王德炤 范希营 刘 欣 王常晶 李春晓
(江苏师范大学机电工程学院,江苏 徐州 221116)
随着现代制造技术的不断发展,塑料工业成为现代化工业的重要组成成分之一。在日常生活中,由于质量轻、产量大、成本低和精度高等特点,塑料制品被广泛应用于包装、医疗卫生、汽车和日常生活等领域[1-2]。甚至在很多方面,金属制品已经逐渐被塑料制品所取代[2]。现今,注塑成型已经成为塑件生产加工的主要形式,对注塑件成型质量的研究也受到广泛关注,注塑工艺参数是影响制品最终质量和成型效率的关键因素。
目前,最优注塑工艺参数往往是通过建立工艺参数与质量目标间的数学模型并结合优化算法全局寻优而得到[3]。大多数研究采用反向传播神经网络(BP)建立数学模型,获得了较好的预测效果[4]。然而,BP 神经网络训练效率低,易于陷入局部极小点,故一些研究采用优化算法对其权值和阈值进行优化,提高了模型预测精度。为获取最优工艺参数,对于建立的单目标质量预测模型,常采用遗传算法(GA)[5-7]、粒子群算法(PSO)[8-9]、模拟退火算法(SA)[10]等方法对注塑工艺参数进行全局寻优。而对于建立的多目标质量预测模型,常通过多目标遗传算法(MOGA)、多目标粒子群算法(MOPSO)和序列近似优化(SAO) 等方法来获取帕累托(Pareto)解集[11-13],再根据经验从中选取最优工艺参数组合。
支持向量机(SVM)是机器学习有监督学习的一种方法,比BP 模型在处理小样本、非线性和高维数问题上更具有优势。然而,SVM 采用不等式约束,求解难度较大。……