基于GA-ELM及遗传算法的注塑件成型工艺优化

以某电器扣盖壳体注塑成型工艺参数优化为例,对正交试验结果进行极差分析,得到各工艺参数对塑件翘曲变形量的影响程度顺序为保压时间＞模具温度＞注射时间＞熔体温度＞保压压力＞冷却时间.利用遗传算法优化后的极限学习机网络模型(GA-ELM)预测该塑件的翘曲变形量,得到训练好的GA-ELM模型可以很好反映6个工艺参数与翘曲变形量之间的非线性耦合关系,利用遗传算法强大寻优能力在训练好的GA-ELM网络模型中寻找较优的工艺参数.通过对比分析ELM与GA-ELM网络预测模型可知,ELM网络模型的R2为0.67032,GA-ELM网络模型的R2为0.99107,利用遗传算法优化得到的ELM网络预测系统与直接使用ELM网络预测系统相比,有较高的预测精度及稳定性.GA-ELM-GA优化后的翘曲变形量及收缩不均引起的变形量与正交试验设计优化结果相比,降低了12.18％,与初始方案的翘曲变形量及收缩不均引起的变形量相比,降低了39.8％.在一定程度上降低了该塑件翘曲变形量,并验证了该优化方法的可行性.