BP神經網絡在預測注塑模型腔溫度中的應用

成 崗，劉 虎，夏文勝

（鹽城工學院，江蘇鹽城 224001）

注塑成型過程是一個復雜、非線性的過程，影響其結果的因素很多。其中，模具型腔的溫度直接影響塑件的質量與生產效率。在加工過程中，如果型腔各部分的溫度差異較大，則會引起塑件收縮不均勻，從而導致塑件變形或尺寸超差。此外，各種塑料都有其最適合成型的模具溫度，模具溫度過低過高都可能出現成形缺陷（如翹曲，內應力過大），同時會延長塑件的冷卻和固化時間，延長成形周期。因此在注塑成形中，必須對型腔溫度進行控制，使之適合塑料的成形要求，并使型腔各部分溫度差異減小。

通常注塑模的溫度控制是通過冷卻回路來實現，而正確設計冷卻回路則必須準確預測注塑模具型腔的溫度。然而，由于影響注塑模型腔溫度的因素很多，依據傳統的經驗公式計算設計，不僅繁瑣，而且誤差較大。采用BP神經網絡系統就可以簡化這一過程。

1 人工神經網絡

人工神經網絡（ANN）是在人類對自身大腦神經細胞認識的基礎上，研究發展起來的一種類似于大腦神經突觸聯接的結構進行信息處理的網絡機構。人工神經網絡具有自組織、自學習、自適應和非線性動態處理等特點。其可以實現類似人腦的概括、類比和推廣等能力，因而可以直接從大量數據中提取規則，通過聯想記憶和推廣能力來獲得所需要的數據。

BP（Back Propagation）網絡是一種按誤差逆傳播算法訓練的多層前饋網絡。BP網絡能學習和存貯大量的輸入-輸出模式映射關系，而無需事前揭示描述這種映射關系的數學方程。它的學習規則是使用最速下降法（又稱為梯度法），通過反向傳播來不斷調整網絡的權值和閾值，使網絡的誤差平方和最小。BP網絡結構模型如圖1所示，其是一個多輸入單輸出的非線性元件。

圖1 三層BP網格結構圖

BP網絡是是目前應用最廣泛的神經網絡模型之一，理論實踐都很成熟，本文就是采用BP網絡作為計算注塑模型腔溫度的神經網絡模型。

2 人工神經網絡的設置、訓練與運行

本研究中，選用材料為ABS的塑料成形件，塑件厚度為4mm，注射溫度220℃，注射壓力為120MPa，模具材料為45#鋼，冷卻水溫為30℃，流速1m/s,在定模與動模中環繞3跟連接水管，實驗測得部分模具型腔溫度如表1所示。

表1 模具型腔溫度實驗值

現采用單隱層BP網絡構建人工神經網絡。輸入節點為1，對應冷卻時間；輸出節點為1，對應模具型腔溫度；隱層節點數為15。采用Matlab神經網絡工具箱的工具函數訓練網絡。輸入層與隱層之間采用tansig函數連接，隱層與輸出層之間采用purelin函數連接。設定最小期望誤差值sse=0.001,設定最大訓練步數mne=20000,設定修正權值的學習效率lr=0.01。人工網絡訓練過程如圖2所示。

圖2 BP網格訓練流程圖

編寫M文件。部分源程序如下：

使用Matlab軟件運行程序，結果如下：

實際訓練次數epoch=6312次，實際誤差平方和sse=0.000999445，實際學習效率lr=0.19549。經過訓練建立的神經網絡模型可以快速預測模具型腔溫度，表2給出部分實驗值與神經網絡預測值的對照表。從表2可以看出，BP神經網絡預測溫度精度很高，絕對誤差小于2℃

3 總結

采用BP神經網絡預測模具型腔溫度，其預測結果與實驗結果比較吻合，絕對誤差在2℃以內，有很好的使用效果。在此基礎上，其可以用來優化注塑模結構和冷卻系統的設計，以提高產品的質量和減少冷卻時間，縮短模具成形周期，提高生產效率。

表2 BP神經網絡預測值與實驗值的比較

[1]董長虹.matlab神經網絡與應用[M].北京:國防工業出版社，2007.

[2]焦李成.神經網絡系統理論[M].西安:西安電子科技大學出版社，1999:125-186.

[3]李海林，郭志英，李德群.注塑模冷卻模擬系統[J].華東理工大學學報，1999，（6）:74-76.

[4]劉斌，許建文，江開勇.基于CAE和神經網絡的注射成型工藝參數優化[J].工程塑料應用，2007（11）:78-80.