[发明专利]一种薄壁塑件注射成型工艺参数多目标优化方法

说明书

本发明公开了一种薄壁塑件注射成型工艺参数多目标优化方法，以最小化翘曲和体积收缩为两个优化目标，将Moldflow模拟软件与拉丁超立方采样LHS相结合，首先在LHS的基础上采用随机森林回归RFR构建注塑工艺参数与两个优化目标之间的数学关系；然后将高斯过程GP作为概率代理模型、将提升策略PI作为采集函数，建立贝叶斯优化算法BO、并以此对RFR的超参数进行优化，从而构建BO‑RFR模型；最后，采用NSGA‑II对BO‑RFR进行多目标优化，获得最佳注射成型工艺参数。通过有限元模拟验证和物理试验验证，表明该优化方法能够能大大降低薄壁塑件的翘曲和体积收缩率。

技术领域

本发明涉及一种工艺参数优化方法，具体是一种基于BO-RFR和NSGA-II方法的薄壁塑件注射成型工艺参数多目标优化方法，属于注塑加工技术领域。

背景技术

塑料注射成型(Plastic injection molding,PIM)是生产塑料产品以提高效率和可制造性的最广泛使用的加工技术之一，具有较高的生产效率和加工能力。PIM可以有效地减轻产品重量，促进汽车轻量化的发展。整个加工过程中，主要有四个因素影响着产品的成型质量，分别是模具结构、零件结构、成型材料和工艺参数。与其他三个因素相比，设置合适的工艺参数是最直接和节省成本的方法。工艺参数的设置决定了塑料熔体在模具中的流动填充状态，最佳工艺条件对生产高质量塑件至关重要。然而，在PIM过程中各种因素之间存在复杂的相互作用，很难找到最佳的工艺参数。针对薄壁塑件，翘曲和体积收缩是两个主要的成型缺陷。随着计算机技术的发展，PIM的仿真与优化方法相结合引起了广泛的关注。为了最小化PIM产生的翘曲和体积收缩缺陷，许多研究人员基于数值计算技术优化PIM工艺参数。

通常，优化成型工艺参数主要包括三个步骤：获取原始数据，构建代理模型以及应用优化算法。原始数据一般是通过模拟和试验设计(Design of experiment,DOE)的组合获得。由于传统的PIM依赖于经验并且需要反复试验，因此各种CAE分析软件，如Moldflow和Modex3D都可以用来模拟PIM过程。此外，不同的DOE方法，如Taguchi，box-behnken试验设计被用来减少试验次数。由于工艺参数与质量目标之间存在非线性映射关系，目前研究人员通常采用响应面方法(Response surface methodology,RSM)、人工神经网络(Artificialneural network,ANN)和克里金模型(Kriging)等来构建目标函数及数学模型，并采用元启发式优化算法对于单目标进行优化。模型的精确性直接决定了优化方法的效果。RSM通常以二次多项式的形式反映映射关系，适用于低、中等非线性响应。ANN和克里金模型通过对样本数据点进行插值，但其回归曲面不如RSM平滑。此外，ANN和Kriging适合于高非线性问题，但它们需要足够的样本数据集。与这些代理模型相比，RFR是一种非常强大的机器学习工具，可以生成非常准确的结果，而不会出现过度拟合的问题，且对异常值和噪声具有很好的容忍度，但RFR的超参数需要优化以提高回归的准确性。随机搜索(Random search,RS)是一种传统的参数调整方法，但该方法过于随机，很容易落入局部最优解中。

由于塑件通常不止一个缺陷，因此需要进行多目标优化。目前关于多目标优化的研究通常通过加权组合的思想将多目标问题转化为单目标问题，常用的方法包括灰色关联分析(GRA)、逼近理想解排序法(TOPSIS)、熵权和模糊综合评估(FCE)。但从多个目标的角度来看，所有的目标通常都是相互制约的，对一个目标的改进往往会以牺牲其他目标为代价。因此，对于一个多目标优化问题，通常会产生大量的非支配解(Pareto解)。

由上所述，如何针对薄壁塑件的翘曲和体积收缩此成型缺陷进行注射成型工艺参数的多目标有效优化，进而获得高质量的薄壁塑件产品，目前仍是业内难题。

发明内容

针对上述问题，本发明提供一种薄壁塑件注射成型工艺参数多目标优化方法，能够实现有效降低薄壁塑件的翘曲和体积收缩，进而获得高质量的薄壁塑件产品，特别适用于薄壁塑件。