圍和熔體溫度是基于 薦的值洞察力，注射時間，包裝壓力，包裝時間和冷卻時間由制造商的經驗決定。 首先， 擇十個樣品，然后 用 件 對 每個樣品設計翹曲 所 對應的值 進行 運行， 得出 最后一個翹曲與變形的近似函數關系 ，利用人工神經網絡模型構建工藝參數仿真，代替昂貴的仿真分析優(yōu)化迭代。 解決了基于 數的優(yōu)化問題 在 這里使用順序二次規(guī)劃 [28]。預期的改進表面可能是高度多模態(tài)的，因此難以可靠地優(yōu)化。首先，通過 1000 個隨機選擇點 和 構造近似執(zhí)行數學函數。 找出 然后將功能值選擇為一個初始設計。在此外，樣品中具有最小翹曲值的點被選擇為另一個初始設大連交通大學 2017 屆本科生畢業(yè)設計外文翻譯 8 計，即兩個優(yōu)化過程在每個迭代執(zhí)行。在與仿真分析比較，這些過程消耗的時間非常短，可以忽略。 圖 8：優(yōu)化后掃描儀翹曲 需要 20 次迭代才能獲得優(yōu)化解 ， 結果見表 3。 圖 4 和圖 5 顯示優(yōu)化前后的翹曲值，分別 為 （表 2）。 第二個例子是掃描儀。 蓋子離散由 8,046 個三角形元素組成，如圖 1所示。它是由 具溫度（ 熔體溫度（ 注射時間（錫），包裝壓力（ 包裝時間（ 冷卻時間（ 作為 設計變量。通過平面外位移量化目標函數翹曲（ x），這是最大和最小的變形參考在 束由上下限組成，設計變量見表 3。 模具溫度范圍和熔體溫度是基于 薦的值洞察，注射時間，包裝壓力，包裝時間和冷卻時間由制造商的經驗決定。 大連交通大學 2017 屆本科生畢業(yè)設計外文翻譯 9 圖 9：每個因素對手機蓋翹曲的個體影響 初始十個樣本由 25次迭代后獲得最優(yōu)解。結果如表 4所示。圖 7和圖 8分別表示優(yōu)化前后的翹曲。 6討論 表 2和表 4顯示了幾個工藝參數處于極限的邊界。 圖 9和 10顯示每個因素對翹曲的影響等 ， 所有其他因素分別保持在最佳水平。 圖 10：每個因素對掃描器翹曲的個別影響 圖 9 和 10 顯示了高熔體溫度和短注射時間是理想的。翹曲值隨著熔體溫度的變化，從 260° 00° 是因為較低的熔體溫度流動性不好，可能導致早期形成冷凍皮膚層， 將 產生更高的剪切應力 和 阻塞流。如果沒有足夠的時間釋放剪切應力，翹曲將增加。然而翹曲值隨注射時間非線性增加。對于薄壁注模部件，長注射時間可以增加冷凍表皮層與熔融芯層的比例。 它可以 阻止流動， 并 導致更高的流量剪切應力和材料中更多的分子取向。 翹曲值僅改變包裝時間的周期，當包裝時間長于某些值時，翹曲值幾乎不變 。圖 9 和 10 還顯示，當改變其他工藝參數（如包裝壓力，冷卻時間和模具溫度）時，翹曲值的變化是不規(guī)則的。翹曲值取決于所有工藝參數的綜合 影響 ，所有這些工藝參數應通過優(yōu)化提供。 7結論 在本研究中，提出了一種綜合 型和 數法，以最大限度地減少注塑件的翹曲。這種方法的目的是優(yōu)化一些近似功能訓練的人工神經網絡模型。優(yōu)化過程可以從由一組采樣點訓練的近似函數開始，然后通過 數將最佳采樣點添加到訓練集中 。 優(yōu)化的每一次迭代包括訓練近似函數和優(yōu)化 數?？紤]大連交通大學 2017 屆本科生畢業(yè)設計外文翻譯 10 到 能可以將相對意想不到的空間考慮在內，以提高 型的準確性，并快速接近全局優(yōu)化解決方案。隨著應用程序，手機蓋和掃描儀的調查，在優(yōu)化中只需要少量的 析，因為兩個示例的第一次迭代需要一組幾個采樣點（只有十個采樣點） 并且 每次迭代的后續(xù)操作只將一個采樣點添加到集合中。數值計算結果表明，所提出的優(yōu)化方法對于減少注射成型件的翹曲是有效的，可以快速收斂到優(yōu)化解。雖然這些實例的設計變量限于模具溫度，熔體溫度，注射時間，包裝壓力，包裝時間和冷卻時間，但本方法也適用于更多的工藝參數。 然而 ，還有兩個問題。第一個是開 發(fā)有效的優(yōu)化算法。因為 能是具有尖銳峰值多模態(tài) 的 ，所以很難找到最佳解決方案。第二個是針對一些優(yōu)化方法開發(fā)的，以確定 學習周期，學習速率，動量因子和隱藏神經元數量，使網絡的收斂速度快速穩(wěn)定。計劃進一步發(fā)展。 致謝 ： 作者衷心感謝中國國家自然科學基金重大計劃（ 10590354）對這項工作的財政支持，并感謝 參考文獻 [1] Y, X, (2007) of of J –3):412–418 [2] K, , , (1998)of 8(1):21–37 [3] , (1996) 36(10):1326–1335 [4] , O, C, P, (2003)J :1(9):859–872 [5] , , (1996)in 3):1839–1846 [6] , (1996) in a 6(10):1317–1325 [7] J (1998) in 38(7):1072–1084 [8] , H, , , K(1991) 大連交通大學 2017 屆本科生畢業(yè)設計外文翻譯 11 in 1(2):77–89 [9] U, I, (2001) of in 0(1):14–21 [10] H, H (1995) of on 34(5):793–811 [11] , G, (1997) of 5997, , 308–3312 [12] H, J, M, , , (2007) in J –3):418–426 [13] C, C (2001) in of a J 10(1):1–9 [14] J, Y, J, S, R, T, H,T, C (2004) of of 44(5):917–928 [15] H, C (2008) An in on 7(9–10):953–960 [16] H, S, C (2008) by 7(1):1–16 2010) 48:955–962 961 [17] H, C (2009) J 09(3):1302–1309 [18] , , (2005) of a J 69(10):314–319 [19] , (2006) of 27(5–6):468–472 [20] , S, (2006) 1(5):509–520 [21] R, , J (1998) of 大連交通大學 2017 屆本科生畢業(yè)設計外文翻譯 12 J 3 4):455–492 [22]2000) A J 3):411–416 [23] T, Q, , L (2002) of by 4(1):103–109 [24] F, T, L (2000) a a 3(4):391–396 [25] , (2006) of he in J 171(3):437–445 [26] H, W, J, T(2008)in a 35(3):843–849 [27] J (1997) 7(5):801–812 [28] , S (2009) A 4(1):61–71 H. Y. X. *) 116024