【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)涉及一種注塑工藝參數(shù)多目標(biāo)優(yōu)化方法，具體是一種基于shap-ngo-xgboost和momvo的注塑工藝參數(shù)多目標(biāo)優(yōu)化方法，屬于注塑加工。
技術(shù)介紹
1、abs塑料是丙烯腈、丁二烯、苯乙烯三種單體的三元共聚物，abs塑料具有出色的高韌性、耐熱性和良好的加工性能，是一種原料易得、綜合性能良好、價(jià)格便宜、用途廣泛的“堅(jiān)韌、質(zhì)硬、剛性”材料，在機(jī)械、電氣、紡織、汽車、飛機(jī)、輪船等制造工業(yè)及化工中獲得廣泛應(yīng)用。傳感器外殼通常采用abs塑料材質(zhì)，例如：在汽車零部件中，abs塑料傳感器外殼用于防抱死制動(dòng)系統(tǒng)，可提高制動(dòng)效果和車輛穩(wěn)定性；在電子產(chǎn)品中，abs塑料傳感器外殼用于保護(hù)傳感器元件，確保其正常運(yùn)行。然而，abs塑料在注塑成型過程中不可避免地會(huì)出現(xiàn)翹曲和體積收縮等注塑缺陷，特別是針對(duì)薄壁塑件，如何通過調(diào)整和優(yōu)化溫度、時(shí)間、壓力等工藝參數(shù)，以改善塑件質(zhì)量、減少缺陷，實(shí)現(xiàn)塑件尺寸的準(zhǔn)確性、外觀質(zhì)量和物理性能的穩(wěn)定性，是abs塑料注塑成型研究的重要內(nèi)容。
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
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解)。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)實(shí)驗(yàn)來確定最終的pareto最優(yōu)解，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，本專利技術(shù)提供一種注塑工藝參數(shù)多目標(biāo)優(yōu)化方法，能夠?qū)崿F(xiàn)有效降低abs塑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abs塑件產(chǎn)品，可以為獲取abs塑料注塑成型最優(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，本注塑工藝參數(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)，選取影響這兩個(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)ccf試驗(yàn)，并基于moldflow進(jìn)行注塑模擬仿真，得到質(zhì)量?jī)?yōu)化目標(biāo)試驗(yàn)結(jié)果；
4、step2、基于仿真試驗(yàn)結(jié)果，使用ngo優(yōu)化算法對(duì)xgboost模型進(jìn)行優(yōu)化，構(gòu)建ngo-xgboost注塑成型質(zhì)量預(yù)測(cè)模型；
5、step3、通過shap解釋法對(duì)ngo-xgboost模型進(jìn)行分析，獲得每個(gè)優(yōu)化設(shè)計(jì)變量對(duì)預(yù)測(cè)質(zhì)量?jī)?yōu)化目標(biāo)的重要性以及正負(fù)影響，并通過momvo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，xgboost模型的目標(biāo)函數(shù)obj定義如下：
8、
9、式中：為損失函數(shù)，其中yi表示樣本i的實(shí)際值，表示樣本i的預(yù)測(cè)值；ω(fk)為正則化項(xiàng)，表示第k棵決策樹的模型復(fù)雜度，其中fk表示第k棵決策樹；
10、xgboost模型的目標(biāo)函數(shù)正則化項(xiàng)的定義如下：
11、
12、式中：γ為節(jié)點(diǎn)切分的難度系數(shù)；t為當(dāng)前子樹的深度；λ為控制權(quán)重大小的正則化參數(shù)；ω為葉子節(jié)點(diǎn)的權(quán)重。
13、進(jìn)一步的，step2中使用ngo優(yōu)化算法對(duì)xgboost模型進(jìn)行優(yōu)化時(shí)，將學(xué)習(xí)率、樹的最大深度以及葉子節(jié)點(diǎn)最小權(quán)重和作為需要優(yōu)化的超參數(shù)，設(shè)置ngo優(yōu)化算法的超參數(shù)組合數(shù)初始化值以及最大迭代次數(shù)值，通過每次迭代過程中以數(shù)量為超參數(shù)組合數(shù)初始化值的超參數(shù)組合對(duì)xgboost模型進(jìn)行訓(xùn)練，最后根據(jù)模型性能指標(biāo)計(jì)算相應(yīng)超參數(shù)組合的適應(yīng)度值，適應(yīng)度值越低代表超參數(shù)組合越優(yōu)秀。
14、進(jìn)一步的，step3中通過shap解釋法對(duì)ngo-xgboost模型進(jìn)行分析，具體如下：
15、①使用treeexplainer作為shap解釋器；
16、②通過提供ngo-xgboost模型的數(shù)據(jù)集樣本，計(jì)算每個(gè)特征的shap值；
17、③采用shap可解釋性工具的可視化功能，進(jìn)行解釋模型的預(yù)測(cè)邏輯并生成shap摘要圖。
18、進(jìn)一步的，step3中通過momvo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，具體如下：
19、①設(shè)定momvo參數(shù)，明確目標(biāo)函數(shù)，并初始化相關(guān)變量與存檔；
20、②在主循環(huán)中計(jì)算蟲洞存在概率wep、行進(jìn)距離率tdr以及適應(yīng)度值；
21、③根據(jù)適應(yīng)度值對(duì)解進(jìn)行排序，選擇非支配解，更新解集并保存在檔案中。
22、④檢查當(dāng)前解集的檔案大小是否超出限定大小，若檔案大小超出預(yù)定范圍，進(jìn)行修剪操作，移除超出部分解；
23、⑤利用輪盤賭方法從存檔中選取解、并更新其位置；
24、⑥檢查終止條件，若未達(dá)到最大迭代次數(shù)，則繼續(xù)循環(huán)直至結(jié)束，得到pareto前沿。
25、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)算出翹曲變形量與體積收縮率的權(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)。
26、與現(xiàn)有技術(shù)相比，本注塑工藝參數(shù)多目標(biāo)優(yōu)化方法首先基于moldflow仿真分析和中心本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種注塑工藝參數(shù)多目標(biāo)優(yōu)化方法，其特征在于，具體包括以下步驟：
2.根據(jù)權(quán)利要求1所述的注塑工藝參數(shù)多目標(biāo)優(yōu)化方法，其特征在于，Step2中，XGBoost模型的目標(biāo)函數(shù)obj定義如下：
3.根據(jù)權(quán)利要求2所述的注塑工藝參數(shù)多目標(biāo)優(yōu)化方法，其特征在于，Step2中使用NGO優(yōu)化算法對(duì)XGBoost模型進(jìn)行優(yōu)化時(shí)，將學(xué)習(xí)率、樹的最大深度以及葉子節(jié)點(diǎn)最小權(quán)重和作為需要優(yōu)化的超參數(shù)，設(shè)置NGO優(yōu)化算法的超參數(shù)組合數(shù)初始化值以及最大迭代次數(shù)值，通過每次迭代過程中以數(shù)量為超參數(shù)組合數(shù)初始化值的超參數(shù)組合對(duì)XGBoost模型進(jìn)行訓(xùn)練，最后根據(jù)模型性能指標(biāo)計(jì)算相應(yīng)超參數(shù)組合的適應(yīng)度值，適應(yīng)度值越低代表超參數(shù)組合越優(yōu)秀。
4.根據(jù)權(quán)利要求3所述的注塑工藝參數(shù)多目標(biāo)優(yōu)化方法，其特征在于，Step3中通過SHAP解釋法對(duì)NGO-XGBoost模型進(jìn)行分析，具體如下：
5.根據(jù)權(quán)利要求4所述的注塑工藝參數(shù)多目標(biāo)優(yōu)化方法，其特征在于，Step3中通過MOMVO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，具體如下：
6.根據(jù)權(quán)利要求1所
...【技術(shù)特征摘要】
1.一種注塑工藝參數(shù)多目標(biāo)優(yōu)化方法，其特征在于，具體包括以下步驟：
2.根據(jù)權(quán)利要求1所述的注塑工藝參數(shù)多目標(biāo)優(yōu)化方法，其特征在于，step2中，xgboost模型的目標(biāo)函數(shù)obj定義如下：
3.根據(jù)權(quán)利要求2所述的注塑工藝參數(shù)多目標(biāo)優(yōu)化方法，其特征在于，step2中使用ngo優(yōu)化算法對(duì)xgboost模型進(jìn)行優(yōu)化時(shí)，將學(xué)習(xí)率、樹的最大深度以及葉子節(jié)點(diǎn)最小權(quán)重和作為需要優(yōu)化的超參數(shù)，設(shè)置ngo優(yōu)化算法的超參數(shù)組合數(shù)初始化值以及最大迭代次數(shù)值，通過每次迭代過程中以數(shù)量為超參數(shù)組合數(shù)初始化值的超參數(shù)組合對(duì)xgboost模型進(jìn)行訓(xùn)練，最后根據(jù)模型性能指標(biāo)計(jì)算相應(yīng)超參數(shù)組合的適應(yīng)度值，適應(yīng)度值越低代表超參數(shù)組合越優(yōu)秀。
4.根據(jù)權(quán)利要求3所述的...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：朱劉玉，郭永環(huán)，范希營(yíng)，季廣中，
申請(qǐng)(專利權(quán))人：江蘇師范大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。