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 3/3 首页 上一页 1 2 3
《休闲农业与美丽乡村》
《南京师范大学学报(工程技术版)》
《新疆农业大学学报》
《中华胰腺病》
编辑QQ 
编辑联络 
2007-2023
bianjibu777@qq.com
