两种神经网络在注塑产品工艺参数确定中的应用

作者：徐冰冰1，孙祖铭2，胡树根1，宋小文1 日期：2008-12-26/span> 浏览：3106 查看PDF文档

两种神经网络在注塑产品工艺参数确定中的应用

徐冰冰1，孙祖铭2，胡树根1，宋小文1
（1.浙江大学 机械与能源工程学院，浙江 杭州 310027；2.浙江万达汽车零部件有限公司，浙江 杭州 311258）

摘要：汽车外饰件的塑料化趋势对注塑模成型质量提出了更高要求。为解决传统CAE方法需多次试验才能得到较优工艺的缺点，以一汽车观后镜为研究对象，建立了基于人工神经网络的从注塑工艺参数到注塑翘曲量的非线性映射关系，并对比了两种经典的前馈神经网络（BP网络和RBF网络）的学习能力,从而实现用神经网络模型代替CAE软件获得注塑翘曲量。研究结果表明，该方法能有效地缩短优化工艺参数的时间，提高了工艺设计效率。
关键词：BP神经网络；RBF神经网络；Moldflow；翘曲；工艺参数；计算机辅助工程
中图分类号：TP311.56文献标识码：A文章编号：1001-4551(2008)11-0091-03

Application of different neural network on injection molding process parameters
XV Bingbing, SUN Zuming, HU Shugen, SONG Xiaowen
(1. College of Mechanical and Energy Engineering, Zhejiang University, Hangzhou 310027, China;
2. Zhejiang Wanda Automobile Parts Limited Company, Hangzhou 311258, China)
Abstract: Plastic is used more in vehicle exterior, and requires better quality. In traditional computer aided engineering(CAE) method, it needs many times to get better parameters. Aiming at solving the problem, a model was used to build neural network (both BP neural network and RBF neural network) to indicate nonlinear relationship between the injection process parameters and the degree of warp distortion, which is based on the outside rear view mirror.The results indicate that, its an effective way to optimize the process parameters and can predict the degree of warp distortion．
Key words: BP neural network; RBF neural network; Moldflow; warp; process parameter; computer aided engineering(CAE)
参考文献(References):
［1］朱芝培.汽车零部件塑料化发展趋势［J］.广东塑料,2004(6):5458.
［2］陈晓平，胡树根.神经网络与正交试验法结合优化注射工艺参数［J］.模具工业，2007，33（7）：1-4.
［3］HAYKIN S. Neuralnetworks［M］.北京：机械工业出版社，2006.
［4］董长虹.Matlab神经网络与应用［M］.北京：国防工业出版社，2007.
［5］丛爽.面向MATLAB工具箱的神经网络理论与应用[M].合肥:中国科技大学出版社,1998.
［6］袁曾任.人工神经网络及其应用［M］.北京：清华大学出版社，2000.
［7］BROOMHEAD D S, LOWE D. Multivariable functional interpolation and adaptive networks[J]. Complex Systems,1988,2(2):321-355.
［8］吴学石,应济.基于人工神经网络的参数在CAD方法［J］.机电工程,2006,23(4):49-52.