第６１卷第５期 化工 学 报 Ｖｏ１．６１ ＮＯ．５ Ｍａｙ ２Ｏ１０ ２０１０年５月 ＣＩＥＳＣ Ｊｏｕｒｎａ１ 基于模腔压力的注塑过程注射速度 设定曲线优化 李 闯 ，王福利 ，刘 阳 ，常玉清 （ 东北大学信息科学与工程学院； 东北大学流程工业综合自动化教育部重点实验室，辽宁沈阳１１０００４） 摘要：注塑成型中，把熔前速度恒定（熔体均匀填充模具）作为设定注射速度参数的重要依据。针对熔前速度 无法测量问题，提出对于一类注塑制品，用模腔压力随时问线性增加来近似熔前速度恒定。其次，利用实验数 据，设计并建立了模腔压力递归神经网络（ＲＮＮ）模型。在此基础上，提出一种注射速度设定曲线的分级优化 策略，其中曲线分级是利用Ｄｏｕｇｌａｓ—Ｐｅｕｃｋｅｒ方法自动确定速度分级数目和位置，优化过程则采取基于滑动窗口 的迭代优化方法来实现。实验结果表明，该优化方法可以根据模腔复杂程度自动选择合适的注射曲线分级数目， 并且其优化精度较常规等间隔分级优化方法更高。 关键词：模腔压力；注射速度曲线；Ｄｏｕｇｌａｓ—Ｐｅｕｃｋｅｒ方法；迭代优化 中图分类号：ＴＱ ３２０．６６２ 文献标识码：Ａ 文章编号：Ｏ４３８—１１５７（２０１０）０５—１１６３—０６ Ｏｐｔｉｍｉｚａｔｉｏｎ ｏｆ ｉｎｊ ｅｃｔｉｏｎ ｖｅｌｏｃｉｔｙ ｐｒｏｆｉｌｅ ｉｎ ｉｎｊ ｅｃｔｉｏｎ ｍｏｌｄｉｎｇ ｂａｓｅｄ ｏｎ ｃａｖｉｔｙ ｐｒｅｓｓｕｒｅ ＬＩ Ｃｈｕａｎｇ ，ＷＡＮＧ Ｆｕｌｉ ，ＬＩＵ Ｙａｎｇ ，ＣＨＡＮＧ Ｙｕｑｉｎｇ ・ （ Ｓｃｈｏｏｌ ｏｆ Ｉｎｆｏｒｍａｔｉｏｎ Ｓｃｉｅｎｃｅ ８Ｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｎｏｒｔｈｅａｓｔｅｒｎ Ｕｎｉｖｅｒｓｉｔｙ，Ｓｈｅｎｙａｎｇ １ １ ０００４，Ｌｉａｏｎｉｎｇ，Ｃｈｉｎａ Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｐｒｏｃｅｓｓ Ｉｎｄｕｓｔｒｙ Ａｕｔｏｍａｔｉｏｎ ｏｆ Ｍｉｎｉｓｔｒｙ ｏｆ Ｅｄｕｃａｔｉｏｎ，Ｎｏｒｔｈｅａｓｔｅｒｎ Ｕｎｉｖｅｒｓｉｔｙ， Ｓｈｅｎｙａｎｇ １１０００４，Ｌｉａｏｎｉｎｇ，Ｃｈｉｎａ） Ａｂｓｔｒａｃｔ：Ｕｎｉｆｏｒｍ ｍｅｌｔ ｆｒｏｎｔ（ＭＦＶ）ｖｅｌｏｃｉｔｙ ｔｈｒｏｕｇｈｏｕｔ ｔｈｅ ｆｉｌｌｉｎｇ ｏｆ ｔｈｅ ｍｏｌｄ ｃａｖｉｔｙ ｉｓ ｒｅｃｏｍｍｅｎｄｅｄ ａｓ ｔｈｅ ｄｅｓｉｇｎ ｃｒｉｔｅｒｉｏｎ ｆｏｒ ｉｎｊ ｅｃｔｉｏｎ ｐｒｏｆｉｌｅ．Ｄｕｅ ｔｏ ｔｈｅ ｄｉｆｆｉｃｕｌｔｙ ｏｆ ｍｅａｓｕｒｉｎｇ ＭＦＶ，ａ ｃｒｉｔｅｒｉｏｎ ｔｈａｔ ｃａｖｉｔｙ ｐｒｅｓｓｕｒｅ ｆｏｌｌｏｗｅｄ ａ ｒａｍｐ ｗｉｔｈ ｔｉｍｅ ｗａｓ ｐｒｏｐｏｓｅｄ ａｓ ａｎ ａｐｐｒｏｘｉｍａｔｅ ｓｕｂｓｔｉｔｕｔｅ ｔｏ ｃｏｎｓｔａｎｔ ＭＦＶ ｉｎ ｔｈｉｓ ｓｔｕｄｙ．Ｔｈｅｎ ａ ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｗａｓ ｄｅｖｅｌｏｐｅｄ ｆｏｒ ｅｓｔｉｍａｔｉｎｇ ｔｈｅ ｃａｖｉｔｙ ｐｒｅｓｓｕｒｅ ｆｒｏｍ ｏｎｌｉｎｅ ｍｅａｓｕｒａｂｌｅ ｖａｒｉａｂｌｅｓ，ｂａｓｅｄ ｏｎ ｗｈｉｃｈ ｔｈｅ ｐｒｏｆｉｌｅ ｐｒｏｂｌｅｍ ｗａｓ ｔｒａｎｓｆｏｒｍｅｄ ｔｏ ａｎ ｏｐｔｉｍｉｚａｔｉｏｎ ｐｒｏｂｌｅｍ ｆｏｒ ｔｈｅ ｐｒｅｄｉｃｔｅｄ ｃａｖｉｔｙ ｐｒｅｓｓｕｒｅ ｔｏ ｔｒａｃｋ ａ ｇｉｖｅｎ ｒａｍｐ．Ｓｕｂｓｅｑｕｅｎｔｌｙ ｔｈｅ ｖｅｌｏｃｉｔｙ ｐｒｏｆｉｌｅ ｗａｓ ｔｒｅａｔｅｄ ａｓ ａ ｐｉｅｃｅｗｉｓｅ ｒａｍｐ ｏｎｅ ｗｉｔｈ ｒｅｓｐｅｃｔ ｔｏ ｔｈｅ ｉｎｃｒｅｍｅｎｔ ｏｆ ｓｃｒｅｗ ｓｔｒｏｋｅ，ａｎｄ ｉｔｓ ｔｕｒｎｉｎｇ ｐｏｉｎｔｓ ａｎｄ ｔｈｅ ｓｌｏｐｅｓ ｏｆ ｅａｃｈ ｓｅｃｔｉｏｎ ｗｅｒｅ ｔｈｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｖａｒｉａｂｌｅｓ．Ｔｈｅ Ｄｏｕｇｌａｓ—Ｐｅｕｃｋｅｒ ｍｅｔｈｏｄ ｗａｓ ｉｎｔｒｏｄｕｃｅｄ ｔｏ ｄｅｔｅｒｍｉｎｅ ｔｈｅ ｎｕｍｂｅｒ ａｎｄ ｐｏｓｉｔｉｏｎｓ ｏｆ ｓｅｐａｒａｔｉｏｎ ｐｏｉｎｔｓ ｏｆ ｔｈｅ ｐｒｏｆｉｌｅ ａｎｄ ａｎ ｉｔｅｒａｔｉｖｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｍｅｔｈｏｄ ｗｉｔｈ ｓｌｉｄｉｎｇ ｗｉｎｄｏｗ ｗａｓ ｐｒｅｓｅｎｔｅｄ ｔｏ ｓｏｌｖｅ ｔｈｅ ｏｐｔｉｍｉｚａｔｉｏｎ ｐｒｏｂｌｅｍ．Ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｓｈｏｗｅｄ ｔｈａｔ ｔｈｉｓ ｏｐｔｉｍｉｚａｔｉｏｎ ｍｅｔｈｏｄ ｃｏｕｌｄ ａｕｔｏｍａｔｉｃａｌｌｙ ｇｉｖｅ ｔｈｅ ｎｕｍｂｅｒ ｏｆ ｐｉｅｃｅｓ ｏｆ ｉｎｊｅｃｔｉｏｎ ｖｅｌｏｃｉｔｙ ｐｒｏｆｉｌｅ ａｎｄ ｉｔｓ ｐｒｅｃｉｓｉｏｎ ｏｆ ｏｐｔｉｍｉｚａｔｉｏｎ ｗａｓ ｈｉｇｈｅｒ ｔｈａｎ ｔｈｅ ｒｅｇｕｌａｒ ｏｐｔｉｍｉｚａｔｉｏｎ ｍｅｔｈｏｄ ｗｉｔｈ ｅｑｕａｌ ｆｉｘｅｄ ｉｎｔｅｒｖａｌｓ． Ｋｅｙ ｗｏｒｄｓ：ｃａｖｉｔｙ ｐｒｅｓｓｕｒｅ；ｉｎｊｅｃｔｉｏｎ ｖｅｌｏｃｉｔｙ ｐｒｏｆｉｌｅ；Ｄｏｕｇｌａｓ—Ｐｅｕｃｋｅｒ ｍｅｔｈｏｄ；ｉｔｅｒａｔｉｖｅ ｏｐｔｉｍｉｚａｔｉｏｎ ２００９—０９—２３收到初稿，２０１０ Ｏ１—２５收到修改稿。 Ｒｅｃｅｉｖｅｄ ｄａｔｅ：２００９一Ｏ９—２３． 联系人：王福利。第一作者： 李闯（１９８２），男，博士研 究生。 Ｃｏｒｒｅｓｐｏｎｄｉｎｇ ａｕｔｈｏｒ：Ｐｒｏｆ． ＷＡＮＧ Ｆｕｌｌ， ｗａｎｇｆｕｌｉ ＠ｉｓｅ．ｎｅｕ．ｅｄｕ．ｃｎ 基金项目：国家重点基础研究发展计划项（２００９ＣＢ３２Ｏ６Ｏ１）；国家自然科学基金项目（６０７７４０６８）。 目 Ｆｏｕｎｄａｔｉｏｎ ｉｔｅｒｎ： ｓｕｐｐｏｒｔｅｄ ｂｙ ｔｈｅ Ｎａｔｉｏｎａ１ Ｂａｓｉｃ Ｒｅｓｅａｒｃｈ Ｐｒｏｇｒａｍ ｏｆ Ｃｈｉｎａ（ ２００９ＣＢ３２０６０１）ａｎｄ ｔｈｅ Ｎａｔｉｏｎａｌ Ｎａｔｕｒａｌ Ｓｃｉｅｎｃｅ Ｆｏｕｎｄａｔｉｏｎ ｏｆ Ｃｈｉｎａ（６０７７４０６８）． ・ｊ１６４・ 化工学报 第６１卷 引 言 一个典型的注塑成型过程可分为注射、保压和 冷却三个阶段。在注射阶段，料筒内已塑化的高温 塑料熔体在螺杆的推动下，经流道、浇口注入封闭 的型腔，直至充满型腔约９５ 为止。整个注射过 程通常在几秒内完成，约占整个注塑生产循环周期 的５ ，甚至更少。尽管注射过程非常短暂，但其 对注塑产品的质量性能有着重要的影响。注射速度 设定的不合理将导致熔体前沿流动速度（以下简称 熔前速度）不稳，产生收缩不均、翘曲、甚至局部 烧焦等缺陷口 。 研究表明，理想的填充模式为，整个充填过程 中熔体以固定的熔前速度填充制品，并能同时到达 模具型腔的各个角落＿２］。其中，后者主要与浇口的 位置有关，这在模具的设计阶段就已决定。而前者 则可通过注射速度设定进行在线调节，从而保证固 定的熔前速度，这便是本文研究的问题。 然而，由于熔体在封闭的模腔中行进，在模腔 形状未知的情况下，熔前速度通常是无法检测的。 Ｃｈｅｎ等口 研制出了熔料在模腔内填充位移的电容 传感器，它能有效地在线检测出熔体在模腔内的填 充位移和速度。但是，由于电容传感器安装较复 杂、增加模具生产成本，且检测精度易受干扰，文 献所提方法在生产实际中很难推广。郁滨等＿４］通过 保持熔体沿充模方向的压力梯度保持恒定，来设定 最优注射速度曲线。然而，实际测量梯度时，螺杆 位置被用于替代不可测的熔体充模长度，这使得优 化结果在理论上偏离真实值。此外，还有通过数值 模拟技术来获取熔前速度的方法 。］，但这类方法 都需要预先知道模腔的形状，而且优化结果准确与 否取决于所用机理模型的精确程度，然而建立一个 精确的机理模型是非常困难的。 对于速度曲线的优化问题，Ｃｈｅｎ等 伽先建立 熔前速度软测量模型，之后将注射曲线划分为等间 隔的固定级数，最后利用序贯二次规划方法进行优 化。但是对于形状多样的模具，等间隔划分方法在 一定程度上了速度曲线的变化，当然通过增加 分级段数可以更精确地描述速度曲线，但这样会增 加优化的计算负担，并且实际注塑机对分级数都有 一定的，不可能无增加级数。Ｚｈａｎｇ 等｜１叩通过一次恒定注射速度实验得到的填充位移 曲线，自动确定与实验模具相对应的注射速度曲线 分级位置。该方法属于不等问隔分级法，能根据模 腔形状更合理地确定分级位置。但最优速度曲线的 分级特征点往往较填充位移曲线的分级特征点更 多，利用后者来简单地代替前者，往往不能充分描 述最优注射速度曲线，从而降低优化结果的精度。 本文针对一类注塑制品，首先根据机理分析， 提出以模腔压力是否随时间线性上升，作为模腔是 否均匀填充判定依据。其次，通过实验数据，建立 模腔压力的ＲＮＮ模型来近似注射填充过程。之 后，基于此模型，提出一种基于Ｄｏｕｇｌａｓ—Ｐｅｕｃｋｅｒ 曲线特征提取方法和滑动窗口的分级迭代优化策 略，该方法先优化出近似最优速度曲线，再利用 Ｄｏｕｇｌａｓ—Ｐｅｕｃｋｅｒ方法对该曲线进行特征提取，确 定曲线分级数和分级点近似位置，随后通过迭代优 化方法获得精确最优注射速度曲线。最后，通过实 验说明了该方法较常规等间隔分级优化方法的 优势。 １ 熔体的均匀填充 注射阶段熔体在模腔内的运动属于压力流动。 为简化问题，对熔体填充如图１所示的矩形模腔， 作如下假设： （１）模具是薄壁的，即模腔厚度２Ｈ远小于宽 度Ｗ； （２）熔体不可压缩，且其流动为等温流动； （３）质量力和惯性力忽略不计。 图１矩形模腔 Ｆｉｇ．１ Ｒｅｃｔａｎｇｕｌａｒ ｍｏｌｄ ｃａｖｉｔｙ 取模腔长度Ｌ方向上ｄｚ长的微元，其两侧压 力梯度为 等一吉『ｄＺ Ｈ Ｉ ２ ＷＨ ’ｌＱＴ ㈩ … 这里 代表非牛顿流变指数；ｋ代表熔体黏度 系数，它是熔体温度和剪切速率的函数；Ｑ代表熔 体的体积流速 川。 令 代表熔体前沿的平均流速，即熔前速度， 那么显然 Ｑ一２ＷＨｕｆ （２） 第５期 ｄｌ一 李闯等：基于模腔压力的注塑过程注射速度设定曲线优化 ｄｔ （３） １１６５。 必须对其降维才能实施优化。由于速度曲线的差 异，每次注射时间会不同，但此时对应的熔体填充 量是相同的，因此可按螺杆行程（填充量）把速度 将式（２）和式（３）代入式（１）中可得 一 一 （＼ ） ＋ （４） 由式（４）可知，如果认为 与足近似不变， 对于截面积为矩形的薄壁制品，在厚度不变的条件 下，只要保证 恒定，就可以保证 恒定。换言 之，对于薄壁制品，只要其薄厚不变，通过调整注 射速度设定，使模腔压力随时问线性增加，就能保 证薄壁制品的均匀填充。 ２ 模腔压力ＲＮＮ模型 ２．１建模变量的选择 在模具和注射材料固定的条件下，模腔压力Ｐ 是熔体在模具内熔体流速的反映。那么与熔体流速 最相关的输入变量是螺杆位置ＳＤ和注射速度ｎ ， 前者可反映模具形状变化的位置，后者决定熔体流 速的快慢。熔体温度和模具温度对熔前速度也有影 响，但通过实验数据观察，其值在注射过程中变化 不大，所以未被选为输入。此外，由于模腔压力的 累积作用，建模时不仅要选择其当前时刻 的采样 值ＣＰ ，还要选择前是时刻的采样ＣＰ 作为输入， 才能得到合理的预测值，这里尼称为ＣＰ的阶次。 因此本文要建立的是一个ＡＲＭＡ模型，它是一个 非线性动态模型。 ２．２ ＲＮＮ模型 递归神经网络（ＲＮＮ）是拟合非线性动态函 数关系的有力工具，设计模腔压力ＲＮＮ的关键是 确定输入阶次、网络结构和网络权值＿１ 。在训练 和测试数据已知的情况下，这里采用凑试法，寻找 使测试数据泛化误差达到最小的各输入变量阶次和 网络结构，而网络权值的训练则采用Ｌｅｖｅｎｂｅｒｇ— Ｍａｒｑｕａｒｔ优化方法。 离线优化注射速度时，还需要给出与注射速度 ｎ 对应的螺杆位置ＳＤ，来预测模腔压力ＣＰ。由 于ｎ，与ＳＤ之间的关系相对简单，这里使用线性 模型对其预测，用凑试法确定模型阶次，用最小二 乘方法对模型参数进行拟合 。 ３ 注射速度的优化方法 ３．１注射速度曲线优化问题 由于优化对象是一条无穷维的速度曲线，所以 曲线分为ｍ级。令初始注射速度为 ，自模腔压 力上升时刻 。开始进入第１级，速度在第１级随 时问线性变化，变化斜率为Ｒ ，到达螺杆行程ｓ 后，转为２级，以此类推，直至填充完成。令该时 刻为￡ ，那么连续的注射速度曲线Ｃ可简化为 级的分段折线，且该折线可表示为２ｍ维向量 Ｃ一［ Ｒ Ｒ …Ｒ Ｓ Ｓ２…Ｓ ］ｏｒ Ｃ一 ｓ］ 其中，Ｒ一［ Ｒｌ Ｒ２…Ｒ ］，Ｊｓ—Ｅｓ１ Ｓ２…ｓ １］。 这样速度曲线优化问题就可以描述为 ｍｉｎｒ￣ＲＮＮ（Ｒ，ｓ， ）一ｓｌｏｐｅ（ｆ ）］ｚｄｆ （５） Ｒ，Ｓ Ｊｔｎ ３．２迭代优化 仿真经验表明，序贯二次规划（ＳＱＰ）方法更 适合于变化斜率Ｒ的优化，而单纯形法则适于ｓ 的优化。因此这里把问题（５）拆分为两阶段进行， 先固定Ｓ对Ｒ优化，再固定Ｒ对Ｓ优化，如此循 环，直至满足收敛准则。 此外，在进行固定ｓ对Ｒ优化时，由于模腔 压力的累积作用，那么第ｉ级模腔压力曲线Ｐ ，只 跟第ｉ级速度曲线ｃ 及其之前级的速度曲线有关。 并且一旦前ｉ级速度曲线优化好，即前ｉ级模腔压 力曲线已达到设定，那么在优化Ｐ汁 时，就不需 要再改变之前的速度优化结果，只要优化Ｃ汁 就可 以了。但实际上由于动态模型为是阶，还需要改变 甚至更前面的速度曲线来调整Ｐ汁 。 这样就可以把原优化问题拆分成若干子优化问 题求解。具体来说，就是从前向后，每次只优化连 续的Ｍ级速度曲线，完成后再一级级向后滑动， 直到所有级都优化完。这里将这种优化方法称为滑 动窗口法，采用该方法可以降低优化问题的维数， 大大提高优化计算速度和优化结果精度。 ３．３速度曲线的自动分级 速度曲线分级多少应与被充填模腔形状复杂程 度有关，模腔形状越复杂分级点越多。恒定注射速 度注射时，模腔形状的变化可以反映在熔体充填长 度位置或喷嘴（模腔）压力的拐点上，这些拐点信 息可用于指导分级位置点选取ｌ４ 。但通过这种方 法选取特征点常出现遗漏，从而降低优化精度，因 为真实注射速度曲线的特征点往往多于上述的充填 长度曲线拐点。 ・ 】】６６ ・ 化工学报 第６ｌ卷 为了更全面地定位速度最优曲线特征点，这里 的数据采集输出板卡，采样周期为１０ ｍｓ。控制系 先利用ＲＮＮ模型初步优化出速度曲线，然后用这 个解来选取特征点，显然该结果更能代表最优曲线 的特征。这里选取Ｄｏｕｇｌａｓ—Ｐｅｕｃｋｅｒ矢量曲线特征 统的软件部分是在嵌入式实时操作系统ＱＮＸ平台 下开发，采用Ｃ语言编程。为便于比较研究，这 里采用如图２所示的工形和梯形两种模具，它们具 有相同尺寸的主流道和扇形浇口，工件厚度均为２ 提取方法Ｉ】引，用于对已知矢量曲线分级点的提取 定位。通过调整该方法的分级精度参数 ，得到特 征点由少到多的一系列原始曲线的插值曲线，再从 ｍｍ，图中Ｐ点为压力传感器位置。实验用塑料材 料为ＨＤＰＥ。 中挑选出能足够表达最优速度曲线的一组特征点， 作为速度曲线分级点。 ３．４算法流程 注射速度曲线离线智能分级优化算法可分为 ４步。 （１）给出设定模腔压力曲线Ｐ ＝ｓｌｏｐｅ（ 一 ）。 （２）获得初步优化睦线Ｃ。。先把速度曲线等 间隔分为ｍ级得到ｓ。， 应超过注塑机注射速度 最大分级数。在ｓ。下使用滑动窗口ＳＯＰ方法优化 得 ，窗口包含优化级数Ｍ应与模型输入阶次有 关。至此得到曲线Ｃ。一［Ｒ。，ｓ。］。 （３）提取特征插值曲线ｃ 。使用Ｄｏｕｇｌａｓ— Ｐｅｕｃｋｅｒ方法，通过调整分级精度参数 ，获得ｃ。 的一组插值曲线 ，ｉ表示Ｃ 里含有分级点的数 目。设定阈值 ，从ｃ 中挑选出集合 （ … —Ｃ。ＩＪ＜ ） （６） 其中Ｉ１．１ｌ代表两条曲线上所有对应采样点速度值 的均方根偏差（ＲＭＳＥ）。再从集合式（６）中挑选 出最小ｉ对应的一组插值曲线Ｃ 一［Ｒ ，Ｊｓ ］，ｓ 即为最优速度曲线的特征分级点。 （４）迭代优化获得最优速度设定曲线ｃ 。利 用迭代优化方法，先固定ｓ ，以Ｒ 为初始值，使 用滑动窗口ｓＱＰ优化得Ｒ。；再固定Ｒ ，以ｓ 为 初始值，使用单纯形法优化得ｓ ，这样就得到新 曲线Ｃ。一［Ｒ。，ｓ。］。如此迭代，直至满足如下任 一条件迭代终止：①ｌＩ Ｐ 一Ｐ。ＪＩ≤ｅ；②迭代次数达 到最大次数，ｚ，从而获得Ｃｒ。这里Ｐ。为第ｑ一 １次迭代的速度 线对应的模腔压力输出，Ｐ。为 设定模腔压力曲线。 ４ 优化结果 实验所用注塑机为宁波海天公司生产的往复螺 杆式注塑机，其型号为ＨＴＦ５８Ｘ２一Ｂ。模腔压力是 由安装在模腔内的压力传感器（Ｇｒｅｅｎ Ｓｅｎｓｏｒ ＴＰＴ一２５０）测量的，螺杆位置是由电子尺（ＮＯＶＯ Ｔｅｃｈｎｉｋ ｔｙｐｅ—ＬＭＮ一１３０）测量的。系统采用研华 Ｌ ｝＿ｔ——————————————————————————————————————————，Ｉ （ｂ）Ｂ 图２实验用的两种模具 Ｆｉｇ．２ Ｔｗｏ ｍｏｌｄｓ ｕｓｅｄ ｉｎ ｅｘｐｅｒｉｍｅｎｔ（ｍｍ） ４．１模型建立 首先通过实验数据获取训练和测试数据。针对 模具大小，将注射速度的范围限定在１０～２５ ｍｍ・ｓ 之间，选择３类１９条速度曲线进行实验， 并记录其对应模腔压力输出，其中训练数据１４组， 测试数据５组，具体情况如表１所示。所有数据截 取从模腔压力开始上升（熔料进入模腔），到注射 保压切换时刻（基本注满模腔），作为有效填充 量。两个时刻对应的螺杆位置差即为该模具的充 填量。注射保压切换方法采取预设的螺杆位置转 换法 。 这里仅采用模具Ａ的实验数据来确定神经网 络结构，因为模具Ａ较模具Ｂ形状复杂。通过凑 试法，确定单隐层网络，隐层节点数为７，各输入 阶次如图３所示。采用该结构，经网络权值训练 后，模具Ａ的训练ＲＭＳＥ＝０．１０３８，测试ＲＭＳＥ＝ 第５期 李闯等：基于模腔压力的注塑过程注射速度设定曲线优化 表１输入数据的实验设计 Ｔａｂｌｅ １ Ｄｅｓｉｇｎ ｏｆ ｉｎｊｅｃｔｉｏｎ ｖｅｌｏｃｉｔｙ ｐｒｏｆｉｌｅ ２ 景 至 △ ①Ｉｆ ｓｔｅｐ ｐｒｏｆｉｌｅ ｊｕｍｐｓ ｆｒｏｍ ｈｉｇｈ ｓｐｅｅｄ ｔｏ ｌｏｗ ｓｐｅｅｄ，ｔｕｒｎｉｎｇ ｐｏｉｎｔ ｉｓ ｓｉｔｕａｔｅｄ ｏｎ ２／３ ｏｆ ｆｉｌｌｉｎｇ ａｍｏｕｎｔ ｏｆ ｍｏｌｄ，ｏｔｈｅｒｗｉｓｅ ｉｔ ｉｓ ｏｎ １／３ ｏｆ ｔｈａｔ ａｍｏｕｎｔ． 星 墨 图３模腔压力递归神经网络模型 ０ 图 Ｆｉｇ．３ ＲＮＮ ｏｆ ｃａｖｉｔｙ ｐｒｅｓｓｕｒｅ ０．５００８；模具Ｂ的训练ＲＭＳＥ一０．０８６１，测试 ∞ ㈣融 形 制 工 ＲＭＳＥ一０．３９８７。 此外，再通过表１的训练和测试数据，确定螺 杆位置线性预测模型的阶次为２，表示如下 比 Ｏ 结 ３。 ＳＤ 一ａ１ＳＤ—ｌ＋１２ｚⅣ ＋ａ３Ⅳ ＋ａ４Ⅳ，卜２ 果 ｆ ～ Ｊ 并用最小二乘法拟合出模型的参数，模具Ａ的训 ｍ 练ＲＭＳＥ＝０．２３０４，测试ＲＭＳＥ＝０．４５６４；模具Ｂ ：一一一一一一ｖｄ ｅ、ｌ，ｏ。 ｃｉ 。ｔｙ 。ｐ ｏｉｆ。１。 的训练ＲＭＳＥ一０．１０３２，测试ＲＭＳＥ＝０．１５７１。 喜 ＩＩ．Ｉ ． ．４．２优化结果 。 ５０ １００ ｓｔｅｐ 根据３．４节所列的优化步骤，首先确定目标模 （ｂ） 腔压力曲线斜率，对于模具Ａ和Ｂ，设定ｓｌｏｐｅ分 图５梯形制品优化结果 别为０．１２和０．０８。随后，再等间隔分级，分级数 Ｆｉｇ．５ Ｏｐｔｉｍｉｚａｔｉｏｎ ｒｅｓｕｌｔｓ ｏｆ ｍｏｌｄ Ｂ ｍ一１５，滑动窗口包含２级速度曲线的条件下，优 模具Ａ，其分级数为８，而对于模具Ｂ，其分级数 化出初步最优速度曲线Ｃ。。再通过Ｃ。找出一系列 为４。最后利用迭代优化方法优化Ｃ ，得到最终的 特征点插值曲线，如表２所示。取阈值 一２，根 速度优化曲线Ｃ 。 据式（６）可得到简化特征曲线Ｃ ，对于较复杂的 工形制品和梯形制品的Ｃｒ分别如图４（ｂ）和 表２速度曲线与其各个插值曲线的ＲＭＳＥ Ｔａｂｌｅ ２ ＲＭＳＥ ｂｅｔｗｅｅｎ ｖｅｌｏｃｉｔｙ ｐｒｏｆｉｌｅ ａｎｄ ｉｔｓ ｅａｃｈ ｉｎｔｅｒｐｏｌａｔｉｏｎ ｃｕｒｖｅ ・ｊ Ｊ６８・ 化工学报 第６１卷 图５（ｂ）所示，其对应的模腔压力曲线如图４（ａ） 和图５（ａ）中虚线所示。可见对于工形制品的Ｃ 在４Ｏ～１００采样之间先降后升，而梯形制品ｃ 在 ５０个采样后逐渐增加，这完全符合模具截面积变 化的定性分析。Ｃ 前段的上升是由于初始速度 。 较小造成的。 表３给出Ｃ。、Ｃ 与Ｃ 对应的模腔压力输出， 与设定模腔压力所有对应采样点的均方根偏差。由 比较可知，Ｃ 较Ｃ。虽然在分级数方面少了，但其 对应输出却较Ｃ。更加靠近设定模腔压力了。这说 明利用智能分级方法得到的分级位置更合理，达到 相同输出精度所需的分级数更少。此外，Ｃ 较Ｃ 的ＲＭＳＥ显著减小，说明了迭代优化方法的有 效性。 表３优化结果比较 Ｔａｂｌｅ ３ Ｃｏｍｐａｒｉｓｏｎ ｏｆ ｏｐｔｉｍｉｚａｔｉｏｎ ｒｅｓｕｌｔｓ ５ 结 论 本文针对一类厚度不变的注塑制品，提出将模 腔压力是否随时间线性上升，作为制品是否均匀填 充判定依据。而后，在利用实验数据建立的模腔压 力ＲＮＮ模型的基础上，提出了一种注射速度的自 动分级和迭代优化方法，该方法可自动按照模腔复 杂度，给出适合该模型的速度分级方式，并能准确 地获得与模具相对应的最优速度曲线。实验结果表 明，使用智能分级优化方法得到的注射速度曲线分 级数更少，优化精度更高。此外，采用何种手段 （比如选取某种质量指标）来证明文中优化依据的 有效性，以及如何在ＲＮＮ模型失配时，自适应地 调整速度设定优化曲线，将是未来进一步的研究 工作。 Ｒｅｆｅｒｅｎｃｅｓ ［１］ Ｌｉ Ｄｅｑｕｎ（李德群）．Ｐｒｉｎｃｉｐｌｅ，Ｍｅｔｈｏｄ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎ ｏｆ Ｍｏｄｅｒｎ Ｐｌａｓｔｉｃ Ｉｎｊｅｃｔｉｏｎ Ｍｏｌｄｉｎｇ（现代塑料注射成型的原 理、方法与应用）．Ｓｈａｎｇｈａｉ：Ｓｈａｎｇｈａｉ Ｊｉａｏ Ｔｏｎｇ Ｕｎｉｖｅｒｓｉｔｙ Ｐｒｅｓｓ，２００５ ［２］ Ｌｉｕ Ｌａｉｙｉｎｇ（刘来英）．Ｉｎｊｅｃｔｉｏｎ Ｍｏｌｄｉｎｇ Ｔｅｃｈｎｉｃｓ（注塑 成型工艺）．Ｂｅｉｊｉｎｇ：Ｃｈｉｎａ Ｍａｃｈｉｎｅ Ｐｒｅｓｓ，２００４ Ｃｈｅｎ Ｘｉ， Ｃｈｅｎ Ｇｕｏｈｕａ， Ｇａｏ Ｆｕｒｏｎｇ． Ｃａｐａｃｉｔｉｖｅ ｔｒａｎｓｄｕｃｅｒ ｆｏｒ ｉｎ—ｍｏｌｄ ｍｏｎｉｔｏｒｉｎｇ ｏｆ ｉｎｊｅｃｔｉｏｎ ｍｏｌｄｉｎｇ． Ｐｏｌｙｍｅｒ Ｅｎｇｉｎｅｅｒｉｎｇ ａｎｄ Ｓｃｉｅｎｃｅ，２００４，４４（８）： １５７１ １５７８ ［４］ Ｙｕ Ｂｉｎ（郁滨），Ｙｕｅｎ Ｍ Ｍ Ｆ．Ｒｅｓｅａｒｃｈ ｆｏｒ ａｕｔｏｍａｔｉｃ ｓｅｔｔｉｎｇ ｖｅｌｏｃｉｔｙ ｐｒｏｆｉｌｅｓ ｂａｓｅｄ ｏｎ ｎｏｚｚｌｅ ｐｒｅｓｓｕｒｅ ｃｕｒｖｅｓ． Ｃｈｉｎａ Ｐｌａｓｔｉｃｓ（中国塑料），２００２，１６（２）：６３—７１ Ｅ５］ Ｚｈａｉ Ｍｉｎｇ（翟明），Ｇｕ Ｙｕａｎｘｉａｎ（顾元宪），Ｓｈｅｎ Ｃｈａｎｇｙｕ（申长雨）．Ｏｐｔｉｍｉｚａｔｉｏｎ ｏｎ ｉｎｊｅｃｔｉｏｎ ｒａｔｅ ｏｆ ｆｉｌｌｉｎｇ ｐｈａｓｅ ｉｎ ｉｎｊｅｃｔｉｏｎ ｍｏｌｄｉｎｇ．Ａｃｔａ Ｐｏｌｙｍｅｒｉｃａ Ｓｉｎｉｃａ（高分 子学报），２００３（１）：３５ ３８ ［６］ Ｃｕｉ Ｋｕｎ（崔醌），Ｏｕｙａｎｇ Ｊｉｅ（欧阳洁），Ｚｈｅｎｇ Ｓｕｐｅｉ（郑 素佩），Ｚｈａｏ Ｚｈｉｆｅｎｇ（赵智峰），Ｒｕａｎ Ｃｈｕｎｌｅｉ（阮春蕾）． Ｌｅｖｅｌ Ｓｅｔ ｍｅｔｈｏｄ ｆｏｒ ３Ｄ ｍｅｈ ｆｒｏｎｔ ｓｕｒｆａｃｅ．Ｊｏｕｒｎａｌ ｏｆ Ｃｈｅｍｉｃａｌ Ｉｎｄｕｓｔｒｙ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ（Ｃｈｉｎａ）（化工学报）， ２００８，５９（１２）：３０２０—３０２６ ［７］ Ｌｉｕ Ｙｏｎｇｚｈｉ（刘永志），Ｚｈａｏ Ｚｈｅｎｆｅｎｇ（赵振峰），Ｍａ Ｌａｎ（马兰），Ｓｈｅｎ Ｃｈａｎｇｙｕ（申长雨）．Ｎｕｍｅｒｉｃａｌ ｓｉｍｕｌａｔｉｏｎ ｆｏｒ ｖｅｌｏｃｉｔｙ ａｎｄ ｐｒｅｓｓｕｒｅ ｉｎ ｆｉｌｌｉｎｇ ｓｔａｇｅ ｏｆ ｉｎｊｅｃｔｉｏｎ ｍｏｌｄｅｄ ｐａｒｔｓ ｗｉｔｈ ｕｎｅｖｅｎ ｔｈｉｃｋｎｅｓｓ．Ｊｏｕｒｎａｌ ｏｆ Ｃｈｅｍｉｃａｌ Ｉｎｄｕｓｔｒｙ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ（Ｃｈｉｎａ）（化工学报）， ２００９，６０（７）：１８１８ １８２２ ［８］ Ｃｈｅｎ Ｘ，Ｇａｏ Ｆ Ｒ，Ｃｈｅｎ Ｇ Ｈ．Ａ ｓｏｆｔ ｓｅｎｓｏｒ ｄｅｖｅｌｏｐｍｅｎｔ ｆｏｒ ｍｅｌｔ—－ｆｌｏｗ－－ｌｅｎｇｔｈ ｍｅａｓｕｒｅｍｅｎｔ ｄｕｒｉｎｇ ｉｎｊｅｃｔｉｏｎ ｍｏｌｄ ｆｉｌｌｉｎｇ．Ｍａｔｅｒｉａｌｓ Ｓｃｉｅｎｃｅ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ Ａ，２００４，３８４： ２４５—２５４ ［９］ Ｃｈｅｎ Ｘ，Ｇａｏ Ｆ Ｒ．Ｐｒｏｆｉｌｉｎｇ ｏｆ ｉｎｊｅｃｔｉｏｎ ｖｅｌｏｃｉｔｙ ｆｏｒ ｕｎｉｆｏｒｍ ｍｏｌｄ ｆｉｌｌｉｎｇ．Ａｄｖａｎｃｅｓ ｉｎ Ｐｏｌｙｍｅｒ Ｔｅｃｈｎｏｌｏｇｙ， ２００６，２５（１）：１３ ２１ ［１０］ Ｚｈａｎｇ Ｌ，Ｃｈｅｎ Ｘ，Ｇａｏ Ｆ Ｒ，Ｌｕ Ｊ ｎ Ａｎ ｉｎｔｅｌｌｉｇｅｎｔ ｐｒｏｆｉｌｉｎｇ ｓｔｒａｔｅｇｙ ｏｆ ｉｎｊｅｃｔｉｏｎ ｖｅｌｏｃｉｔｙ ｆｏｒ ｕｎｉｆｏｒｍ ｃａｖｉｔｙ ｆｉｌｌｉｎｇ ｂａｓｅｄ ｏｎ ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋ ｍｏｄｅｌ／／１８ｔｈ Ｉｎｔｅｒｎａｔｉｏｎａｌ Ｃｏｎｇｒｅｓｓ ｏｆ Ｃｈｅｍｉｃａｌ ａｎｄ Ｐｒｏｃｅｓｓ Ｅｎｇｉｎｅｅｒｉｎｇ．Ｐｒａｈａ：Ｃｚｅｃｈ Ｒｅｐｕｂｌｉｃ，２００８：２４—２８ ［１１］ Ｚｈｏｕ Ｃｈｉｘｉｎｇ（周持兴），Ｙｕ ｗｅｉ（俞炜）．Ｐｏｌｙｍｅｒ Ｐｒｏｃｅｓｓｉｎｇ Ｔｈｅｏｒｙ（聚合物加工理论）．Ｂｅｉｊｉｎｇ：Ｓｃｉｅｎｃｅ Ｐｒｅｓｓ，２００４ ［１２］ Ｆａｕｒ Ｃ，Ｃｏｕｇｎａｒｄ Ａ，Ｄｒｅｆｕｓ Ｇ，Ｌｅ Ｃｌｏｉｒｅｃ Ｐ．Ｍｏｄｅｌｉｎｇ ｔｈｅ ｂｒｅａｋｔｈｒｏｕｇｈ ｏｆ ａｃｔｉｖａｔｅｄ ｃａｒｂｏｎ ｆｉｌｔｅｒｓ ｂｙ ｐｅｓｔｉｃｉｄｅｓ ｉｎ ｓｕｒｆａｃｅ ｗａｔｅｒｓ ｗｉｔｈ ｓｔａｔｉｃ ａｎｄ ｒｅｃｕｒｒｅｎｔ ｎｅｕｒａｌ ｎｅｔｗｏｒｋｓ． Ｃｈｅｍｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ Ｊｏｕｒｎａｌ，２００８，１４５：７－１５ ［１３］ Ｗａｎｇ Ｊｉｎｇ（王净），Ｊｉａｎｇ Ｇａｎｇｗｕ（江刚武）．Ｒｅｓｅａｒｃｈｉｎｇ ａｎｄ ｒｅａｌｉｚａｔｉｏｎ ｏｆ ｔｈｅ ｑｕｉｃｋ ｃｏｍｐｒｅｓｓｉｏｎ ｍｅｔｈｏｄ ａｉｍｅｄ ａｔ ｔｈｅ ｎｏｎ—ｔｏｐｏｌｏｇｙ ｖｅｃｔｏｒ ｄａｔａ．Ａｃｔａ Ｇｅｏｄａｅｔｉｃａ ｅｔ Ｃａｒｔｏｇｒａｐｈｉｃａ Ｓｉｎｉｃａ（测绘学报），２００３，３２（２）：１７３—１７７ ［１４］ Ｌｉ Ｃｈｕａｎｇ（李闯），Ｗａｎｇ Ｆｕｌｉ（王福利），Ｃｈｅｎ Ｊｕａｎ（陈 娟），Ｄｏｎｇ Ｚｈａｏｒａｎ（董召然）．Ｗａｖｅｌｅｔ ｄｅｔｅｃｔｉｏｎ ｏｆ ｆｉｌｌｉｎｇ— ｔｏ—ｐａｃｋｉｎｇ ｓｗｉｔｃｈｏｖｅｒ ｐｏｉｎｔ ｉｎ ｉｎｊｅｃｔｉｏｎ ｍｏｌｄｉｎｇ．Ｊｏｕｒｎａｌ ｏｆ Ｃｈｅｍｉｃａｌ Ｉｎｄｕｓｔｒｙ ａｎｄ Ｅｎｇｉｎｅｅｒｉｎｇ（Ｃｈｉａｎ）（化工学报）， ２００９，６０（５）：１２１３—１２１８
