摘要：本文针对汽车门把手在企业生产过程中存在的具体问题，采用数值模拟技术、正交试验设计和神经网络理论优化塑件注塑成型过程中的工艺参数，获得了较准确的最佳工艺参数组合，提出了新的预测熔接痕长度和位置的方法。新理论和新方法的使用，在控制汽车门把手的熔接痕方面产生了良好的效果。
关键词：汽车门把手，神经网络，熔接痕，工艺参数优化，Matlab
Abstract：In this paper,in connection with the specific issues exist in the production process of Car door-handles,using numerical simulation technique orthogonal-experiment design and neural network theories to optimizate the process parameters of injection-molding of molding-parts,obtained more accurater optimal process parameters，and proposed a new method which forecast the length and position of weld-lines . There was a better effect in controlling weld-lines of Car door-handles by using new theory and new method.
Keywords:Car door-handles,Artificial neural network, Weld-lines, Process parameters optimization,Matlab
中图分类号：TQ320.66+2 文献标识码：A
1引言汽车门把手一般是采用注塑成型工艺生产出来的，产品质量的好坏不仅影响到汽车门把手的装配和外观，更影响到它的制造成本及新产品开发的周期。熔接痕是塑件在注塑成型过程中常见的缺陷之一，它的形成是一个极其复杂的过程，不同材料与不同功能结构的塑件的熔接痕形成规律差异很大，且影响因素众多，其中包括塑件材料及结构、模具结构和注塑工艺参数等。传统的分析注塑工艺参数对熔接痕的影响的方法主要依靠经验，这种方法在塑件制造过程中存在成本高、用时长和可靠性差等诸多弊端，且建立该影响因素与熔接痕之间的关系函数非常困难。因此，利用数值模拟技术和神经网络理论研究注塑成型工艺参数对塑件熔接痕形成的影响，对降低塑件成型过程中熔接痕产生程度、提高塑件产品精度和缩短新产品开发周期有着重要的意义。2 神经网络建模2.1确定网络输入输出参数输入输出参数的选择是神经网络模型建立过程中的关键环节。因此，参数的选择应当既能反应被模仿系统的行为规律，又要力求简洁。在这里，以分析注塑工艺参数对熔接痕产生的影响为原则，结合汽车门把手材料与功能结构的实际情况，选取模具温度T1、熔料温度T2、注射时间t1和保压时间t2作为输入参数，并相应地用字母A、B、C、D加以表示；选取塑件产生的熔接痕的长度和位置作为输出参数，并分别用
和W加以表示。其中，
与W的值是对汽车门把手注塑成型过程数值模拟产生的熔接痕的量化及等级化结果。如图1所示：
图1 基于Matlab熔接痕量化及等级化Fig 1 Digital and grading of weld-lines based Matlab2.2选取训练样本只有充足且正确的训练样本才能够正确反应系统的性能。本文以Moldflow5.0模拟基于正交试验中的实验所获得的数据作为网络的训练样本，如表1所示：
因素
条件号 |
A（ ） |
B（ ） |
C（ ） |
D（ ） |
 （ ） |
W |
| 1 |
40 |
240 |
1.5 |
30 |
15.02 |
0 |
| 2 |
40 |
250 |
2.5 |
35 |
39.86 |
1 |
| 3 |
40 |
260 |
3.5 |
40 |
25.18 |
0.5 |
| 4 |
40 |
270 |
4.5 |
45 |
41.30 |
1 |
| 5 |
50 |
240 |
2.5 |
40 |
14.88 |
0 |
| 6 |
50 |
250 |
1.5 |
45 |
15.96 |
0 |
| 7 |
50 |
260 |
4.5 |
30 |
25.06 |
0.5 |
| 8 |
50 |
270 |
3.5 |
35 |
24.17 |
0.5 |
| 9 |
60 |
240 |
3.5 |
45 |
41.08 |
1 |
| 10 |
60 |
250 |
4.5 |
40 |
27.13 |
0.5 |
| 11 |
60 |
260 |
1.5 |
35 |
16.53 |
0 |
| 12 |
60 |
270 |
2.5 |
30 |
15.87 |
0 |
| 13 |
70 |
240 |
4.5 |
35 |
21.65 |
0.5 |
| 14 |
70 |
250 |
3.5 |
30 |
26.96 |
0.5 |
| 15 |
70 |
260 |
2.5 |
45 |
18.16 |
0 |
| 16 |
70 |
270 |
1.5 |
40 |
27.12 |
0.5 |
表1汽车门把手神经网络训练样本Table 1 Training samples of neural network of Car door-handles（注：0、0.5、1分别代表熔接痕所在位置的优、良、差三种情况）2.3确定网络模型结构本课题研究所采用的神经网络结构的参数有：1、网络层数。一共三层，输入层为4个节点；隐含层的节点数由不同节点的网络模型在训练时的收敛速度的快慢程度来确定，现暂取9、12和15；输出层为2个节点。2、传递函数。输入层与隐层之间使用tansig传递函数；隐含层与输出层之间使用logsig传递函数。3、网络训练函数。Trainlm，这个函数为梯度下降动量BP算法函数，调用格式为：[net,tr,Ac,EI]=traindm(net,Pd,Tl,Ai,Q,TS,VV,TV)。4、训练误差。取训练误差为0.001，该误差值已达到本课题研究的汽车门把手熔接痕分析的精度要求。各种参数确定后，即可获得所需神经网络模型结构，如图2所示：
图2 神经网络模型结构Fig 2 Model structure of neural network3神经网络的训练p=[40 240 1.5 30;
70 270 1.5 40]';t=[15.02 0; 
27.12 0.5]';for i=1:4P(i,:)=(p(i,:)-min(p(i,:)))/(max(p(i,:))-min(p(i,:)));endfor i=1:2A(i,:)=(t(i,:)-min(t(i,:)))/(max(t(i,:))-min(t(i,:)));endNo=[9 12 15];for i=1:3net=newff(minmax(P),[No(i),2],{'tansig','logsig'});net.trainparam.epochs=2000;net.trainparam.goal=0.001;net=init(net);net=train(net,P,A);从训练结果发现，当隐层数为12时，网络模型收敛效果比较好，只需350步就达到了误差要求，如图3所示:
图3 不同隐层数的网络训练Fig 3 The network training of different hidden-layers 4、网络模型的检验>> sim(net,P)ans =Columns 1 through 8 Columns 9 through 16 
0.0160 0.9274 0.4007 0.9632 0.9465 0.4738 0.0489 0.0363 0.0211 0.9891 0.5162 0.9929 0.9242 0.4968 0.0186 0.0208 
0.0194 0.0410 0.3742 0.3564 0.2725 0.4433 0.1124 0.46950.0164 0.0087 0.4652 0.4767 0.4970 0.5183 0.0406 0.4549运用训练好的神经网络模型，对输入向量P进行模拟仿真，通过仿真结果来检验该模型的准确性。分析上述仿真得到的数据可知，所构建的神经网络模型对工艺参数的映射结果与数值模拟结果（归一化处理后）基本吻合。因此，我认为该模型的精度已经达到，对在工艺参数的取值范围内的任何组合，该神经网络模型可以代替相关的数值模拟软件来模拟和预测塑件缺陷。5、基于Matlab神经网络工具箱完成注塑工艺参数优化及熔接痕预测若从注塑成型工艺参数到塑件熔接痕产生的非线性映射关系为M=
，通过正交试验设计优化后的最佳工艺参数组合是在M=
中取的离散点中的极值，其实在这些极值某个范围内存在比通过用正交试验设计优化得到的更好的参数组合。接下来我们将用已经建立好的神经网络模型，并结合正交试验设计进行注塑工艺参数的进一步优化。5.1优化过程1、在通过由正交试验设计所得到的最佳参数组合（50
，240
，2.5
，40
，且模拟该组工艺参数对应的熔接痕长度与位置的归一化后的值为0.0194和0.0164）附近取微小的变量，创建工艺参数新的水平，如表2所示：
因素
条件号 |
A（ ） |
B（ ） |
C（ ） |
D（ ） |
| 1 |
47 |
236 |
2.2 |
36 |
| 2 |
49 |
239 |
2.4 |
39 |
| 3 |
51 |
242 |
2.6 |
42 |
| 4 |
53 |
245 |
2.8 |
45 |
表2汽车门把手工艺参数水平Table 2 Process parameters level of Car door-handles 2、根据表2中的因素个数与水平数，选择
正交表作为工艺参数重组表，运用检验后的神经网络模型对工艺参数新的组合进行优化仿真，其结果如表3所示：for i=1:4p1=[47 236 2.2 36;
53 245 2.2 42]';p_predict(i,:)=(p1(i,:)-min(p1(i,:)))/(max(p1(i,:))-min(p1(i,:)));endsim(net,p_predict)
| |
1 |
2 |
3 |
4 |
5 |
6 |
7 |
8 |
 |
0.0064 |
0.9465 |
0.3912 |
0.9986 |
0.0063 |
0.0498 |
0.3771 |
0.3707 |
| w |
0.0067 |
0.9997 |
0.4978 |
0.9999 |
0.0002 |
0.0023 |
0.4926 |
0.4825 |
| |
9 |
10 |
11 |
12 |
13 |
14 |
15 |
16 |
| |
0.9871 |
0.4641 |
0.0686 |
0.0337 |
0.3572 |
0.4058 |
0.1074 |
0.4039 |
| |
0.9932 |
0.4992 |
0.0097 |
0.0123 |
0.4427 |
0.5242 |
0.0412 |
0.5231 |
表3汽车门把手优化仿真结果Table 3 The optimal and simulating result of Car door-handles （注：表3中
与W两项的结果都是归一化后的数值）通过神经网络模型对表2中数据的组合进行优化仿真，得到汽车门把手模型更精确的工艺参数组合为：49
，236
，2.4
，42
，且对应的模拟熔接痕长度与位置的归一化值为0.0063和0.0002。把它们与前面基于正交试验的仿真结果进行对比，则有0.0063<0.0194和0.0002<0.0164。对比结果显示出，新的最佳注塑成型工艺参数组合对塑件的注塑熔接痕的控制更有效。5.2熔接痕长度和位置的预测表3中
和W两列中的结果说明：在注塑成型过程中，神经网络模型实现了在不同组注塑工艺参数下对汽车门把手熔接痕长度和位置的预测。其中，
列中的数值是注塑熔接痕长度归一化后的结果，数值越大，说明注塑成型过程中产生的熔接痕长度越长；W列中的数值是注塑熔接痕产生的位置等级化且归一化后的结果，数值越大，说明注塑熔接痕所在位置对塑件影响较大。6、结论如何控制熔接痕一直是国内外塑料产品制造业关注的问题，各国的专家学者分别从不同的角度研究熔接痕的产生与控制。本课题结合塑件用途，分析与研究了注塑工艺参数对熔接痕形成的影响，运用数值模拟技术、正交试验设计和神经网络算法等方法解决了目前产品开发中技术陈旧、周期过长和分析结果不准确等问题。为企业提供了加快新品开发速度、节约成本、提高产品的可靠性和市场占有率的技术支撑。参考文献：[1] 孙宝寿,钟皓东等.基于MPI的注塑成型熔接痕分析及优化[J].机械设计与制造,2008,(6):123-124[2] 肖长江,刘春太等.注塑制件熔接痕的形成_性能和预测[J].工程塑料应用,2003,31(3):17-20[3] 肖方成,欧相麟等.模温及熔体温度对不同材料的薄壁注塑制品熔接痕的影响[J].中国塑料,2007,21(12):67-70[4] 王德翔,李德群等.基于人工神经网络技术的注塑成型工艺参数优化[J].模具技术,2001,(6):1-4 
