基于神经网络汽车门把手的注塑工艺参数优化
来源:互联网 qikanw | 盛湘飞1,黄放2,罗湛3
【分 类】 机械与建筑工程
【关 键 词】 汽车门把手,神经网络,熔接痕,工艺参数优化,Matlab
【来 源】 互联网
【收 录】 中文学术期刊网

正文: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 |
2/3 首页 上一页 1 2 3 下一页 尾页