基于径向基函数神经网络和多岛遗传算法的注射成型质量控制与预测

针对现有多参数、多目标注塑工艺优化应用的遗传算法、粒子群算法等寻优算法存在的实施难度大、求解时间长等缺点,提出基于最优拉丁超立方试验设计方法并结合径向基函数(RBF)神经网络模型和多岛遗传算法(MIGA)对注射成型质量进行控制与预测。以充电宝下盖塑件的体积收缩率和缩痕指数为优化控制目标,以模具温度、熔体温度、保压时间、保压压力、冷却时间为试验因素,应用最优拉丁超立方试验设计方法获得试验样本,基于模流分析获得试验结果,构建试验因素与优化控制目标之间的RBF神经网络模型,基于MIGA在试验因素给定的水平范围内获得了一组最优注塑工艺参数组合并给出了优化控制目标的预测值。模拟试验结果证明,预测值与模拟试验结果基本吻合,提出的方法能实现注塑成型质量的控制与预测,减少了寻找最优工艺参数组合的时间,提高了塑件的生产效率。

基于RBF神经网络和遗传算法的注塑成型质量控制与预测

针对注塑产品容易产生翘曲和缩痕的问题,以某检测仪外壳为研究对象,运用RBF神经网络模型和遗传算法,对注塑成型质量进行控制与预测。基于正交试验方案,运用Moldflow有限元分析软件获得试验结果;利用样本数据建立试验因素与响应值之间的RBF神经网络模型,并用最优拉丁超立方抽样技术,获得样本点对模型精度进行检验;运用带精英策略的非支配排序遗传算法(NSGA-Ⅱ)对注塑成型工艺参数进行多目标优化,达到有效控制和预测翘曲变形、体积收缩率和缩痕指数的目的,并经模拟和试模验证误差较小。结果表明,运用RBF神经网络模型和遗传算法对注塑成型质量进行控制与预测,生产出检测仪外壳最大翘曲变形量为0.394 mm,外观无缩痕。

基于代理模型和NLPQL算法的注塑成型质量控制与预测

为快速求得满足塑件成型质量要求的一组最优注塑工艺参数组合,减少注塑生产时操作人员的调试次数,提高塑件成型质量以及生产效率,提出基于多元二阶响应面代理模型和非线性序列二次规划(NLPQL)算法对注塑成型质量进行控制与预测。以某型无线对讲机的塑料外壳为分析对象,应用拉丁超立方抽样法并结合模流分析建立试验样本,构建试验优化目标同试验因素之间的二阶响应面代理模型,基于NLPQL算法在代理模型内进行全局寻优,求得了一组满足塑件成型质量的最优工艺参数组合,NLPQL算法给出了该塑件翘曲量和缩合指数的预测值。试验结果证明了提出方法的有效性,为其他塑件的注塑成型质量控制提供了一套有益的理论方法。

变速箱装配质量控制方法研究

为提高变速箱装配质量,保证整机性能满足设计要求,在综合分析变速箱装配工艺和特点的基础上,提出了变速箱装配质量动态控制与预测系统(AQDCFS),并对控制系统的体系结构和功能模型进行了介绍。详细分析了基于公差带的质量数据标准化技术、PSO-BP神经网络技术等关键使能技术。在以上理论的基础上开发了原型系统,并以某变速箱生产车间为应用背景,验证系统的实用性和可靠性。