神经网络的局部放电模式识别范文

摘要：

以激光器支架为例，运用Moldflow软件进行模流分析，并设置了正交试验，以得到各因素水平的最佳组合，从而减小翘曲变形量，提高塑件质量，使其达到装配要求。然后根据所得数据建立了BP神经网络预测模型，再利用测试样本验证模型的准确性，结果发现仿真值与预测值的误差均在±3%以内。

关键词：

激光器支架；模流分析；正交试验；BP神经网络

1激光器支架3D模型

激光器支架塑件的3D模型如图1所示。该塑件的尺寸为39.5mm×30mm×42mm，外表美观；另外，对成型塑件有一定力学性能要求，而且要求底面的翘曲变形量较小。根据实际生产经验以及该塑件的使用特点，选择材料为ABS(丙烯腈-丁二烯-苯乙烯共聚物)；采用一模两腔，主流道和分流道为圆形截面，浇口为梯形截面，最佳浇口位置在塑件的中间部位，但由于模具制作及生产效率的原因将其定于图1所示位置。采用中面模型对塑件进行网格划分：三角形单元数42672，节点数21320，最大纵横比为5.8，平均纵横比为1.62，匹配率为85.3%。

2正交试验

运用MoldflowMPI软件对塑件的注塑成型过程进行模拟，以翘曲变形为优化目标，通过正交试验获得最佳工艺参数，从而为实际生产提供指导。影响翘曲变形的主要工艺参数有模具温度、熔体温度、注射时间、保压压力、保压时间、冷却时间等，其中模具温度、熔体温度、保压压力、注射时间、保压时间对塑件的翘曲变形和收缩变形有较大的影响[1-2]。根据生产经验和成型窗口分析的结果，所设计的因素水平表如表1所示。本实验考察的主要指标是塑件的翘曲量，其值越小越好。由表2的正交试验结果可知，4号实验组合A1B4C4D4E4的翘曲量最小(0.276mm)。图2为翘曲变形量与体积收缩率的极差折线图。由图2可以直观地看出，对翘曲变形最佳的因素水平组合为A2B4C4D4E2，对体积收缩最佳的因素水平组合为A1B1C4D4E4。对这两个组合进行进一步研究。模拟结果显示，A2B4C4D4E2组合的体积收缩率为9.189%，翘曲量为0.2758mm。组合的体积收缩率为9.188%，翘曲量为0.2760mm。A2B4C4D4E2组合比A1B1C4D4E4组合的翘曲量小，确定其为最优组合。本实验中，对塑件翘曲变形的影响因素由主到次依次为C、B、D、A、E，说明保压压力在翘曲变形中起主要作用，其次为熔体温度和注射时间；对塑件体积收缩率的影响因素由主到次依次为B、C、A、D、E，说明熔体温度在体积收缩中起主要作用。选择参数时要权衡利弊，从而给出最优的实验组合。

3单因素分析

图3为各因素对塑件翘曲变形的影响。从图3可以看出，当模具温度由50℃升至80℃时，塑件的翘曲变形量逐渐下降，但降幅不大。在一定范围内，模具温度越高，塑件的冷却速率越低，即冷凝层的厚度较薄，内部的残余应力相对较小，因此塑件的变形量也较小。但是过高的模具温度不利于塑件的顶出，并导致成型周期延长，同时还会使结晶型塑件的体积收缩率增大。当熔体温度过低时，由于其流动性能较差，因此为充满型腔需要较大的注射速度或注射压力，这会导致剪切应力增大，使其在熔体凝固前来不及得到释放，进而造成塑件翘曲变形。而当熔体温度较高时，熔体的流动性能较好、剪切应力较小、冷凝层较薄，故此时塑件的变形量也相对较小。但是过高的熔体温度容易造成材料降解，导致塑件收缩率及翘曲变形量增大。另外，保压压力对塑件的翘曲变形影响较大，若没有保压压力，塑件的体积收缩率最高可达25%[3]。当保压压力过小时，由于补缩能力较差，会造成较大的体积收缩率，且易在浇口处形成回流，进而产生残余应力，这些因素均会造成塑件翘曲变形量的增大。当保压压力过高时，会使塑件产生较高的残余应力和压应力，导致塑件翘曲变形量增大，同时还可能出现胀模现象，产生飞边等缺陷，从而影响塑件质量。由图3还可看出，当注射时间较短时，由于熔体的填充速率过快，会使塑件产生表面应力和残余应力，进而导致塑件的变形量较大。但注射时间较短时产生的冷凝层厚度较小，使塑件的收缩趋于一致，这反而有利于减小塑件的变形量。而过长的注射时间则会使冷凝层厚度增加，当先锋熔体首先凝固时，其后部还是温度较高的熔体，进而导致塑件收缩不均，翘曲变形量增大。此外当保压时间较短时，其对塑件的变形量影响较大，这是因为此时塑件的补缩量较大。随着保压时间的延长，补缩量基本不发生变化，从而使塑件的变形量也基本不变。但是过长的保压时间不但不会使变形量进一步减小，而且会造成脱模困难，从而延长了注射周期，降低生产效率。

4神经网络预测

随着科技的不断发展，人们对生产提出越来越高的要求，高质、高效、节能、低碳、低成本成为工厂追求的目标。然而，采用传统的CAE方法处理大量原始数据时，需经多次试验才可能得出最佳的工艺方案，这显然不符合高效生产的要求。BP网络是一个前向多层网络，按误差反向传播算法对网络进行训练。其学习规则为最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差最小。它可以建立工艺参数到翘曲变形量和体积收缩率的映射关系模型，得到其内在关系，从而预测结果，而无需事前揭示描述这种映射关系的数学方程。由文献[4]可知，3层神经网络可以模拟任意非线性问题。本研究根据正交试验的数据，建立了一个5输入2输出的3层网络模型，如图4所示。

4.1样本数据处理由于本次网络训练的样本数值大小不一、单位各异，故首先将样本做归一化处理。

4.2隐含层神经元数目的确定隐含层神经元数决定了神经网络的准确性，它与问题的要求、输入层和输出层的神经元数都有关系。一般隐含层神经元数越多，其误差越小，但运算时间越长。目前，隐含层神经元数目选取的经验公式为：m=2n+1(其中，m为隐含层神经元数；n为输入层神经元数)。本网络根据经验公式，再加上一个区域范围，初选隐含层神经元数为1、6、12、18、24，结果如图5所示。从图5可以看出，中间隐层神经元数为12时相对比较合适，因此本研究将中间隐层的神经元数定为12。

4.3学习速率较大的学习速率可以快速地逼近期望值，但是容易发生修正过量而导致误差振荡而不收敛。而较小的学习速率可以避免出现误差振荡现象，但是收敛速度较慢。一般学习速率在0.01~0.1之间选取，本网络的学习速率选为0.02。

4.4网络训练图6为网络训练的误差曲线图。由Train(训练)曲线可以看出，误差(MeanSquaredError)在逐渐降低，在第三步时达到设定的误差目标值10-5。另外，图6中Test(测试)曲线是测试误差变化，Validation(验证)曲线表示验证误差变化，圆圈表示最佳的训练误差点，可以看出，Validation和Test的误差在最佳点后基本变化不大。

4.5网络测试再随机选取5组试验利用Moldflow软件进行模拟仿真，然后与网络测试的结果进行对比，以判定网络的可靠性。网络预测值与仿真值之间的误差如表3所示。从表3可以看出，网络预测的结果和仿真结果基本吻合(误差均在±3%之内)，这表明该网络已达到较高的预测精度，能够为以后的生产提供指导。

5结论

(1)利用Moldflow软件进行模拟，并结合正交试验和极差法得出最佳的工艺组合参数。当模具温度为60℃、熔体温度为270℃、保压压力为14MPa、注射时间为0.6s、保压时间为15s时，塑件的翘曲变形量最小，仅为0.2758mm。其中，保压压力在该塑件的翘曲变形中起主要作用，其次为熔体温度和注射时间。(2)单因素分析结果表明，塑件的翘曲变形量随模具温度、保压压力和保压时间的增加而减小，随熔体温度和注射时间的增加先增大后减小。(3)建立神经网络，以正交试验的16组数据为样本对不同神经元数的隐含层进行测试，确定隐含层神经元数为12时较为合适；另选用5组数据对仿真结果与预测结果进行比较，发现误差均在±3%之内，说明网络的预测精度较高，为其他模拟仿真提供了一种快捷方法。

作者：王卫东 宋继顺 单位：天津理工大学材料科学与工程学院