一种塑料注射成型工艺参数优化方法

摘要

一种塑料注射成型工艺参数优化方法，属于工艺参数优化方法，解决现有塑料注射成型工艺参数优化方法存在的与实际偏差较大、难以准确调整、工艺参数设置过程繁琐的问题。本发明包括初步优化步骤和再次优化步骤，初步优化步骤可以快速确立工艺参数的主次因素与因素的优水平，获得工艺参数的可成型性，所得到的工艺参数做为再次优化步骤寻优过程的初始工艺参数，大大降低了在注塑机上开展的试模次数；再次优化步骤采用学习算法在线优化，可以加速寻优的迭代过程，并保证迭代过程的收敛，通过几次试模，就可以获得最优的注射成型工艺参数。

说明书

技术领域

本发明属于工艺参数优化方法，特别涉及一种塑料注射成型工艺参数优 化方法。

背景技术

塑料注射成型是使塑料先在加热料筒中均匀塑化，而后由柱塞或螺杆推 挤到闭合模具的模腔中冷却固化成型，获得塑料制品。塑料注射成型的设备 是注塑机。

在塑料注射成型生产过程中，影响塑料制品质量的因素多而复杂，包括 原材料、注塑机、模具和成型工艺，但是在原材料、注塑机、模具等确定之 后，决定塑料制品质量的最主要因素是成型工艺。成型工艺参数也成为控制 注塑制品质量最快捷、成本最低的因素。因此调节和优化注塑成型工艺参 数，对于获得具有稳定高质量的注塑制品意义重大。

注塑机工艺参数设置与优化方法主要靠试模，传统的试模采用尝试法， 即根据经验不断进行参数尝试，它严重依赖于人的经验与水平、复杂工艺控 制能力差，导致生产效率低、成品率低、重复精度差、质量难以保证。现有 注塑机工艺参数优化方法有：

(1)根据高分子流变学等理论提出的有限元、边界元等数值模拟软件， 如华中科技大学研发的塑料注射成型模拟软件HSCAE，以及Autodesk公司的 HSCAE软件等，虽然可以获得推荐和优化的工艺参数，但是存在计算效率 低、生产实践中材料、制品、模具信息残缺等问题，并且优化获得的工艺参 数必须人工输入到注塑机中。

(2)试验设计的方法，如正交试验设计，该方法可以很好的减少实验次 数，但是该方法只能限定在已定的水平上，而不是一定试验范围内的最优方 案，在实际的注射成型生产过程中操作过程繁琐。

(3)专家系统，如人工神经网络、实例推理、规则推理等，但是这些方 法存在样本收集的瓶颈，正确而充足的学习样本才能保证神经网络的性能。

此外，上述方法均为离线获得工艺参数，主要缺陷是工艺参数的设置与 优化不是在试模现场同步进行，不能有效考虑室温、冷却水温等外部环境、 液压油泵油温、机器损耗、传动机构疲劳等机器差异等产生的工艺参数与产 品质量之间的呈现的时变性关系问题。离线获得的工艺参数与实际偏差较 大，难以准确调整，工艺参数设置过程也繁琐。

为了理解本发明，以下对有关概念加以解释：

制品流长：是指从浇口到制品流动最末端的最长长度。

流道长度：流道长度是喷嘴到浇口的最长长度。

流道重量：整个流道系统的总重量。

制品总重量：一个模具中制品的总重量，为单个制品重量乘以一个模具 中制品的数量。

投影面积：沿着开合模的方向，制品和流道所占的面积。

水路数量：模具冷却水路的条数。

体积力：体积力为穿越空间作用在所有流体单元上的非接触力，如重 力、惯性力、电磁力等。

源项：是一个广义量，它代表了那些不能包括到控制方程的非稳态项、 对流项与扩散项中的所有其它各项之和。

短射：又称欠注、充填不足、制件不满、走胶不齐等，是指型腔未完全 充满，使得制件不饱满，外形残缺不完整。

气泡：制品内部形成体积较小或成串孔隙的现象。

缩水：又称缩痕、收缩等，是指制品表面不平整，向内产生浅坑或陷 窝。

熔接纹：又称熔接痕、熔接不良、熔合缝、缝合线等，是指各塑料熔体 前端相遇时在制品表面形成的一条线状痕迹。熔合纹不仅影响制品的外观形 象，而且影响制品的力学性能。

波流痕：塑件表面产生以浇口为中心的年轮状、螺旋状或云雾状的波形 凹凸不平的现象。

飞边：又称溢料、溢边、毛边、批锋等，是指在模具的不连续处(通常是 分模面、排气孔、排气顶针、滑动机构等)过量充填造成塑料外溢的瑕疵。

翘曲：是指制品产生旋转或扭曲现象，平坦的地方有起伏，直边朝里或 朝外弯曲或扭曲。

烧焦：又称糊斑、黑斑、黑纹等，是指在制品表面出现的暗色点或暗色 条纹。黑斑与黑纹是相同类型的瑕疵，只是烧焦的严重程度不同而已。

顶白：塑件的顶出部位有比较明显的白化现象，即出现霜状微细裂纹。

WLF-Cross模型七参数：WLF-Cross模型是一种常用的用来描述温 度、剪切速率、以及压力对粘度影响的模型，其表达式为：

$\eta =\frac{{\eta }_0(T,P)}{1+{\left(\frac{{\eta }_0\stackrel{·}{\gamma }}{{\tau }^{*}}\right)}^{1-n}},$

式中，η为粘度，η₀为零剪切粘度，τ为材料常数，单位为pa，n为非牛 顿指数，T为温度，P为压力，为剪切速率；

${\eta }_0=D_1\exp \left[\frac{-A_1(T-D_2-D_{3}P)}{A_2+T-D_2}\right],$

式中，材料常数D₁单位为Pa□s、材料常数D₂单位为K、材料常数D₃单位 为K/Pa、材料常数A₁无量纲，材料常数A₂单位为K；

n、τ^*、D₁、D₂、D₃、A₁和A₂即为WLF-Cross模型七参数，其具体值由 塑料类别、牌号、生产厂家确定。

代理几何模型：在实际应用中，大多数塑料件都是壁厚均匀的薄壁制 品，根据零件的几何特征和浇口位置确定零件的制品流长l和平均壁厚b，并 将制品对应的复杂型腔按照体积相等原则简化成端部带浇口的矩形平板，端 部带浇口的矩形平板为塑料制品的代理几何模型。

网格剖分：对空间上连续的二维或三维区域进行剖分，把它划分成许多 个三角形子区域或四面体子区域，并确定每个子区域中的节点的过程。

发明内容

本发明提供一种塑料注射成型工艺参数优化方法，解决现有塑料注射成 型工艺参数优化方法存在的与实际偏差较大、难以准确调整、工艺参数设置 过程繁琐的问题。

本发明所提供的一种塑料注射成型工艺参数优化方法，包括初步优化步 骤和再次优化步骤，其特征在于：

(1)初步优化步骤，包括下述子步骤：

(1.1)确定工艺参数及其取值范围：

所述工艺参数包括熔体温度T_p、模具温度T_m、注射速率V、保压压力 P、保压时间t_p、冷却时间t_c；

熔体温度T_p和模具温度T_m取值范围与制品材料类型相对应，从塑料数 据库中确定；所述制品材料类型以塑料类别、牌号、生产厂家表示；

注射速率V、保压压力P、保压时间t_p、冷却时间t_c的取值范围，根据制 品材料类型和模具特征，从实例数据库中通过相似度查询获得；

所述模具特征包括制品流长、制品最大壁厚、制品重量、浇口数量、流 道长度、流道重量、投影面积、水路数量、单位流量；

所述塑料数据库包括若干条记录，每条记录包括塑料类别、牌号、生产 厂家、最小注射温度、最大注射温度、推荐注射温度、最小模具温度、最大 模具温度、推荐模具温度、最大剪切应力、最大剪切速率、熔融密度、固态 密度、比热容、顶出温度、热传导系数、推荐背压、推荐螺杆线速率以及 WLF-Cross模型七参数，各条记录来源于塑料生产厂家提供的塑料物性表或 者塑料注射成型CAE仿真软件的塑料数据库；

所述实例数据库包括若干条记录，每条记录包含模具特征、制品材料类 型以及相应的V、P、t_p、t_c的取值范围，各条记录来源于塑料注射成型CAE 仿真软件的工艺窗口模块的分析案例或者注塑成型生产厂家实际生产过程中 的成功案例；

(1.2)正交试验设计：

以待优化的6个工艺参数T_p、T_m、V、P、t_p、t_c为因素，将每个工艺参 数的取值范围分为5水平，采用6因素、5水平的正交试验表L₂₅(5⁶)，确定用 于模拟计算的25组工艺参数组合，其中：L为正交表的符号，25为正交 表的行数、表示试验次数，5为正交表中的因素的水平数，6为正交表的 列数、表示实验因素的个数；

(1.3)模拟计算获得成型质量值，包括下述过程：

(1.3.1)判断制品的几何图形文件是否存在，是则对几何图形文件中的 几何模型进行网格剖分；否则根据制品的体积、制品的平均壁厚、制品流 长、浇口数量、流道长度，构造制品的代理几何模型，对代理几何模型进行 网格剖分；所述制品的几何图形文件由用户自己设计或者模具制造厂家提 供；

(1.3.2)查询塑料注射成型CAE仿真软件的注塑机数据库中是否存在 注塑成型生产厂家实际生产中所使用的注塑机，是则将该注塑机作为模拟计 算所用的注塑机，否则，在塑料注射成型CAE仿真软件的注塑机数据库中添 加注塑成型生产厂家实际生产中所使用的注塑机，再将其作为模拟计算所用 的注塑机；

所述注塑机数据库包括若干条记录，每条记录包括注塑机型号、生产厂 家、最大注射量、最大注射速率、最大注射压力、最大保压压力、最大注射 行程、最大锁模力、螺杆直径、最大螺杆转速，各条记录来源于注塑机生产 厂家提供的机器参数；

(1.3.3)根据所确定的各组工艺参数组合确定边界条件，采用有限元方 法、有限体积方法或有限差分方法求解制品的几何模型或代理几何模型的NS 方程，获得每组工艺参数组合的模拟计算结果，模拟计算结果包括最大压力 降最低流前温度最大剪切速率最大剪切应力τ_max和最长冷却 时间

制品的几何模型或代理几何模型的NS方程：

$\frac{\partial \left(\rho u_i\right)}{\partial t}+\frac{\partial \left({\mathrm{\rho u}}_j{u}_i\right)}{\partial j}=\frac{{\partial \tau }_{\mathrm{ij}}}{\partial j}+f_i$

$\frac{\partial \rho }{\partial t}+\frac{\partial \left(u_i\rho \right)}{\partial i}=0$

$\mathrm{\rho C}(\frac{\partial T}{\partial t}+u_i\frac{\partial T}{\partial x_i})=\Phi +\frac{\partial }{\partial x_i}\left(k\frac{\partial T}{\partial x_i}\right);$

式中，ρ为塑料熔体密度，u_i为塑料熔体在i方向的速率分量，u_j为塑料 熔体在j方向的速率分量，τ_ij为塑料熔体在i-j平面粘性应力，f_i为塑料熔体 在i方向所受体积力，i＝1、2、3，j＝1、2、3，其中1为空间直角坐标系X 方向，2为空间直角坐标系Y方向，3为空间直角坐标系Z方向；T为温度，t为 时间，C为塑料熔体比热容，k为塑料熔体导热系数；Φ为源项；

(1.3.4)计算各组工艺参数组合的成型质量值；

根据各组工艺参数组合模拟计算结果得到的τ_max和 得到各组工艺参数组合的成型质量值Q_r：

$Q_r={\omega }_1{P}_{\max }^d+{\omega }_2{T}_{\min }^f+{\omega }_3{\stackrel{·}{r}}_{\max }+{\omega }_4{\tau }_{\max }+{\omega }_5{t}_{\max }^c,$

第r组工艺参数组合的组序号r＝1、2、…、25，权值ω₁、ω₂、ω₃、ω₄、ω₅均在范围(0，1)内任意取值；

(1.4)确定因素次序以及理论最优工艺参数组合，包括下述过程：

(1.4.1)计算6因素5水平各组工艺参数组合的信噪比η_r：

η_r＝-10log₁₀(Q_r²)，式中，r＝1、2、…、25；

(1.4.2)分别计算各因素的信噪比极差R_m：

$R_m=K_{m_{\max }}-K_{m_{\min }},$

$K_{m_{\max }}=\max (K_{1m},K_{2m},K_{3m},K_{4m},K_{5m}),$

$K_{m_{\min }}=\min (K_{1m},K_{2m},K_{3m},K_{4m},K_{5m}),$

式中，因素的序号m＝1、2、…、6，

K₁₁＝η₁+η₂+η₃+η₄+η₅，

K₁₂＝η₁+η₆+η₁₁+η₁₆+η₂₁，

K₁₃＝η₁+η₁₀+η₁₄+η₁₈+η₂₂，

K₁₄＝η₁+η₉+η₁₂+η₂₀+η₂₃，

K₁₅＝η₁+η₈+η₁₅+η₁₇+η₂₄，

K₁₆＝η₁+η₇+η₁₃+η₁₉+η₂₅，

K₂₁＝η₆+η₇+η₈+η₉+η₁₀，

K₂₂＝η₂+η₇+η₁₂+η₁₇+η₂₂，

K₂₃＝η₂+η₆+η₁₅+η₁₉+η₂₃，

K₂₄＝η₂+η₁₀+η₁₃+η₁₆+η₂₄，

K₂₅＝η₂+η₉+η₁₁+η₁₈+η₂₅，

K₂₃＝η₂+η₈+η₁₄+η₂₀+η₂₁，

K₃₁＝η₁₁+η₁₂+η₁₃+η₁₄+η₁₅，

K₃₂＝η₃+η₈+η₁₃+η₁₈+η₂₃，

K₃₃＝η₃+η₇+η₁₁+η₂₀+η₂₄，

K₃₄＝η₃+η₆+η₁₄+η₁₇+η₂₅，

K₃₅＝η₃+η₁₀+η₁₂+η₁₉+η₂₁，

K₃₆＝η₃+η₉+η₁₅+η₁₆+η₂₂，

K₄₁＝η₁₆+η₁₇+η₁₈+η₁₉+η₂₀，

K₄₂＝η₄+η₉+η₁₄+η₁₉+η₂₄，

K₄₃＝η₄+η₈+η₁₂+η₁₆+η₂₅，

K₄₄＝η₄+η₇+η₁₅+η₁₈+η₂₁，

K₄₅＝η₄+η₆+η₁₃+η₂₀+η₂₂，

K₄₆＝η₄+η₁₀+η₁₁+η₁₇+η₂₃，

K₅₁＝η₂₁+η₂₂+η₂₃+η₂₄+η₂₅，

K₅₂＝η₅+η₁₀+η₁₅+η₂₀+η₂₅，

K₅₃＝η₅+η₉+η₁₃+η₁₇+η₂₁，

K₅₄＝η₅+η₈+η₁₁+η₁₉+η₂₂，

K₅₅＝η₅+η₇+η₁₄+η₁₆+η₂₃，

K₅₆＝η₅+η₆+η₁₂+η₁₈+η₂₄，

(1.4.3)将各因素的信噪比极差R_m按从大到小排序，信噪比极差越 大，表明成型质量对该因素越敏感；

(1.4.4)选择每个因素中最大信噪比对应的水平，形成理论最优工艺参 数组合x_oe，记为向量形式：

$x_{\mathrm{oe}}={({\hat{T}}_p,\hat{V},\hat{P},{\hat{t}}_p,{\hat{t}}_c,{\hat{T}}_m)}^T,$

式中，分别为最大信噪比的水平所对应的T_p、 V、P、t_p、t_c、T_m；

(2)再次优化步骤，包括下述子步骤：

(2.1)注塑机初次试模，包括下述过程：

(2.1.1)第1次试模的工艺参数组合x₁＝x_oe，将x_oe中的各工艺参数 设置到注塑机操作面板上，运行注塑机进行试模， 判断是否存在制品缺陷，是则进行过程(2.1.2)；否则完成试模；

所述制品缺陷是工艺人员能够直接观测到的外观缺陷，制品缺陷分为+1 类缺陷和-1类缺陷，+1类缺陷包括短射、气泡、缩水、熔接纹、波流痕；-1 类缺陷缺陷包括飞边、翘曲、烧焦、顶白、脱模困难；+1类缺陷和-1类缺陷 互斥；

(2.1.2)记录并保存工艺参数组合x₁以及对应的制品缺陷，进行子步骤 (2.2)：

(2.2)工艺参数的调整与连续试模，包括下述过程：

(2.2.1)根据试模及对应的制品缺陷，结合过程(1.4.3)中确立的因素 敏感次序，以拟定的调整规则，在子步骤(1.1)确定的各工艺参数取值范围 内，分别调整各工艺参数，形成第w次试模的工艺参数组合x_w，w＝2，…；

(2.2.2)将工艺参数组合x_w中的各工艺参数T_p、V、P、t_p、t_c、T_m，设 置到注塑机操作面板上，运行注塑机进行试模，判断是否存在制品缺陷，是 则进行(2.2.3)，否则完成试模；

(2.2.3)判断是否试模次数≥3且包括存在+1类缺陷的试模和存在-1类 缺陷的试模，是则进行子步骤(2.3)，否则转过程(2.2.1)；

(2.3)机器学习获得实际最优工艺参数，包括下述过程：

(2.3.1)根据试模的工艺参数组合x_w及相应的制品缺陷类别y_w，按下 式求解各拉格朗日乘子α_w的最优值：

$\left(\begin{array}{c}\min \frac{1}{2}\underset{w=1}{\overset{f}{\Sigma }}\underset{g=1}{\overset{f}{\Sigma }}{y}_w{y}_g{\alpha }_w{\alpha }_g\left(x_w{x}_g\right)-\underset{w=1}{\overset{f}{\Sigma }}{\alpha }_w\\ \underset{w=1}{\overset{f}{\Sigma }}{y}_w{\alpha }_w=0\\ {\alpha }_w\ge 0;w=1,···,f\end{array}\right),$

得最优值集合：α^*＝(α^*₁，α^*₂，…，α^*_f)^T，

式中，制品缺陷类别制品缺陷类别试模次 数序号w＝1，2，…，f，g＝1，2，…，f，f为总的试模次数；α^*₁，α^*₂，…，α^*_f为各拉 格朗日乘子α_w的最优值；

(2.3.2)构造最优超平面：v^*□X+b^*＝0，

其中，权重v^*＝(v₁，v₂，…，v₆)为6维行向量，x为6维工艺 参数组合变量，每一维对应相应的工艺参数，特征值α^*_h为最优值集合α^*中的任意一个正分量，x_h为α^*_h所对应的工艺参数组合，y_h为α^*_h所对应的缺陷类别；

(2.3.3)计算各工艺参数组合x_w与最优超平面的距离s_w：

s_w＝v^*□x_w+b^*，w＝1，…，f，

比较|s_w|大小，得到最小距离s_opt，根据s_opt得到对应的工艺参数组合 x_opt＝(T_popt，T_mopt，V_opt，P_opt，t_popt，t_copt)；

(2.3.4)计算工艺参数组合x_opt在最优超平面上的投影点x_e：

x_e＝(T_pe，T_me，V_e，P_e，t_pe，t_ce)，

$T_{\mathrm{pe}}=T_{\mathrm{popt}}-\frac{\frac{\left|v_1\right|}{\underset{u=1}{\overset{6}{\Sigma }}\left|v_u\right|}\times s_{\mathrm{opt}}}{v_1},$

$T_{\mathrm{me}}=T_{\mathrm{mopt}}-\frac{\frac{\left|v_2\right|}{\underset{u=1}{\overset{6}{\Sigma }}\left|v_u\right|}\times s_{\mathrm{opt}}}{v_2},$

$V_e=V_{\mathrm{opt}}-\frac{\frac{\left|v_3\right|}{\underset{u=1}{\overset{6}{\Sigma }}\left|v_u\right|}\times s_{\mathrm{opt}}}{v_3},$

$P_e=P_{\mathrm{opt}}-\frac{\frac{\left|v_4\right|}{\underset{u=1}{\overset{6}{\Sigma }}\left|v_u\right|}\times s_{\mathrm{opt}}}{v_4},$

$t_{\mathrm{pe}}=t_{\mathrm{popt}}-\frac{\frac{\left|v_5\right|}{\underset{u=1}{\overset{6}{\Sigma }}\left|v_u\right|}\times s_{\mathrm{opt}}}{v_5},$

$t_{\mathrm{ce}}=t_{\mathrm{copt}}-\frac{\frac{\left|v_6\right|}{\underset{u=1}{\overset{6}{\Sigma }}\left|v_u\right|}\times s_{\mathrm{opt}}}{v_6},$

将x_e作为实际最优工艺参数组合，设置到注塑机操作面板上，运行注塑 机进行试模，判断是否存在制品缺陷，是则将x_e作为x_w，转子步骤(2.3)， 否则完成试模。

所述的塑料注射成型工艺参数优化方法，其特征在于：

所述子步骤(2.2)的过程(2.2.1)中，所述拟定的调整规则是指根据 制品缺陷对各工艺参数进行调整的规则：

A.对于+1类缺陷：

短射缺陷，则增加熔体温度T_p、模具温度T_m、注射速率V、保压压力 P、保压时间t_p，降低冷却时间t_c；

气泡缺陷，则降低熔体温度T_p，模具温度T_m不变，降低注射速率V，增 加保压压力P、保压时间t_p，降低冷却时间t_c；

缩水缺陷，则降低熔体温度T_p，模具温度T_m不变，注射速率V不变， 增加保压压力P、保压时间t_p，降低冷却时间t_c；

熔接纹缺陷，则增加熔体温度T_p、模具温度T_m、注射速率V，其它参数 不变；

波流痕缺陷，则增加熔体温度T_p、模具温度T_m，注射速率V不变，增加 保压压力P、保压时间t_p，降低冷却时间t_c；

B.对于-1类缺陷：

飞边缺陷，则降低熔体温度T_p，模具温度T_m不变，降低注射速率V、保 压压力P、保压时间t_p，增加冷却时间t_c；

翘曲缺陷，则熔体温度T_p，模具温度T_m不变，降低注射速率V、保压压 力P、保压时间t_p，增加冷却时间t_c；

烧焦缺陷，则降低熔体温度T_p，模具温度T_m不变，降低注射速率V，保 压压力P、保压时间t_p、冷却时间t_c不变；

顶白缺陷，则降低熔体温度T_p，模具温度T_m不变，降低注射速率V、保 压压力P、保压时间t_p，增加冷却时间t_c；

脱模困难缺陷，则降低熔体温度T_p，模具温度T_m不变，降低注射速率、 保压压力P、保压时间t_p，增加冷却时间t_c。

本发明将注射成型工艺参数的优化过程划分为初步优化步骤和再次优化 步骤，初步优化步骤考虑材料、制品、模具因素的影响，采用离线优化，寻 优过程无需试模，采用正交试验设计方法，精确考虑材料、制品、模具因素 的影响，可以快速确立工艺参数的主次因素与因素的优水平，获得工艺参数 的可成型性，主次因素关系还可以用于再次优化步骤的工艺参数的推理过 程，所得到的工艺参数做为再次优化步骤寻优过程的初始工艺参数，大大降 低了在注塑机上开展的试模次数。

再次优化步骤考虑注塑机、环境等不确定因素的影响，采用学习算法在 线优化，以已经试模的工艺参数及制品质量为数据样本，可以加速寻优的迭 代过程，并保证迭代过程的收敛，通过几次试模，就可以获得最优的注射成 型工艺参数。

将本发明在塑料注塑机上实现，可以简化操作，实现试模过程的自动 化。

附图说明

图1为本发明的流程框图。

具体实施方式

以下结合实施例对本发明进一步描述。

实验用注塑机是日本FANUC公司的FANUCS2000i150A，实验材料选择POM (聚甲醛)塑料。

如图1所示，本发明的实施例，包括初步优化步骤和再次优化步骤；

(1)初步优化步骤，包括下述子步骤：

(1.1)确定工艺参数及其取值范围：

所述工艺参数包括熔体温度T_p、模具温度T_m、注射速率V、保压压力 P、保压时间t_p、冷却时间t_c；

所选择的塑料类别：POM，牌号：POM Generic Estimates，生产厂家： CMOLD Generic Estimates，根据塑料注射成型CAE仿真软件HSCAE中的塑 料数据库可以得到180℃≤T_p≤235℃，50℃≤T_m≤105℃；

制品流长为383mm，制品最大壁厚为3mm，制品重量50g、浇口数量为 1、流道长度110mm、流道重量15g，投影面积3000、水路数量3、单位流量 36L/min。根据模具特征以及塑料类别，从华中科技大学华塑实验室实例数 据库中检索推理得到10cm³/s≤V≤150cm³/s，30MPa≤P≤90MPa， 1s≤t_p≤13s，5s≤t_c≤33s。

(1.2)正交试验设计：

以待优化的6个工艺参数T_p、T_m、V、P、t_p、t_c为因素，将每个工艺参 数的取值范围分为5水平，见表1。

表1

采用6因素、5水平的正交试验表，见表2。

表2

(1.3)模拟计算获得成型质量值，包括下述过程：

(1.3.1)判断制品的几何图形文件是否存在，因所述制品的几何图形文 件已由申请人自己设计，故对几何图形文件中的几何模型进行网格剖分；

(1.3.2)查询塑料注射成型CAE仿真软件HSCAE注塑机数据库中不存 在FANUCS2000i150A机型，将FANUCS2000i150A的机器参数加入到塑料注射 成型CAE仿真软件HSCAE中的注塑机数据库中，将其作为模拟计算所用的注 塑机；注塑机型号FANUCS2000i150A、生产厂家FANUC、最大注射量108g、最 大注射速率161cm³/s、最大注射压力270MPa、最大保压压力270MPa、最大 注射行程145mm、最大锁模力150T、螺杆直径32mm、最大螺杆转速400rpm。

(1.3.3)根据所确定的各组工艺参数组合确定边界条件，采用塑料注射 成型CAE仿真软件HSCAE进行模拟，该塑料注射成型CAE仿真软件采用有 限元和有限差分方法求解制品的几何模型的NS方程，获得每组工艺参数组合 的模拟计算结果：最大压力降最低流前温度最大剪切速率最大剪切应力τ_max和最长冷却时间见表3；

表3

(1.3.4)计算各组工艺参数组合的成型质量值；

根据各组工艺参数组合模拟计算结果得到的和 得到各组工艺参数组合的成型质量值Q_r，见表3；

$Q_r=0.6P_{\max }^d+0.2T_{\min }^f+0.01{\stackrel{·}{r}}_{\max }+0.1{\tau }_{\max }+0.5t_{\max }^c;$

(1.4)确定因素次序以及理论最优工艺参数组合，包括下述过程：

(1.4.1)计算各组工艺参数组合的信噪比η_r，见表4；

(1.4.2)计算各因素的信噪比极差R_m，见表4；

表4

(1.4.3)将各因素的信噪比极差R_m按从大到小排序，由表4得， R₃＞R₁＞R₅＞R₆＞R₂＞R₄，所以成型质量对相应工艺参数的敏感程度 V＞T_p＞t_p＞t_c＞T_m＞P；

(1.4.4)选择每个因素中最大信噪比对应的水平，对于T_p，K₂₁＝-234.3 最大，对应的水平2最优，对于T_m，K₄₂＝-236.7，对应的水平4最优，对于 V，K₁₃＝-229，对应的水平1最优，对于P，K₅₄＝--236.6，对应的水平5 最优，对于t_p，K₅₅＝--236.9，对应的水平5最优，对于t_c，K₁₆＝--236.2， 对应的水平1最优，所以理论最优工艺参数组合

x_oe＝(194℃，90℃，30cm³/s，90MPa，10s，5s)；

(2)再次优化步骤，包括下述子步骤：

(2.1)注塑机初次试模，包括下述过程：

(2.1.1)将x₁＝x_oe＝(194℃，90℃，30cm³/s，90MPa，10s，5s)设置到注塑机 上，运行注塑机进行试模，所得制品出现短射缺陷；

(2.1.2)记录并保存工艺参数组合x₁以及对应的制品短射缺陷，进行子 步骤(2.2)；

(2.2)工艺参数的调整与连续试模，包括下述过程：

(2.2.1)根据试模与对应的制品短射缺陷，结合过程(1.4.3)中的成型 质量对各工艺参数的敏感程度，以拟定的调整规则中对应短射缺陷的调整规 则，增加熔体温度T_p、模具温度T_m、注射速率V、保压压力P、保压时间t_p， 降低冷却时间t_c，形成第2次试模的工艺参数组合 x₂＝(220℃，95℃，120cm³/s，90MPa，12s，4s)；

(2.2.2)将调整后的工艺参数组合x₂设置到注塑机操作面板上，运行注塑 机再一次进行试模，判断所得制品出现飞边缺陷，进行(2.2.3)；

(2.2.3)此时，总的试模次数＝2且包括存在+1类缺陷的试模和存在-1类 缺陷的试模，但不满足条件“试模次数≥3且包括存在+1类缺陷的试模和存 在-1类缺陷的试模”中的试模次数≥3的条件，因此，

根据试模与对应的制品短射缺陷，结合过程(1.4.3)中的成型质量对各 工艺参数的敏感程度，以拟定的调整规则中对应飞边缺陷的调整规则，降低 熔体温度T_p，模具温度T_m不变，降低注射速率V、保压压力P、保压时间t_p， 增加冷却时间t_c，形成第3次试模的工艺参数组合 x₂＝(200℃，50℃，70cm³/s，60MPa，6s，15s)，将工艺参数组合x₃设置到注塑机 操作面板上，运行注塑机再一次进行试模，判断所得制品出现短射缺陷，此 时总的试模次数＝3且包括存在+1类缺陷的试模和存在-1类缺陷的试模，进行 子步骤(2.3)；

(2.3)机器学习获得实际最优工艺参数，包括下述过程：

(2.3.1)根据试模的工艺参数组合x_w，及相应的制品缺陷类别y_w，见表 5，按下式求解各拉格朗日乘子α_w的最优值：

$\left(\begin{array}{c}\min \frac{1}{2}\underset{w=1}{\overset{3}{\Sigma }}\underset{g=1}{\overset{3}{\Sigma }}{y}_w{y}_g{\alpha }_w{\alpha }_g\left(x_w{x}_g\right)-\underset{w=1}{\overset{3}{\Sigma }}{\alpha }_w\\ \underset{w=1}{\overset{3}{\Sigma }}{y}_w{\alpha }_w=0\\ {\alpha }_w\ge 0;w=1,···,3\end{array}\right),$

得最优值集合：α^*＝(α^*₁，α^*₂，α^*₃)^T＝(-0.1，0.12，0.2)^T，

式中，制品缺陷类别制品缺陷类别试模次 数序号w＝1，…，3，g＝1，…，3，f为总的试模次数；α^*₁，α^*₂，α^*₃为各拉格朗日 乘子α_w的最优值；

表5

(2.3.2)构造最优超平面：v^*□X+b^*＝0，

权重$v^{*}=(v_1,v_2,···{,v}_6)=\underset{w=1}{\overset{3}{\Sigma }}{y}_w{{\alpha }^{*}}_w{x}_w=(-5.8,-0.4,-3.4,-7.8,-\mathrm{1.24,2.02}),$x为6 维工艺参数组合变量，每一维对应相应的工艺参数，

选取最优值集合α^*中的任意一个正分量α^*₃，x₃为α^*₃所对应的工艺参数组 合，y₃为α^*₃所对应的缺陷类别所以特征值$b^{*}=y_3-\underset{w=1}{\overset{3}{\Sigma }}{y}_w{{\alpha }^{*}}_w(x_w.x_3)=0.4;$

(2.3.3)计算各工艺参数组合x_w与最优超平面的距离s_w：

s_w＝v^*□x_w+b^*，w＝1，…，f，

比较|s_w|大小，得到最小距离s_opt，根据s_opt得到对应的工艺参数组合 x_opt＝x₃＝(200℃，50℃，70cm³/s，60MPa，6s，15s)；

(2.3.4)计算工艺参数组合x_opt在最优超平面上的投影点x_e：

x_e＝(T_pe，T_me，V_e，P_e，t_pe，t_ce)，

$T_{\mathrm{pe}}=T_{\mathrm{popt}}-\frac{\frac{\left|v_1\right|}{\underset{u=1}{\overset{6}{\Sigma }}\left|v_u\right|}\times s_{\mathrm{opt}}}{v_1}=207,$

$T_{\mathrm{me}}=T_{\mathrm{mopt}}-\frac{\frac{\left|v_2\right|}{\underset{u=1}{\overset{6}{\Sigma }}\left|v_u\right|}\times s_{\mathrm{opt}}}{v_2}=77,$

$V_e=V_{\mathrm{opt}}-\frac{\frac{\left|v_3\right|}{\underset{u=1}{\overset{6}{\Sigma }}\left|v_u\right|}\times s_{\mathrm{opt}}}{v_3}=90,$

$P_e=P_{\mathrm{opt}}-\frac{\frac{\left|v_4\right|}{\underset{u=1}{\overset{6}{\Sigma }}\left|v_u\right|}\times s_{\mathrm{opt}}}{v_4}=75,$

$t_{\mathrm{pe}}=t_{\mathrm{popt}}-\frac{\frac{\left|v_5\right|}{\underset{u=1}{\overset{6}{\Sigma }}\left|v_u\right|}\times s_{\mathrm{opt}}}{v_5}=7,$

$t_{\mathrm{ce}}=t_{\mathrm{copt}}-\frac{\frac{\left|v_6\right|}{\underset{u=1}{\overset{6}{\Sigma }}\left|v_u\right|}\times s_{\mathrm{opt}}}{v_6}=10,$

所以，

x_e＝(T_pe，T_me，V_e，P_e，t_pe，t_ce)＝(207℃，77℃，90cm³/s，75MPa，7s，10s)

将x_e作为实际最优工艺参数组合，设置到注塑机操作面板上，运行注塑 机进行试模，成功，完成试模。