[发明专利]一种玻璃纤维增强塑料注塑工艺参数多目标优化方法

权利要求书

1.一种玻璃纤维增强塑料注塑工艺参数多目标优化方法，其特征在于，针对玻璃纤维增强塑料塑件的翘曲和体积收缩此两目标优化问题，具体包括以下步骤：

步骤一、选取影响这两个目标的工艺参数作为优化的设计变量，在由设计变量所构成的设计空间范围内，采用基于分层抽样技术的拉丁超立方抽样方法LHS得到多个样本点，并通过Moldflow软件进行模拟仿真得到各个样本点的翘曲值和体积收缩率；

步骤二、基于拉丁超立方抽样所得的样本结果，构建极限学习机模型ELM以建立工艺参数和质量目标之间的非线性数学模型，并通过遗传算法优化极限学习机模型ELM；

步骤三、采用多目标萤火虫算法MOFA对该两目标问题进行优化；

步骤四、最后通过包括逼近理想解排序法TOPSIS、熵权和灰色关联分析GRA的GRA-TOPSIS方法评估获得最优方案及相应的最优注塑工艺参数。

2.根据权利要求1所述的玻璃纤维增强塑料注塑工艺参数多目标优化方法，其特征在于，步骤二中，构建极限学习机模型ELM过程中，通过不断调整隐含层节点个数，获得较优的极限学习机模型ELM。

3.根据权利要求1所述的玻璃纤维增强塑料注塑工艺参数多目标优化方法，其特征在于，步骤二中，采用Gatbx遗传算法优化极限学习机模型ELM生成GA-ELM模型。

4.根据权利要求3所述的玻璃纤维增强塑料注塑工艺参数多目标优化方法，其特征在于，GA-ELM模型以训练样本的均方根误差RMSE为适应度值，通过选择操作、交叉操作和变异操作不断更新适应度值，以提高模型预测精度，具体算法流程如下：

步骤1、确定隐含层节点个数，并初始化连接权值和阈值；

步骤2、设置GA参数后导入数据进行种群初始化，并计算第一代种群适应度值；

步骤3、进行选择操作、交叉操作和变异操作后，计算新一代种群的适应度值；

步骤4、更新最优个体后，若最优个体不满足迭代终止条件，则返回步骤3；若最优个体满足迭代终止条件，则将获得的最优连接权值和阈值用于构建ELM模型，并对测试样本进行预测；

步骤5、评价该GA-ELM模型的预测精度。

5.根据权利要求1所述的玻璃纤维增强塑料注塑工艺参数多目标优化方法，其特征在于，步骤四中，GRA-TOPSIS方法，首先构建加权标准化矩阵，然后再通过灰色关联度GRA改进逼近理想解排序法TOPSIS。

6.根据权利要求5所述的玻璃纤维增强塑料注塑工艺参数多目标优化方法，其特征在于，构建加权标准化矩阵时，假设对m个样本进行评价，包含n个评价指标，相对应的各指标值组成决策矩阵X＝(x_ij)_m×n，先采用熵权法确定各指标的权重，再构建加权标准化矩阵，具体的步骤如下：

步骤1、决策矩阵数据归一化，对数据进行标准化处理，得到标准化决策矩阵Y＝(y_ij)_m×n；

步骤2、计算指标熵值，根据熵的定义，第j个指标的熵值e_j为：

步骤3、计算第j个指标的熵权W_j，计算公式如下：

步骤4、计算加权标准化矩阵Z，其计算公式为：

Z＝(z_ij)_m×n＝W_j×y_ij。

7.根据权利要求5所述的玻璃纤维增强塑料注塑工艺参数多目标优化方法，其特征在于，通过灰色关联度GRA改进逼近理想解排序法TOPSIS步骤如下：

步骤1、计算各样本到正负理想解的欧式距离：

步骤1.1、加权标准化矩阵Z的正理想解Z⁺和负理想解Z^-可表示为：

式中：

步骤1.2、计算各样本到正理想解的欧式距离和到负理想解的欧式距离其计算公式为：

步骤2、计算各样本到正负理想解的灰色关联：

步骤2.1、计算各样本到正负理想解的灰色关联度系数矩阵，其计算公式为：

式中，ρ为分辨系数，ρ∈[0,1]；

步骤2.2、计算各样本到正负理想解的灰色关联度，其计算公式为：

步骤3、计算各样本的成型性指数：

步骤3.1、对欧式距离和灰色关联度进行无量纲处理：

步骤3.2、计算各样本与正理想解的接近程度T_i⁺和到负理想解的接近程度T_i^-，其计算公式为：

式中，a和b为偏好系数，且a+b＝1；

步骤3.3、计算成型性指数，其计算公式为：