[發(fā)明專利]基于GRNN神經(jīng)網(wǎng)絡(luò)的注塑工藝優(yōu)化方法及注塑工藝

在審

• 申請(qǐng)?zhí)枺?/td>: 201711211044.9
• 申請(qǐng)日: 2017-11-28
• 公開(kāi)（公告）號(hào): CN107944147A
• 公開(kāi)（公告）日: 2018-04-20
• 發(fā)明（設(shè)計(jì)）人: 唐西西;鄧其貴;王晶晶;梁德堅(jiān);黃力
• 申請(qǐng)（專利權(quán)）人: 柳州市城中區(qū)聚寶機(jī)械沖壓廠
• 主分類號(hào): G06F17/50
• 分類號(hào): G06F17/50;G06N3/08
• 代理公司: 北京方圓嘉禾知識(shí)產(chǎn)權(quán)代理有限公司11385
• 代理人: 聶鵬

1.一種基于GRNN神經(jīng)網(wǎng)絡(luò)的注塑工藝優(yōu)化方法，其特征在于，包括以下步驟：

建立注塑產(chǎn)品的CAE分析模型；

利用CAE軟件對(duì)所述CAE分析模型的注塑工藝參數(shù)進(jìn)行仿真，確定影響所述注塑產(chǎn)品產(chǎn)生注塑缺陷的注塑工藝參數(shù)種類；

將所述注塑工藝參數(shù)種類轉(zhuǎn)化為控制參數(shù)種類；

基于所述控制參數(shù)種類，利用GRNN神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，獲取最終優(yōu)化控制參數(shù)。

2.根據(jù)權(quán)利要求1所述的基于GRNN神經(jīng)網(wǎng)絡(luò)的注塑工藝優(yōu)化方法，其特征在于，利用CAE軟件對(duì)所述CAE分析模型的注塑工藝參數(shù)進(jìn)行仿真，確定影響所述注塑產(chǎn)品產(chǎn)生注塑缺陷的注塑工藝參數(shù)種類，包括以下步驟：

利用所述CAE軟件對(duì)所述注塑產(chǎn)品的澆口系統(tǒng)優(yōu)化。

3.根據(jù)權(quán)利要求2所述的基于GRNN神經(jīng)網(wǎng)絡(luò)的注塑工藝優(yōu)化方法，其特征在于，利用所述CAE軟件對(duì)所述注塑產(chǎn)品的澆口系統(tǒng)優(yōu)化，包括以下步驟：

設(shè)計(jì)所述注塑產(chǎn)品的澆口數(shù)量及對(duì)應(yīng)的澆口位置；

利用所述CAE軟件對(duì)所述注塑產(chǎn)品的澆口數(shù)量及對(duì)應(yīng)的位置進(jìn)行優(yōu)化；

利用所述CAE軟件對(duì)澆口尺寸以及流道尺寸進(jìn)行優(yōu)化，獲得澆口系統(tǒng)優(yōu)化結(jié)果。

4.根據(jù)權(quán)利要求3所述的基于GRNN神經(jīng)網(wǎng)絡(luò)的注塑工藝優(yōu)化方法，其特征在于，在利用CAE軟件進(jìn)行所述注塑產(chǎn)品的澆口系統(tǒng)優(yōu)化步驟之后，還包括以下步驟：

利用所述CAE軟件對(duì)所述澆口系統(tǒng)優(yōu)化的結(jié)果進(jìn)行成型窗口分析以及優(yōu)化；

利用所述CAE軟件對(duì)所述成型窗口分析以及優(yōu)化后的結(jié)果進(jìn)行填充、保壓、翹曲分析，確定影響所述注塑產(chǎn)品產(chǎn)生注塑缺陷的注塑工藝參數(shù)種類。

5.根據(jù)權(quán)利要求4所述的基于GRNN神經(jīng)網(wǎng)絡(luò)的注塑工藝優(yōu)化方法，其特征在于，在利用CAE軟件進(jìn)行所述注塑產(chǎn)品的澆口系統(tǒng)優(yōu)化步驟之后，還包括以下步驟：

利用所述CAE軟件對(duì)所述澆口系統(tǒng)優(yōu)化的結(jié)果進(jìn)行成型窗口的分析、優(yōu)化；

利用所述CAE軟件對(duì)所述成型窗口分析、優(yōu)化后的結(jié)果進(jìn)行填充、保壓以及翹曲的分析、優(yōu)化，獲取第一優(yōu)化注塑工藝參數(shù)。

6.根據(jù)權(quán)利要求5所述的基于GRNN神經(jīng)網(wǎng)絡(luò)的注塑工藝優(yōu)化方法，其特征在于，所述注塑工藝參數(shù)種類包括澆口位置、冷流道入口溫度、模仁溫度、注射壓力、注射時(shí)間、保壓壓力、保壓時(shí)間、冷卻流速、冷卻入口溫度以及冷卻時(shí)間中的任意一種或幾種。

7.根據(jù)權(quán)利要求6所述的基于GRNN神經(jīng)網(wǎng)絡(luò)的注塑工藝優(yōu)化方法，其特征在于，將所述注塑工藝參數(shù)種類轉(zhuǎn)化為控制參數(shù)種類，是將所述冷流道入口溫度轉(zhuǎn)化為料溫，將所述模仁溫度轉(zhuǎn)化為模溫，將所述注射壓力、注射時(shí)間、保壓壓力以及保壓時(shí)間分別轉(zhuǎn)化為對(duì)應(yīng)段的螺桿相對(duì)轉(zhuǎn)速以及螺桿位置。

8.根據(jù)權(quán)利要求7所述的基于GRNN神經(jīng)網(wǎng)絡(luò)的注塑工藝優(yōu)化方法，其特征在于，

在將所述注塑工藝參數(shù)種類轉(zhuǎn)化為控制參數(shù)種類步驟之后，還包括以下步驟：

將所述第一優(yōu)化注塑工藝參數(shù)對(duì)應(yīng)轉(zhuǎn)化為第一優(yōu)化控制參數(shù)。

9.根據(jù)權(quán)利要求8所述的基于GRNN神經(jīng)網(wǎng)絡(luò)的注塑工藝優(yōu)化方法，其特征在于，

基于所述控制參數(shù)種類，利用GRNN神經(jīng)網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)訓(xùn)練，獲取最終優(yōu)化控制參數(shù)，包括以下步驟：

根據(jù)所述控制參數(shù)種類以及所述第一優(yōu)化控制參數(shù)進(jìn)行正交試驗(yàn)設(shè)計(jì)，將所述正交試驗(yàn)設(shè)計(jì)結(jié)果利用CAE軟件進(jìn)行填充、保壓、翹曲分析，獲取基于翹曲量以及熔接線數(shù)量的樣本；

選取若干所述樣本作為訓(xùn)練樣本，利用所述GRNN神經(jīng)網(wǎng)絡(luò)對(duì)所述訓(xùn)練樣本進(jìn)行網(wǎng)絡(luò)訓(xùn)練，獲取訓(xùn)練好的第一GRNN神經(jīng)網(wǎng)絡(luò)；

選取若干剩余的所述樣本作為檢驗(yàn)樣本，利用所述第一GRNN神經(jīng)網(wǎng)絡(luò)所述檢驗(yàn)樣本進(jìn)行預(yù)測(cè)，獲取第一GRNN神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值；

將所述第一GRNN神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)值與對(duì)應(yīng)檢驗(yàn)樣本的CAE仿真結(jié)果比對(duì)，選取相對(duì)最佳控制參數(shù)；

利用所述第一GRNN神經(jīng)網(wǎng)絡(luò)對(duì)二次密化后的所述相對(duì)最佳控制參數(shù)進(jìn)行網(wǎng)絡(luò)訓(xùn)練再次尋優(yōu)，獲取尋優(yōu)結(jié)果；

利用反歸一化處理所述尋優(yōu)結(jié)果，獲取最佳注塑工藝參數(shù)。

10.一種注塑工藝，其特征在于，所述注塑工藝通過(guò)權(quán)利要求1至9任意一項(xiàng)所述的基于GRNN神經(jīng)網(wǎng)絡(luò)的注塑工藝優(yōu)化方法獲得。