王 博,赵东平,李 锋,赵世民,王艺卓

(西安航空学院飞行器学院,西安 710077)

摘 要:以 Moldflow 软件模拟得到的不同工艺参数下飞机机头雷达罩模型的翘曲变形量为训练样本,在雷达罩模型成型工艺参数与其翘曲变形量间建立反向传播(BackPropagation,BP)神经网络模型,然后采用遗传算法对工艺参数进行优化,得到使雷达罩模型翘曲变形量最小的工艺参数并进行试验验证。结果表明:在相同工艺参数下由 BP神经网络得到的雷达罩模型翘曲变形量与采用 Moldflow 软件模拟得到的翘曲变形量相近,相对误差小于4%,证明了 BP神经网络的可靠性;模拟得到雷达 罩 模 型 的 最 优 成 型 工 艺 参 数 为 注 塑 温 度 295 ℃、模 具 温 度 80 ℃、注 塑 时 间0.75s、保压时间8s、保压压力125MPa,此时翘曲变形量最小,为0.1213mm;在最优成型工艺参数下进行注塑成型后得到的雷达罩模型最大翘曲变形量为0.1260mm,试验结果与预测结果间的相对误差小于3.7%,验证了 BP神经网络与遗传算法相结合方法的准确性。

关键词:复合材料零件;翘曲变形;BP神经网络;遗传算法中图分类号:TB332 文献标志码:A 文章编号:1000-3738(2021)07-0063-06

0 引 言

塑料制品具有密度低、价格低廉和可成形性好的特点,广泛用于制作各种模型零件[1],但是单一材料制成的塑料制品在力学性能方面表现较差。为了63王 博,等:基于反向传播神经网络与遗传算法优化复合材料零件注塑成型工艺参数改善塑料制品的力学性能,在塑料材料中加入短纤维材料,通过物理方法混合形成一种复合材料,使其既保持塑料材料的主要特点,又具有塑料材料所不具备的高比强度、高比模量、良好的抗冲击性能和抗疲劳性能等优点[2]。在制造业中复合材料零件的成型工艺主要有注塑成型、喷射成型、热压成型以及手糊成型等[3],其中注塑成型工艺既可以成型各类异形零件,又符合现代化工业大批量生产的要求,同时注塑成型也是短纤维增强树脂基复合材料最有效率的成型工艺。注塑制品在成型过程中容易出现严重的翘曲变形,这会降低零件的尺寸精度,使后续的装配工作受到严重影响,并且在塑料原料中加入短纤维材料更会加剧这种变形[4],因此改善短纤维增强复合材料零件的翘曲变形已成为业界亟待解决的问题。在工程案例中,改善零件翘曲变形的途径主要有改变零件结构、优化模具结构和优化成型工艺参数[5]。由于工程需要和成本问题,前两种途径的可执行性并不高,因此优化成型工艺参数成为改善翘曲变形的最有效途径。工程人员以前常采用多次试模的方法来改善翘曲变形,这种方法虽然可行,但成本高、效率低。近年来随着计算机技术的发展,研究者广泛利用 Moldflow 软件进行多次数值模拟来选择最优成型工艺参数,以减小制品的翘曲变形。PATCHARAPHUNI等[6]利 用Moldflow 软件进 行 了 多 次 注 塑 成 型 模 拟,发 现 模拟结果与试验结果吻合较好,证明 Moldflow 软件能够很好地完成对熔体流动行为的模拟。LOTTI等[7]利用 Moldflow 软件研究了注塑成型聚丙烯板的收缩性能,发 现 保 压 压 力 和 模 具 温 度 对 制 品 收缩程度的影响较大。廖秋海等[8]利用 Moldflow 软件模拟注塑制品的保压过程,研究了保压压力和保压方 式 对 制 品 翘 曲 变 形 的 影 响。 虽 然 应 用Moldflow 软件模拟制品注塑成型过程的方法较传统试模方法有所进步,但仍然存在着较大的盲目性,依然严重依赖于工艺人员的实际经验。注塑工艺的复杂性使得成型工艺参数和翘曲变形之间存在着非线性关系。人工神经网络具有强大的非线性函数逼近能力,利用人工神经网络可以对成型工艺参数和翘曲变形量的关系进行拟合,但人工神经网络本身具有容易陷入局部最小的缺点,导致其所选取的最优值可能并非全局最优;而遗传算法具备全局寻优的特点。因此,国内外学者对采用人工神经网络和遗传算法相结合方法模拟注塑成型过程进行了深入研究。申长雨等[9]采用人工神经网络与遗传算法相结合的方法优化成型工艺,改善了制品的成型质量。YIN等[10]利用人工神经网络描述制品翘曲变形和工艺参数之间的非线性关系,通过遗传算法的全局寻优获得了制品的最优成型工艺参数,极大改善了制品的翘曲变形。短纤维增强复合材料因其自身优异的力学性能已广泛应用于工业制品中,但是目前有关其注塑成型工艺参数优化方面的研究比较少。为改善短纤维增强复合材料(以下简称复合材料)零件的翘曲变形,作者设计注塑成型工艺参数的正交试验,采用 Moldflow软件模拟雷达罩模型的翘曲变形,在雷达罩模型成型工艺参数与其翘曲变形量之间建立反向传播(BackPropagation,BP)神经网络模型,然后采用遗传算法对工艺参数进行优化,以雷达罩模型翘曲变形量最小为指标确定了优化的工艺参数并进行试验验证,以期为改善短纤维增强复合材料零件的翘曲变形提供参考。

1 BP神经网络模型的建立与训练

目前,BP神经网络是各个行业中应用最普遍的神经网络,是适用误差反向传播算法训练的多层前馈神经网络[11]。BP 神经网络模型由输入层、输出层和隐藏层组成,3层中前一层的输出是后层的输入。每一层都由一些神经元组成,同一层中的每个神经元间彼此不存在联系。连接时层中的每个神经元都有 一 个 阈 值,并 且 相 邻 的 层 通 过 该 阈 值 相连[12]。注塑成型过程是一个复杂的物理变化过程,暂时无法用精确的数学模型来表征工艺参数与翘曲变形之间的关系,而利用神经网络模型非线性函数逼近能力可以很好地解决该问题。图1 BP神经网络结构示意Fig.1 DiagramofBPneuralnetworkstructure1.1 模型的建立构建的 BP神经网络结构如图1所示,选用保压压力(P)、保压时间(t2)、注塑时间(t1)、模具温度64王 博,等:基于反向传播神经网络与遗传算法优化复合材料零件注塑成型工艺参数(T2)和注塑温度(T1)5个工艺参数作为输入层神经元,以飞机雷达罩模型的翘曲变形量Z 作为输出层神经元,网络结构中输入层、输出层的神经元个数分别为5个和1个。根据 Kolmogorov定理确定出隐藏层的神经元个数为16个,最终确定 BP神经网络结构为5-16-1[13]。选择 S型切线函数 Tansig作为输入层和隐藏层之间的传递函数,并使用纯线性函数 Purelin 作 为 隐 藏 层 和 输 出 层 之 间 的 传 递 函数。选择 Trainglim 作为训练函数,最小期望均方误差设为0.0001,最大循环次数和学习率分别设置为5000和0.05。

1.2 训练样本的选取

选取飞机机头雷达罩进行建模,其高为150mm,底圆半径为48mm,平均壁厚为2mm,材料为质量分数20%玻璃纤维增强聚碳酸酯(20%GF/PC)复合材料,材料牌号为 Lexan5369-739[14],材料的热物性参数如表1所示。在 CATIA 建模软件中绘制雷达罩的三维实体模型,然后将其导入到模具流动分析软件中,选择网格类型为表面网格,模型节点、最小长 宽 比 和 网 格 匹 配 率 分 别 为 8105,1.16 和96.7%。浇注系统选用潜伏式单点进浇,在零件内部设置进浇肋,进浇浇道借助进浇肋将熔体送入模具型腔,采用这种进浇方式的优点是零件成型后表面光滑,不会留下进浇痕迹,而且不会有明显的熔接线出现[15];熔融状态的树脂经浇注系统充满模具型腔,冷却固化后形成零件。为了提高生产效率、使模具型腔中的零件能够快速固化,在模具结构上设置冷却系统(1条环绕零件的冷却水路)。根据雷达罩的结构特点,将冷却系统设置在母模模仁上,冷却水路的 直 径 为 6 mm,水 路 中 心 与 型 腔 壁 的 距 离 为20mm,冷却系统中短水路的长度为35 mm,长水路的长度为170mm,冷却介质为水。雷达罩及冷却系统的有限元模型如图2所示。模仁材料选用热作模具钢SKD61,热处理状态为1000℃淬火+550℃回火,其性能如表2所示。正交试验设计方法是以数学理论、专业知识和实 践经验为基础,充分利用标准化的正交表来安排表1 20%GF/PC复合材料的热物性参数Table1 Thermophysicalpropertyparametersof20%GF/PCamposite密度/(g·cm-3)缩水率/%热导率/(W·m-1·K-1)线膨胀系数/K-1熔胶温度/℃1.32 0.4 0.19 3.8×10-5 290~340表2 SKD61钢的性能参数Table2 PropertyparametersofSKD61steel硬度/HRC屈服强度/MPa抗拉强度/MPa断面收缩率/%断后伸长率/%密度/(g·cm-3)40~65 1240 1490 47.7 8.2 7.8图2 雷达罩及冷却系统的有限元模型Fig.2Finiteelementmodelofradomeandcoolingsystem试验方案,并对试验结果进行计算分析,最终达到减少试验次数,缩短试验周期,迅速找到优化方案的一种科学计算方法[16]。选择注塑温度(A)、模具温度(B)、注塑时间(C)、保压时间(D)、保压压力(E)作为正交试验的因素,按照课题组之前的经验,每个因素统一取5个水平,因素水平如表3所示。表3 试验因素与水平Table3 Testfactorsandlevels水平注塑温度/℃模具温度/℃注塑时间/s保压时间/s保压压力/MPa1 293 73 0.6 8 1102 303 83 0.7 9 1153 313 93 0.8 10 1204 323 103 0.9 11 1255 333 113 1 12 130根据试验中选取的因素和水平,采用的正交试验矩阵为5因素5水平,正交表选 L25(55)形式,使用Moldflow 模 流 分 析 软 件 模 拟 雷 达 罩 的 注 塑 成 型过 程,得到该零件的翘曲变形量如表4所示。将正交试验设计所得的25组数据作为 BP 神经网络的训练样本。

1.3 训练与检测

BP网络的训练是使用 MATLAB 中的神经网络工具箱进行的。由图3可以看出,经过4079次训练,达到了设定的目标值,这证明网络已经训练好。神经网络训练完成后,要对其进行验证,即在试验参数范围内随机组合5组工艺参数作为检测样本,并将其输入到训练好的 BP神经网络中,得到雷达罩模型的翘曲变形量预测值,再与根据这5组工65王 博,等:基于反向传播神经网络与遗传算法优化复合材料零件注塑成型工艺参数表4 基于正交试验采用 Moldflow软件模拟得到的翘曲变形量Table4 WarpagedeformationsimulatedbyMoldflowsoftwarebasedonorthogonaldesign项目 A B C D E 翘曲变形量/mm1 1 1 1 1 1 0.25262 1 2 2 2 2 0.25193 1 3 3 3 3 0.24834 1 4 4 4 4 0.24665 1 5 5 5 5 0.24216 2 1 2 3 4 0.25527 2 2 3 4 5 0.25868 2 3 4 5 1 0.23869 2 4 5 1 2 0.270210 2 5 1 2 3 0.256211 3 1 3 5 2 0.246912 3 2 4 1 3 0.280913 3 3 5 2 4 0.280414 3 4 1 3 5 0.260015 3 5 2 4 1 0.241316 4 1 4 2 5 0.277817 4 2 5 3 1 0.252618 4 3 1 4 2 0.241019 4 4 2 5 3 0.249720 4 5 3 1 4 0.285421 5 1 5 4 3 0.270522 5 2 1 5 4 0.248623 5 3 2 1 5 0.283824 5 4 3 2 1 0.254825 5 5 4 3 2 0.2633艺参数采用 Moldflow 软件模拟得到的翘曲变形量进行对比,对比结果如表5所示。由表5可知,翘曲图3 BP神经网络的训练结果Fig.3 TrainingresultsofBPneutralnetwork变形量的预测值与模拟值相近,相对误差小于4%,证明了 BP神经网络模型的可靠性。

2 工艺参数的优化

遗传算法是受达尔文进化论中“适者生存,优胜劣汰”思想的启发,借鉴生物进化过程而提出的一种启发式搜索算法[17]。遗传算法依靠存在于染色体上的基因来搜寻最好的染色体来解决问题,从一个代表问题解集的种群开始,经过基因编码、迭代优化直至最优,最后组成最好的个体[18]。利用训练好的BP神经网络可以快速地预测出零件的翘曲变形量;但是如何找出使零件翘曲变形量最小的工艺参数,实质是是一个寻优的问题,而遗传算法正好具有求出全局最优解的功能。雷达罩模型翘曲变形量的遗传算法优化模型可表示为Zmin =f[(T1),(T2),(t1),(t2),(P)] (1)式中:Zmin 为最小翘曲变形量。选取100个工艺参数组合作为种群个数,采用二进制编码方式进行编码,交叉因子为0.65,变异因子为0.1,经过127代遗传进化,得到雷达罩模型的最小翘曲变形量为0.1213 mm,工 艺 参 数 的 最 优 组 合 为 注 塑 温 度295 ℃、模具温度80 ℃、注塑时间0.75s、保压时间8s、保压压力125MPa。

3 试验验证将利用遗传

算法得到的最优成型工艺参数输66王 博,等:基于反向传播神经网络与遗传算法优化复合材料零件注塑成型工艺参数入到 Moldflow 软件中进行模拟,得到雷达罩模型的最大翘曲变形量为0.1255mm,如图4所示,该值比 由 正 交 试 验 模 拟 得 到 的 最 小 翘 曲 变 形 量(0.2386mm)减小了47%。采用由遗传算法得到的最优成型工艺参数对雷达罩模型进行注塑成型试验,所得零件如图5所示。随机抽取25件零件采用三次元测量得到其最大翘曲变形量为0.1260mm,与由遗传算法得到的翘曲变形量0.1213mm 对比,相对误差小于3.7%,从而证实了 BP神经网络和遗传算法相结合方法的准确性。图4 最优工艺参数下模拟得到雷达罩的翘曲变形量Fig.4 Warpagedeformationvaluesofradomesimulatedwithoptimalprocessparameters图5 采用最优工艺参数注塑成型雷达罩的样品Fig.5 Samplesofradomebyinjectionmoldingwithoptimalprocessparameters

4 结 论

(1)在相同工艺参数下由 BP神经网络得到的雷达罩模型翘曲变形量与采用 Moldflow 软件模拟得到的翘曲变形量相近,相 对 误 差 小 于 4%,说 明BP神经网络较好地预测零件注塑成型时的翘曲变形量。(2)将 BP神经网络和遗传算法相结合后,获得飞机机头雷达罩模型的最优成型工艺参数为注塑温度295 ℃、模具温度80 ℃、注塑时间0.75s、保压时间8s、保压压力125MPa,此时翘曲变形量最小,为0.1213 mm。在最优成型工艺参数下对雷达罩模型进行注塑成型后得到的最大翘曲变形量为0.1260 mm,试验结果与预测结果相吻合,相对误差小于3.7%,说明采用 BP神经网络和遗传算法相结合的方法可减小复合材料零件注塑成型产生的翘曲变形量,可在行业内对该方法进行推广。

来源：材料与测试网