菲涅尔透镜的微注塑实验研究

通过对菲涅尔透镜进行微注塑过程模拟仿真,并结合正交实验,综合评价了各个微注塑参数对菲涅尔透镜成型质量的影响.利用加权算术平均法确定了各个微注塑参数对菲涅尔透镜收缩率和翘曲的综合影响排序,并得到菲涅尔透镜微注塑的最佳工艺参数组合.在仿真分析的结果上,通过实际微注塑实验,评价了菲涅尔透镜制品的质量,并比较了微注塑模拟仿真与...     

基于改进支持向量机的化学镀Ni-P/ZrO2复合镀层显微硬度预测模型的建立

选取对化学镀Ni-P/ZrO_2复合镀层的显微硬度具有代表性的影响因素作为输入变量,以正交试验获得的有限试验数据为样本,先建立基于传统支持向量机的预测模型,再采用遗传算法对传统支持向量机中的惩罚因子与核函数参数进行优化,最终建立基于改进支持向量机的预测模型。通过遗传算法进化迭代,提高改进支持向量机模型的预测精度。选取神经网络模型和传统支持向量机模型作为对比模型。结果表明:改进支持向量机模型的预测精度较高,可以利用该模型对化学镀Ni-P/ZrO_2复合镀层的显微硬度进行预测。     

基于灰色关联分析的注塑工艺多目标优化及PSO–SVM预测模型的建立

针对某电器活动上盖翘曲变形及体积收缩问题,对相关注塑工艺参数进行正交实验设计,在Moldflow中模拟分析,并对翘曲变形量及体积收缩率进行信噪比优化处理。利用灰色关联分析法得到翘曲变形量和体积收缩率的灰色关联度,通过对灰色关联度进行极差分析得到各注塑工艺参数对塑件综合目标(翘曲变形量及体积收缩率同时较小)的影响程度为:保压时间>注塑时间>模具温度>熔体温度>保压压力>冷却时间,同时由灰色关联度极差分析结果得出最优工艺参数组合,在最优工艺参数组合下的翘曲变形量相对于正交实验水平下最小翘曲变形量降低了11.8%,体积收缩率相对于正交实验水平下最小体积收缩率降低了5.9%。最后采用粒子群优化算法(PSO)优化后的支持向量机(SVM)神经网络模型对该塑件翘曲变形量及体积收缩率进行预测,通过与不优化的SVM神经网络及BP神经网络预测模型相比发现,PSO–SVM神经网络模型预测精度及稳定性都优于SVM及BP神经网络,可以用于塑件翘曲变形量和体积收缩率的协同优化,解决塑件实际翘曲变形及体积收缩问题。     

基于BP神经网络和MIV算法的注塑件工艺参数优化研究

针对注塑件翘曲变形问题,以某塑料叶轮为研究对象,首先设计了正交试验对叶轮进行翘曲分析,通过正交试验获得的相关数据,建立了基于BP神经网络的注塑件翘曲量预测模型。在预测模型的基础上,通过采用平均影响值(MIV)算法对模型的输入参数进行筛选后,再进行仿真模拟。结果表明:经MIV算法优化后的塑件翘曲量预测模型具有较高的预测精度,模型预测的相对误差由原来的13%减小到7%,对实际注塑加工生产具有重要意义。     

基于BP神经网络的双色塑件翘曲变形量预测

以某遥控器前壳双色塑件注塑成型为例,以该塑件在注塑成型过程中的翘曲变形量为研究目标,提出了一种结合AMI数值模拟、正交试验和BP神经网络的双色塑件翘曲变形量快速、准确的预测方法。首先建立了基于AMI数值模拟的CAE模流分析模型,并对注塑成型工艺参数及翘曲变形量进行数值模拟分析;之后结合正交试验设计法使AMI软件数值模拟结果在指定的工艺参数范围内实现了离散分布;最后以正交试验数据为基础建立BP神经网络预测模型,通过Matlab训练网络使其满足误差精度要求,从而达到准确预测新工艺参数下翘曲变形量的目的。结果表明:训练出的BP神经网络模型具有很高的预测精度,能够满足对该双色塑件翘曲变形量准确、快速的预测要求。     

RBF与SVM在注塑件翘曲预测中的对比分析

为了快速且较准确地预测注塑件的翘曲值,以某电脑显示器的外壳为例,分别利用RBF神经网络和SVM模型建立了显示器的翘曲值预测模型,并通过测试样本验证了2种模型的预测精度。结果表明:RBF网络模型和SVM模型的绝对百分比误差都在2%以内,说明二者都具有较好的预测性能;但从最大绝对百分比误差和最小绝对百分比误差分析得出,SVM模型比RBF模型更稳定,且预测精度更高,表明支持向量机的预测模型更适合处理此类问题。     

基于极差分析法与GA-ELM的电器连接器壳体注射成型工艺优化

以某电器连接壳体为例,借助Moldflow软件对正交试验方案组合进行模拟,对正交试验模拟结果进行极差分析,得到各工艺参数对塑件翘曲变形量的影响程度为:保压时间>模具温度>注射时间>熔体温度>保压压力。极差分析得到的最优工艺参数组合对应的翘曲变形量与正交试验方案中最小翘曲变形量相比降低了6.7%。关键点采用遗传算法优化后的预测模型(GA-ELM)对塑件翘曲变形量进行预测。由于传统极限学习算法(ELM)的权值和阈值随机产生,网络系统预测稳定性及精度较差,故通过GA全局寻优能力寻找最佳的权值和阈值,得到GA-ELM。选择正交试验前80%样本作为训练集训练ELM与GA-ELM模型,通过样本后20%作为测试集验证ELM与GA-ELM模型预测精度。对比分析可看到:使用GA-ELM预测模型比直接使用ELM预测模型预测结果有更高预测精度及稳定性。此GA-ELM模型可用来预测该塑件翘曲变形量。对同类模具设计优化提供一定的思路及理论参考。     

一种粉煤灰混凝土砖渗透性的智能预测方法

渗透性是评价高性能混凝土的重要指标之一.提出了一种最小二乘支持向量机的掺粉煤灰高性能混凝土的氯离子渗透性预测新模型.以水胶比、水泥用量、单方混凝土用水量、粉煤灰掺量四项因素为输入,氯离子渗透系数为输出,通过最小二乘支持向量机模型拟合输入与输出之间的复杂非线性函数关系.以实验数据为样本对模型进行学习训练,用训练好模型预测在一定工艺条件下混凝土氯离子渗透系数.实践表明,该方法具有建模速度快、预测精度高、操作简便等优点,不仅克服了常规的BP预测模型的不足,而且性能优于标准支持向量机预测模型.     

支持向量机在混炼胶炭黑分散度预测中的应用

以最大瞬时功率、混炼时间、混炼温度和单位能耗作为输入变量,采用支持向量机建立混炼胶炭黑分散度的预测模型,以实现密炼机混炼胶分散度的在线预测.通过在5种配方胶料的各13个样本中取44个组成训练集,并在每种配方胶料中抽取4个进行测试,对支持向量机模型进行训练和测试.结果表明,采用支持向量机对混炼胶分散度进行预测是可行的.     

基于深度集成支持向量机的工业过程软测量方法

基于支持向量机（SVM）的软测量建模方法已经在工业过程控制领域得到广泛应用,然而传统支持向量机直接针对原始测量变量建立模型,未能充分挖掘数据的内在特征信息以提高预测精度。针对该问题,本文提出一种基于深度集成支持向量机（DESVM）的软测量建模方法。该方法首先利用深度置信网络（DBN）来对数据进行深层次的信息挖掘,提取出数据的内在特征,然后引入基于Bagging算法的集成学习策略,构建基于深度数据特征的集成支持向量机模型,以提升软测量预测模型的泛化能力。最后通过数值系统和真实工业数据对方法进行应用分析,结果表明本文提出的方法能够有效提升支持向量机软测量模型的预测精度,能够更好地预测过程质量指标的变化。