本發(fā)明涉及一種注塑成型工藝參數(shù)多目標(biāo)優(yōu)化方法，具體是一種基于gto-gam和moda的雙料注塑成型工藝參數(shù)多目標(biāo)優(yōu)化方法，屬于注塑加工。

背景技術(shù)：

1、雙料透光窗(pc/tpu)注塑是指將兩種不同的材料按照順序注入模腔中的注塑工藝，盡管分為兩次成型、但產(chǎn)品只需一次出模，這一過程通常由一套模具完成，與傳統(tǒng)單料注塑機(jī)相比，雙料注塑機(jī)配備兩個(gè)成型噴嘴、并且成型動(dòng)作機(jī)構(gòu)有所不同。雙料注塑成型在附加值、能源效益、生產(chǎn)效率和環(huán)保性等方面都表現(xiàn)出眾，是現(xiàn)代制造業(yè)中的重要工藝。雙料注塑不僅可提高注塑制品的美觀性和裝配性能，同時(shí)也可提高注塑成型制品的附加值和勞動(dòng)生產(chǎn)率。聚碳酸酯(pc)是一種性能優(yōu)異的熱塑性塑料，因其具有良好的機(jī)械強(qiáng)度、透明性、耐熱性和電絕緣性能而被廣泛應(yīng)用在電子外殼中；熱塑性聚氨酯(tpu)是一種高性能彈性體材料，兼具橡膠的高彈性和塑料的加工性，屬于熱塑性彈性體，其高韌性和耐磨性使其成為制造手機(jī)殼、平板電腦殼等保護(hù)性產(chǎn)品的理想材料。然而，由于整個(gè)pc大分子鏈之間的相互作用及pc與tpu熔融溫度的差異性，在雙料注塑制品的成型過程中會(huì)出現(xiàn)熔接痕、翹曲變形、體積收縮等缺陷，這些缺陷會(huì)降低雙料注塑制品的成型質(zhì)量，因此雙料注塑成型工藝參數(shù)的優(yōu)化成為雙料注塑成型質(zhì)量研究的重點(diǎn)。

2、目前，結(jié)合仿真分析和數(shù)學(xué)模型預(yù)測(cè)是優(yōu)化工藝參數(shù)的常見方法，一般是先通過moldflow軟件仿真分析薄壁塑件的注塑過程、以分析冷卻效果和流動(dòng)性能，然后基于仿真數(shù)據(jù)構(gòu)建數(shù)學(xué)模型以構(gòu)建質(zhì)量目標(biāo)與工藝參數(shù)之間的關(guān)系，最后通過搜索類優(yōu)化算法得到工藝參數(shù)優(yōu)組合。如：cao?y等人構(gòu)建出翹曲變形量與工藝參數(shù)之間的自適應(yīng)網(wǎng)絡(luò)模糊推理系統(tǒng)(anfis)，并利用遺傳算法(ga)獲得工藝參數(shù)優(yōu)方案；孫政等人基于梯度增強(qiáng)型kriging(gek)模型構(gòu)建翹曲變形量、體積收縮率與工藝參數(shù)之間的數(shù)學(xué)代理模型，采用多目標(biāo)差分進(jìn)化(mode)算法搜尋pareto解集，根據(jù)加權(quán)系數(shù)確定工藝參數(shù)優(yōu)方案；liu?x等人借助ga優(yōu)化后的極限學(xué)習(xí)機(jī)(elm)模型構(gòu)建翹曲變形量、體積收縮率與工藝參數(shù)之間的數(shù)學(xué)代理模型，應(yīng)用多目標(biāo)螢火蟲算法并結(jié)合gra-topsis多目標(biāo)決策方法確定最終的工藝參數(shù)優(yōu)方案。

3、在注塑實(shí)際問題的研究中，多個(gè)相互關(guān)聯(lián)的目標(biāo)和約束通常需要綜合考慮以及權(quán)衡，例如翹曲變形和體積收縮缺陷，在降低冷卻速率使翹曲變形最小化時(shí)，同樣會(huì)由于冷卻時(shí)間的延長(zhǎng)而增加體積收縮。多目標(biāo)優(yōu)化作為一種解決涉及多個(gè)沖突目標(biāo)的優(yōu)化問題的方法，其目的是在多個(gè)目標(biāo)之間找到合理的權(quán)衡，生成一組多目標(biāo)最優(yōu)值的pareto前沿。目前關(guān)于多目標(biāo)優(yōu)化的研究通常通過加權(quán)組合的思想將多目標(biāo)問題轉(zhuǎn)化為單目標(biāo)問題，常用的方法包括灰色關(guān)聯(lián)分析(gra)、逼近理想解排序法(topsis)、熵權(quán)和模糊綜合評(píng)估(fce)。但從多個(gè)目標(biāo)的角度來看，所有的目標(biāo)通常都是相互制約的，對(duì)一個(gè)目標(biāo)的改進(jìn)往往會(huì)以犧牲其他目標(biāo)為代價(jià)。因此，對(duì)于一個(gè)多目標(biāo)優(yōu)化問題，通常會(huì)產(chǎn)生大量的非支配解(pareto前沿)。目前在注塑工藝參數(shù)多目標(biāo)優(yōu)化研究中，研究人員往往根據(jù)工程經(jīng)驗(yàn)和反復(fù)試驗(yàn)來確定最優(yōu)工藝參數(shù)組合，如何確定最優(yōu)的權(quán)衡方案以達(dá)到最佳的綜合目的，目前仍是業(yè)內(nèi)的難題。

技術(shù)實(shí)現(xiàn)思路

1、針對(duì)上述問題，本發(fā)明提供一種雙料注塑成型工藝參數(shù)多目標(biāo)優(yōu)化方法，能夠?qū)崿F(xiàn)有效降低雙料注塑成型塑件的翹曲變形量和體積收縮率，進(jìn)而獲得高質(zhì)量的雙料注塑成型塑件產(chǎn)品，可以為獲取雙料注塑成型最優(yōu)工藝參數(shù)組合提供理論依據(jù)和數(shù)據(jù)支持。

2、為實(shí)現(xiàn)上述目的，本雙料注塑成型工藝參數(shù)多目標(biāo)優(yōu)化方法具體包括以下步驟：

3、step1，將第一次注射的翹曲變形量和體積收縮率以及第二次注射的翹曲變形量和體積收縮率作為質(zhì)量?jī)?yōu)化目標(biāo)，選取影響這四個(gè)目標(biāo)的工藝參數(shù)作為優(yōu)化設(shè)計(jì)變量，根據(jù)工藝參數(shù)推薦值確定工藝參數(shù)的取值范圍，并將各工藝參數(shù)的取值范圍作為試驗(yàn)設(shè)計(jì)空間設(shè)計(jì)田口試驗(yàn)，然后基于moldflow進(jìn)行注塑模擬仿真，得到仿真試驗(yàn)數(shù)據(jù)集；

4、step2，基于仿真試驗(yàn)數(shù)據(jù)集，將仿真試驗(yàn)數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集，構(gòu)建gam模型后、利用gam模型對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，并通過gto算法對(duì)gam模型的超參數(shù)進(jìn)行尋優(yōu)，建立注塑工藝參數(shù)與質(zhì)量?jī)?yōu)化目標(biāo)之間的非線性數(shù)學(xué)回歸模型；

5、step3，通過moda算法對(duì)已建立的非線性數(shù)學(xué)回歸模型進(jìn)行多目標(biāo)尋優(yōu)，獲得質(zhì)量?jī)?yōu)化目標(biāo)的pareto前沿；

6、step4、通過critic-topsis評(píng)價(jià)法在獲得的質(zhì)量?jī)?yōu)化目標(biāo)的pareto前沿中確定工藝參數(shù)優(yōu)組合。

7、進(jìn)一步的，step2中，構(gòu)建gam模型時(shí)，首先選擇非線性函數(shù)g；其次利用最小二乘法進(jìn)行參數(shù)估計(jì)，得到每個(gè)解釋變量的非線性函數(shù)；最后將每個(gè)非線性函數(shù)相加，得到gam模型。

8、進(jìn)一步的，step2中，通過gto算法對(duì)gam模型的超參數(shù)進(jìn)行尋優(yōu)，具體如下：

9、①確定gam模型中的超參數(shù)需要優(yōu)化的范圍；

10、②初始化gto算法的種群和參數(shù)，隨機(jī)生成大猩猩種群，每個(gè)大猩猩個(gè)體對(duì)應(yīng)一組gam超參數(shù)設(shè)置；

11、③對(duì)每個(gè)大猩猩個(gè)體進(jìn)行適應(yīng)度評(píng)估；

12、④根據(jù)每輪迭代的適應(yīng)度值，記錄當(dāng)前最優(yōu)的超參數(shù)組合，并動(dòng)態(tài)調(diào)整gto的權(quán)重參數(shù)，逐漸減少隨機(jī)遷移的比例，尋找最優(yōu)解；

13、⑤若迭代次數(shù)已達(dá)到最大迭代次數(shù)、或者當(dāng)前最優(yōu)解的適應(yīng)度不再顯著提高，則gto算法已經(jīng)收斂，輸出最優(yōu)的gam超參數(shù)組合；若沒有滿足前述條件，則繼續(xù)迭代。

14、進(jìn)一步的，step3中，通過moda算法對(duì)已建立的非線性數(shù)學(xué)回歸模型進(jìn)行多目標(biāo)尋優(yōu)，具體如下：

15、①初始化moda參數(shù)；

16、②通過吸引分量、排斥分量、對(duì)齊分量、趨向食物分量、逃避敵人分量來更新蜻蜓位置；

17、③使用慣性權(quán)重更新蜻蜓個(gè)體的速度與位置，隨著迭代的進(jìn)行，慣性權(quán)重逐漸減??；

18、④若蜻蜓個(gè)體超出定義的搜索空間，使用邊界處理策略將其拉回到有效區(qū)域內(nèi)；

19、⑤若當(dāng)前迭代次數(shù)小于最大迭代次數(shù)，則moda算法繼續(xù)執(zhí)行，否則結(jié)束并輸出pareto前沿。

20、進(jìn)一步的，step4中通過critic-topsis評(píng)價(jià)法在獲得的質(zhì)量?jī)?yōu)化目標(biāo)的pareto前沿中確定工藝參數(shù)優(yōu)組合時(shí)，首先通過critic法為各評(píng)價(jià)指標(biāo)分配權(quán)重，依據(jù)各目標(biāo)之間的相關(guān)系數(shù)和標(biāo)準(zhǔn)差計(jì)算出第一次注射的翹曲變形量和體積收縮率以及第二次注射的翹曲變形量和體積收縮率的權(quán)重；然后遵循topsis法的步驟，依據(jù)所得權(quán)重計(jì)算各評(píng)價(jià)對(duì)象與理想化目標(biāo)的接近程度，獲得綜合評(píng)價(jià)分?jǐn)?shù)。

21、與現(xiàn)有技術(shù)相比，本雙料注塑成型工藝參數(shù)多目標(biāo)優(yōu)化方法首先基于moldflow仿真分析和田口試驗(yàn)獲得仿真結(jié)果數(shù)據(jù)集；然后基于仿真試驗(yàn)數(shù)據(jù)集，將仿真試驗(yàn)數(shù)據(jù)集分為訓(xùn)練集和測(cè)試集，構(gòu)建gam模型后、利用gam對(duì)訓(xùn)練集進(jìn)行訓(xùn)練，并通過gto算法對(duì)gam的超參數(shù)進(jìn)行尋優(yōu)，建立注塑工藝參數(shù)與質(zhì)量?jī)?yōu)化目標(biāo)之間的gto-gam模型；然后通過moda算法對(duì)gto-gam模型進(jìn)行多目標(biāo)尋優(yōu)，獲得質(zhì)量?jī)?yōu)化目標(biāo)的pareto前沿；最后通過critic-topsis評(píng)價(jià)法在獲得的質(zhì)量?jī)?yōu)化目標(biāo)的pareto前沿中確定工藝參數(shù)優(yōu)組合。模擬驗(yàn)證表明，gto-gam模型對(duì)雙料pc和tpu優(yōu)化后的翹曲變形量、體積收縮率的預(yù)測(cè)誤差均控制在5％以內(nèi)，模型預(yù)測(cè)準(zhǔn)確性較好，且雙料pc和tpu優(yōu)化后的翹曲變形量、體積收縮率分別比優(yōu)化前的仿真結(jié)果均有明顯降低，表明優(yōu)化效果較好，可以為獲取雙料注塑成型最優(yōu)工藝參數(shù)組合提供理論依據(jù)和數(shù)據(jù)支持。