基于蚁群神经网络的家电壳体注塑成型质量预测

论文摘要

塑料与水泥、金属、木材俗称国民经济四大材料。塑料工业在国民经济中占有重要地位。塑料的机械加工性能优良,而且具有质量轻、耐腐蚀、电绝缘性能好、比强度高等优点。优异的材料及力学性能使塑料在工程领域应用范围越来越广。包装、汽车和家电等行业为减轻重量、降低成本,大都用塑料零件取代金属零件。塑料只有通过成型才能成为有价值的使用商品,据统计绝大部分的塑料零配件都是通过注塑工艺来实现的,注塑工艺是塑料成型中的重要成型方式。近年来由于有限元理论的成熟和计算机技术的发展,使得以有限元为基础的数值模拟技术逐渐得到推广和应用。数值模拟技术的发展,使得通过数学建模来模拟注塑成型成为现实,为研究并控制注塑成型缺陷提供了良好工具,结合数值优化方法,为注塑质量的控制提供了一条新的途径。本文就是在上述的技术背景上,对注塑件的常见缺陷-翘曲量的控制进行了研究。通过分析家电行业的发展形势,得出了家电壳体成型研究的必要性。以液晶电视机后壳为对象,以均匀实验数据为基础,以MoldFlow注塑成型仿真为手段,以工艺参数为实验因素参数,以翘曲量结果为目标参数,借鉴工程实际经验确定因素水平,完成试验表的构建。对均匀实验得到的数据利用统计学分析工具SPSS进行数据分析,来创建回归模型并研究参数的影响因子。以均匀实验数据为样本,创建基于BP神经网络的翘曲预测模型。针对BP算法缺陷,设计了一种基于蚁群算法的BP神经网络优化方法,利用该方法建模并将其应用于注塑成型质量预测中,预测精度得到了显著的提高。本文的特色在于应用SPSS进行了详细的数据分析,建立了回归方程,并确定了各个因素的影响因子,为后续深入研究打下铺垫。将蚁群算法与BP神经网络相结合,融合了蚁群算法的全局性能、启发式优点和神经网络的泛化性能,解决了BP算法的不稳定性、易陷入局部最优值等缺陷,显著提高了预测精度。本文的研究内容为注塑成型质量的预测提供了一个新的方法,具有重要的应用价值。所实现的方法具有通用性,可以为后来的研究借鉴,具有一定的学术价值。

论文目录

• 致谢
• 摘要
• ABSTRACT
• 目录
• 第一章 绪论
• 1.1 家电壳体注塑成型研究背景及意义
• 1.2 注塑成型及优化技术国内外研究现状
• 1.2.1 注塑成型质量及预测研究现状
• 1.2.2 注塑参数优化研究现状
• 1.2.3 蚁群神经网络算法的研究现状
• 1.3 本文的主要研究内容和技术路线
• 1.3.1 论文的主要研究内容
• 1.3.2 论文的技术路线
• 1.4 本章小结
• 第二章 基于MoldFlow的注塑成型数值模拟
• 2.1 数值模拟技术
• 2.1.1 有限差分方法（FDM）
• 2.1.2 边界元方法（BEM）
• 2.1.3 有限元方法（FEM）
• 2.2 注塑成型数值模拟技术
• 2.2.1 塑料成型模拟技术研究现状
• 2.2.2 注塑模CAE技术
• 2.2.3 数值模拟软件介绍
• 2.3 基于MoldFlow的液晶电视后壳体成形过程仿真
• 2.4 本章小结
• 第三章 基于实验方法的注塑成型工艺设计
• 3.1 实验设计法
• 3.1.1 正交试验设计
• 3.1.2 均匀试验设计
• 3.2 基于均匀实验的复合参数注塑工艺设计
• 3.2.1 均匀设计与均匀设计表
• 3.2.2 注塑成型质量评价参数确定
• 3.2.3 均匀实验在复合参数注塑工艺设计中的应用
• 3.3 基于SPSS的均匀实验数据分析
• 3.3.1 回归分析相关理论基础
• 3.3.2 回归方程的创建
• 3.3.3 基于回归模型的因素影响因子分析
• 3.3.4 基于回归模型的残差分析及预测结果评价
• 3.4 本章小结
• 第四章 基于人工神经网络的翘曲预测模型构建
• 4.1 人工神经网络的概述
• 4.1.1 人工神经网络的原理
• 4.1.2 人工神经网络的特点及应用
• 4.2 BP人工神经网络理论
• 4.3 翘曲预测的BP神经网络模型构建
• 4.3.1 确定翘曲预测模型BP神经网络结构
• 4.3.2 神经网络训练样本数据预处理
• 4.3.3 分离训练样本与校验样本
• 4.3.4 确定翘曲预测模型BP神经网络参数
• 4.3.5 BP神经网络预测精度检验
• 4.4 本章小结
• 第五章 蚁群神经网络（ACO-BPNN）的提出及实现
• 5.1 蚁群算法概述
• 5.1.1 蚁群算法的原理与机制
• 5.1.2 蚁群算法的基本特点
• 5.1.3 蚁群算法的实现
• 5.2 蚁群算法参数选择原则
• 5.2.1 信息启发式因子的选择
• 5.2.2 期望启发式因子的选择
• 5.2.3 信息素残留因子的选择
• 5.2.4 信息素强度的选择
• 5.2.5 蚂蚁数目的选择
• 5.3 蚁群神经网络（ACO-BPNN）
• 5.3.1 蚁群神经网络的提出
• 5.3.2 蚁群神经网络方法的实现
• 5.3.3 蚁群神经网络的算法测试
• 5.4 本章小结
• 第六章 蚁群神经网络在家电壳体成型预测中的应用
• 6.1 样本数据构建
• 6.2 ACO-BPNN结构和参数
• 6.3 实验结果及分析
• 6.3.1 ACO-BPNN与BPNN预测结果的数据对比
• 6.3.2 ACO-BPNN与BPNN预测结果的图表对比
• 6.3.3 ACO-BPNN在不同划分刻度的结果对比
• 6.3.4 输出最优权值和阈值结果
• 6.4 本章小结
• 第七章 总结与展望
• 7.1 研究工作总结
• 7.2 研究工作展望
• 参考文献
• 攻读硕士期间发表的论文