Page 62 - 《橡塑技术与装备》2023年10期

橡塑技术与装备 CHINA RUBBER/PLASTICS TECHNOLOGY AND EQUIPMENT

般会采用 CCD ；而 BBD 由于涉及试验点更少，不包 柴油机机油冷却器盖注塑工艺参数进行多目标优化，
含嵌入因子或部分因子设计，故实验次数相对同因素 使产品翘曲得到有效改善。遗传算法是类比生物进化
及因素水平条件下 CCD 更少，且对快速剔除一阶和二 的模拟研究方法，按照物竞天择，适者生存的核心理
阶系数更为占优。还有其他运用较少的实验设计方法， 念，效仿生物遗传和进化过程，对种群内部个体进行
包括 Plackett-Burman 试验设计 [6] 、分式析因实验设 选择、交叉和变异，以实现近似最优解搜索 [13] 。Cao
计(FFD) [7] 和拉丁超立方设计 (LHD) [8] 等。实验设计 等 [15] 针对细长、悬臂式和薄壁塑料件容易形成过度翘
方法能在一定程度上优化注塑工艺参数，但由于实验 曲变形的特点，以汽车音响外壳为例，采用基于自适
数据的离散性，多数实验设计方法只能在已有试验点 应网络的模糊推理系统 (ANFIS) 和遗传算法 (GA) 对
中寻优，找出的最优工艺参数组合方案结果不够精细， 注塑工艺参数进行优化，优化后产品翘曲降低 88.25 %，
并不一定是全局最优的工艺参数组合。 优化效果显著。

图 2 一种神经网络（约束生成逆设计网络，CGIDN）
图 1 响应面法拟合的二次曲面 [4] 结构图 [35]

[9]
1.2 智能优化算法 其他非启发式算法，包括高斯过程回归 (GPR) 、
计算机科学和机器学习技术的蓬勃发展为注塑工 Kriging 模型 [19] 、支持向量机 (SVM) [20~21] 等。高斯过
艺参数优化注入强大生命力，破除传统实验设计方法 程回归与 Kriging 模型是非常相近的，Kriging 模型是
局限。考虑到工艺参数变量与质量目标之间的非线性 一种半参数模型，而 GPR 是一种非参数模型，本质上
映射关系，以机器学习为基础的智能优化算法为全局 来说两者均是基于高斯过程的。许方敏等 [9] 以车灯导
工艺参数寻优提供了新思路。目前常用于注塑工艺参 光条为研究对象，利用高斯过程回归与人工神经网络
数优化的算法多为启发式算法，如人工神经网络算法 建立代理模型，并以此构造适应度函数，利用多目标
(ANN) [8~12] 、遗传算法 (GA) [9~12,14~15] 、粒子群算法 (PSO) 遗传算法全域寻优，得到工艺参数最优水平组合，高
[16] [17]
、蚁群算法 (ACO) 等。 效改良车灯导光条成型品质，减小体积收缩及缩痕，
人工神经网络 ( 基本原理如图 2 所示 ) 是一种广 抑制翘曲变形。Li 等 [19] 建立 Kriging 模型，以拟合
泛应用的模拟生物神经系统连接方式及推理行为的方 一些显著因子与翘曲变形之间的非线性函数关系，获
法 [19] ，由于其较强的自适应学习能力，广泛运用于各 得最佳工艺参数，减少透明零件翘曲。SVM 可以对训
类优化问题中。在注塑工艺参数优化中，常见的有反 练数据进行正确的划分并构建间隔最大的分类超平面，
向传播 (BP) 神经网络 [9~11] 、径向基函数 (RBF) 神经网 成为小样本注射成型工艺窗口构建的重要方法之一
络 [12] 等。Luo 等 [10] 为解决乘用车前部塑料翼板注射 [22] 。Li 等 [20] 以移动电话盖板为例，利用 SVM 建立回
成型过程中翘曲变形较大、制冷作用不足的难题，使 归模型，研究注塑工艺参量和零部件缺陷间的非线性
用正交试验研究有关工艺参量对翘曲的影响程度，并 关系，通过遗传算法找到 SVM 的最优核参数，显著
依据翘曲变形量建立 BP 神经网络模型，利用遗传算 减小零部件翘曲变形。
法全局寻优，得出最优注塑工艺参数组合，有效降低 在基础算法上，学者往往根据实际需求，改进基
产品翘曲变形量。Zhang 等 [8] 基于最优拉丁超立方体 础算法，以提升算法的收敛速率、稳定性，并找到更
设计、椭球基函数神经网络和多目标粒子群优化，对 精确的全局最优解。如非支配排序遗传算法 (NSGA-

·14· 第 49 卷 第 10 期