張海光,張壯雅,胡慶夕
(1.上海大學(xué) 快速制造工程中心,上海 200444;2.上海大學(xué) 上海市智能制造及機(jī)器人重點(diǎn)實(shí)驗(yàn)室,上海 200444)
3D 打?。?D Printing,3DP)技術(shù)和快速模具(Rapid Tooling,RT)技術(shù)[1]是增材制造技術(shù)的兩大支柱。3DP 技術(shù)主要用于新產(chǎn)品樣件的試制;而RT 技術(shù)則可方便快捷地實(shí)現(xiàn)新產(chǎn)品的試制和小批量生產(chǎn)[2]。隨著3DP&RT 技術(shù)的廣泛應(yīng)用,企業(yè)可以在最短的時(shí)間內(nèi)開(kāi)發(fā)出滿足客戶需求的產(chǎn)品并投入市場(chǎng),從而贏得市場(chǎng)競(jìng)爭(zhēng)。隨著我國(guó)新產(chǎn)品的開(kāi)發(fā)能力不斷加強(qiáng),真空注型(Vacuum Casting,VC)技術(shù)作為RT 技術(shù)中應(yīng)用最廣泛的工藝方法之一[3-4],其應(yīng)用呈逐年上升的態(tài)勢(shì),VC 澆注件的使用范圍越來(lái)越廣泛,說(shuō)明該技術(shù)正處于成長(zhǎng)期,還有非常大的發(fā)展空間和應(yīng)用潛力。但是VC 過(guò)程是一個(gè)典型的多變量、大滯后、非線性、強(qiáng)耦合且需人為參與的間歇工業(yè)過(guò)程,而且澆注件幾何特征多樣、注型工藝參數(shù)復(fù)雜,工藝設(shè)定大多依靠操作人員的經(jīng)驗(yàn),現(xiàn)有VC設(shè)備自動(dòng)化程度低、澆注件的質(zhì)量難以控制,已經(jīng)成為該行業(yè)繼續(xù)發(fā)展的瓶頸,因此要想實(shí)現(xiàn)VC 技術(shù)從“可以成型”向“高質(zhì)量成型”的轉(zhuǎn)變,對(duì)其工藝參數(shù)優(yōu)化和控制方法的研究是關(guān)鍵。
隨著智能控制技術(shù)的發(fā)展,出現(xiàn)了很多研究復(fù)雜非線性系統(tǒng)的辨識(shí)、優(yōu)化的方法和理論[5-8],但這些方法的研究和應(yīng)用大多相互獨(dú)立,沒(méi)有充分利用各種智能控制技術(shù)的特點(diǎn)和優(yōu)勢(shì),且大部分研究針對(duì)的主要是注塑領(lǐng)域,利用智能控制方法進(jìn)行VC工藝參數(shù)優(yōu)化和控制的研究很少。因此,本文利用神經(jīng)網(wǎng)絡(luò)技術(shù)尋求澆注件幾何特征和對(duì)應(yīng)工藝參數(shù)間的關(guān)系,對(duì)不同類型的澆注件進(jìn)行工藝參數(shù)的智能推薦,利用模糊控制技術(shù)在模擬人腦感知、推理等智能行為方面的優(yōu)勢(shì),對(duì)操作人員的工藝參數(shù)修正經(jīng)驗(yàn)進(jìn)行歸納和提取,實(shí)現(xiàn)根據(jù)澆注件的缺陷情況進(jìn)行智能工藝參數(shù)修正,并構(gòu)建智能質(zhì)量控制系統(tǒng),實(shí)現(xiàn)工藝參數(shù)的智能推薦和優(yōu)化,以提高澆注件質(zhì)量。
根據(jù)操作人員的實(shí)際加工過(guò)程和VC 澆注件的幾何特征,結(jié)合實(shí)例推理(Case-Based Reasoning,CBR)、神經(jīng)網(wǎng)絡(luò)推理(Neural Network-based Reasoning,NNR)和模糊推理(Fuzzy-Based Reasoning,F(xiàn)BR)技術(shù),建立真空注型智能質(zhì)量控制系統(tǒng),該系統(tǒng)由CBR、NNR 和FBR 三個(gè)模塊構(gòu)成,包括澆注實(shí)例數(shù)據(jù)庫(kù)和模糊規(guī)則修正數(shù)據(jù)庫(kù),其系統(tǒng)架構(gòu)如圖1所示。其中:澆注實(shí)例數(shù)據(jù)庫(kù)中的一部分來(lái)源于實(shí)際澆注實(shí)例,另一部分來(lái)源于計(jì)算機(jī)輔助工程(Computer Aided Engineering,CAE)分析獲得的實(shí)例,主要作為CBR 模塊的檢索案例和NNR 模塊的訓(xùn)練樣本;模糊規(guī)則修正數(shù)據(jù)庫(kù)數(shù)據(jù)主要包括澆注件缺陷類型及由專家或操作員經(jīng)驗(yàn)轉(zhuǎn)化得到的規(guī)則。
在實(shí)際生產(chǎn)過(guò)程中,操作人員遇到一個(gè)新的澆注對(duì)象時(shí),通常會(huì)通過(guò)回憶借鑒已有的成功案例來(lái)設(shè)定工藝參數(shù)。該系統(tǒng)中的CBR 模塊就是通過(guò)對(duì)已有實(shí)例的檢索來(lái)模擬操作人員的“借鑒”思維,尋找最接近的澆注實(shí)例,從而設(shè)定初始工藝參數(shù)。如果沒(méi)有可借鑒的加工實(shí)例,則根據(jù)澆注件的幾何特征,利用NNR 模塊進(jìn)行推理,獲得初始工藝參數(shù)并將其用于實(shí)際澆注過(guò)程。如果澆注件質(zhì)量達(dá)到要求,則將澆注件幾何特征參數(shù)和推薦的工藝參數(shù)存儲(chǔ)至實(shí)例數(shù)據(jù)庫(kù);如果澆注件質(zhì)量指標(biāo)不滿足要求,則根據(jù)缺陷類型利用FBR 模塊進(jìn)行工藝參數(shù)修正,該過(guò)程不斷循環(huán),直至滿足質(zhì)量指標(biāo)要求。
可見(jiàn),該系統(tǒng)主要分為工藝參數(shù)推薦和工藝參數(shù)修正兩大部分,工作流程如圖2所示。
CBR 是一種模擬人類類比思維的推理技術(shù),通過(guò)檢索數(shù)據(jù)庫(kù)中已有的同類問(wèn)題求解獲得當(dāng)前問(wèn)題的解,具有簡(jiǎn)化知識(shí)獲取、求解質(zhì)量高、適用于非計(jì)算推導(dǎo)等優(yōu)點(diǎn)[9-10]。由于VC 澆注件幾何特征各異,實(shí)際生產(chǎn)中的工藝參數(shù)設(shè)置通常需要經(jīng)驗(yàn)豐富的操作人員先回憶或借鑒過(guò)去類似的方案,然后根據(jù)經(jīng)驗(yàn)做適當(dāng)修改。在實(shí)際生產(chǎn)中,澆注件幾何特征是決定工藝參數(shù)的關(guān)鍵,因此,CBR 模塊根據(jù)澆注件的幾何特征通過(guò)匹配算法與實(shí)例庫(kù)中所有的實(shí)例進(jìn)行相似度計(jì)算,尋找相似度最高的實(shí)例,獲取對(duì)應(yīng)的工藝參數(shù)作為初始參數(shù)。具體實(shí)現(xiàn)過(guò)程如下。
(1)澆注件特征表達(dá)
1)澆注件體積 體積較大的工件需要較大的壓差及較高的材料和模具溫度,以避免材料較早凝固出現(xiàn)澆注不足的現(xiàn)象;反之,則應(yīng)采用相對(duì)較小的差壓進(jìn)行澆注,以防材料噴射造成飛邊等缺陷,計(jì)算公式如下:
式中:v為澆注件體積;m為澆注件質(zhì)量;ρ為澆注件材料密度。
2)平均壁厚 對(duì)于平均壁厚較小的澆注件,其充型過(guò)程阻力大,應(yīng)適當(dāng)增加澆注壓差,提高材料和模具溫度;反之應(yīng)適當(dāng)減小澆注壓差,降低材料和模具溫度,計(jì)算公式如下:
式中:d為澆注件平均壁厚;v為澆注件體積;s為澆注件表面積。
3)復(fù)雜程度 澆注件越復(fù)雜,充型難度越大,應(yīng)適當(dāng)增大澆注壓差,提高材料和模具溫度。以0~9表征澆注件的復(fù)雜程度,0表示相當(dāng)簡(jiǎn)單,9表示相當(dāng)復(fù)雜,用變量k表示,k∈[0,9]。
(2)澆注件特征獲取
通常材料的質(zhì)量和密度均已知,根據(jù)式(1)即可獲得v;根據(jù)澆注件CAD 模型,采用STL(stereo lithography)模型切片法獲取澆注件每層切片的輪廓,使用OpenGL編制的圖像處理算法可計(jì)算出各層輪廓周長(zhǎng),周長(zhǎng)與層片高度積即為S,根據(jù)式(2)即可獲得d;復(fù)雜程度k根據(jù)人為經(jīng)驗(yàn)估計(jì)初始值。
應(yīng)用狀態(tài)空間法進(jìn)行澆注件幾何特征的實(shí)例表示,現(xiàn)引入一組有序變量vi,di和ki,其矢量形式:
式中:vi為澆注 件體積;di為澆注 件平均壁厚;ki為澆注件復(fù)雜程度。每個(gè)變量又由一個(gè)三元向量組(pi,wi,xi)表示,其中:pi為屬 性名稱;wi為屬性權(quán)值,權(quán)值越大,對(duì)應(yīng)的屬性越重要;xi為屬性值。
根據(jù)操作人員的經(jīng)驗(yàn)設(shè)定各幾何特征參數(shù)對(duì)應(yīng)的初始默認(rèn)權(quán)值,如表1所示。此外,初始權(quán)值的設(shè)定留有人機(jī)交互接口,可供有經(jīng)驗(yàn)的操作人員進(jìn)行修改。
表1 澆注件幾何特征權(quán)值
實(shí)例的相似度是實(shí)例間相似程度的定量表征,相似度是一模糊量,用sim(x,y)表示實(shí)例x和實(shí)例y的相似度,sim(x,y)∈[0,1]。下面針對(duì)一具體實(shí)例分析VC澆注件相似度的計(jì)算方法,新澆注實(shí)例和被檢索實(shí)例幾何特征具體參數(shù)如表2所示。
表2 實(shí)例幾何特征參數(shù)
(1)體積局部相似度計(jì)算
對(duì)于澆注件幾何特征而言,澆注件的體積是一確定數(shù)值,其范圍取決于VC設(shè)備澆注室的尺寸,澆注件體積局部相似度計(jì)算公式如下:
式中:α和β分別為澆注室所能容納的模具體積最小值和最大值,假設(shè)所用VC 設(shè)備容納模具的體積范圍為1 000 mm3~6 000 mm3,則α=1 000,β=6 000。
根據(jù)式(4)求得新澆注實(shí)例和被檢索實(shí)例的體積相似度
(2)平均壁厚局部相似度計(jì)算
當(dāng)比較對(duì)象x為確定數(shù)值、y為一取值范圍[a,b]時(shí),其相似度計(jì)算公式如下:
假設(shè)真空注型澆注件的平均壁厚的范圍為[1,4],根據(jù)式(5)求得新澆注實(shí)例和被檢索實(shí)例的平均壁厚相似度
(3)復(fù)雜程度局部相似度計(jì)算
澆注件的復(fù)雜程度為一模糊值,現(xiàn)將復(fù)雜程度從最簡(jiǎn)單到最復(fù)雜分為五個(gè)等級(jí),函數(shù)f(x)的映射關(guān)系如表3所示。
表3 澆注件復(fù)雜程度函數(shù)映射關(guān)系
當(dāng)比較對(duì)象x和y為模糊值時(shí),可以對(duì)模糊值進(jìn)行定量描述來(lái)求解相似度,其相似度求解公式如下:
根據(jù)式(4)求得新澆注實(shí)例和被檢索實(shí)例的復(fù)雜程度相似度
(4)綜合相似度計(jì)算
如果用元組(p1,p2,…,pm)表示要匹配的新問(wèn)題的描述、用元組(u1,u2,…,um)表示庫(kù)中檢索到的案例描述,則綜合相似度的計(jì)算公式[11]如下:
式中:p為要匹配的新澆注實(shí)例的描述;pi為p的第i個(gè)屬性;u為實(shí)例庫(kù)中原實(shí)例的描述;ui為u的第i個(gè)屬性;m為問(wèn)題描述的屬性個(gè)數(shù);wi為第i個(gè)屬性的局部相似度權(quán)值。
在計(jì)算各局部相似度的基礎(chǔ)上,利用式(7)計(jì)算新澆注實(shí)例和被檢索實(shí)例的綜合相似度
獲得綜合相似度后采用最相鄰近策略(Nearest-Neighbor Strategy,NNS)進(jìn)行實(shí)例檢索。設(shè)實(shí)例u∈R,若存在實(shí)例c∈R,對(duì)所有實(shí)例c′∈R,都有sim(u,c)≥sim(u,c′)成立,則稱實(shí)例c為實(shí)例u的最近鄰居NNS,記為:
現(xiàn)設(shè)定分級(jí)相似度閾值為0.9,根據(jù)相似度計(jì)算結(jié)果,可能出現(xiàn)兩種情況及對(duì)應(yīng)的處理辦法,如表4所示。
表4 樣本相似度匹配及處理辦法
續(xù)表4
誤差反向傳播(Back Propagation,BP)網(wǎng)絡(luò)是應(yīng)用最廣泛最成熟的網(wǎng)絡(luò)模型之一,本文采用BP神經(jīng)網(wǎng)絡(luò)建立澆注件幾何特征與澆注工藝參數(shù)間的關(guān)系,實(shí)現(xiàn)VC工藝參數(shù)的智能推薦。
BP神經(jīng)網(wǎng)絡(luò)是一種有隱含層的多層前饋型神經(jīng)網(wǎng)絡(luò),可以實(shí)現(xiàn)從輸入到輸出的任意非線性映射,權(quán)值的調(diào)整采取反向傳播學(xué)習(xí)算法。一旦網(wǎng)絡(luò)層數(shù)以及各層神經(jīng)元個(gè)數(shù)確定,則BP網(wǎng)絡(luò)結(jié)構(gòu)隨之確定,用于VC 工藝參數(shù)推薦的BP網(wǎng)絡(luò)結(jié)構(gòu)如下:
(1)網(wǎng)絡(luò)的層數(shù)
理論證明一個(gè)S型隱含層加上一個(gè)線性輸出層的神經(jīng)網(wǎng)絡(luò),能夠逼近任何有理函數(shù),因此,初選具有一層隱含層的三層網(wǎng)絡(luò)結(jié)構(gòu)。
(2)輸入輸出層神經(jīng)元個(gè)數(shù)
以澆注件體積v、澆注件平均壁厚d和澆注件復(fù)雜程度k為BP網(wǎng)絡(luò)的輸入;以材料溫度Tc、模具溫度Tm和澆注壓差Δp為BP 網(wǎng)絡(luò)的輸出,因此,該網(wǎng)絡(luò)的輸入層和輸出層神經(jīng)元個(gè)數(shù)均為3。
(3)隱含層神經(jīng)元個(gè)數(shù)
隱含層神經(jīng)元個(gè)數(shù)的確定可通過(guò)以下經(jīng)驗(yàn)公式得到:
式中:Nin為輸入神經(jīng)元個(gè)數(shù);Nou為輸出神經(jīng)元個(gè)數(shù);a為調(diào)整值,a∈[1,10]。根據(jù)式(9)確定初始的隱含層神經(jīng)元個(gè)數(shù)為6。至此,工藝參數(shù)智能推薦神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)為3-6-3,其結(jié)構(gòu)如圖3所示。
VC 工藝參數(shù)推薦神經(jīng)網(wǎng)絡(luò)需要通過(guò)大量的樣本進(jìn)行訓(xùn)練才能提高網(wǎng)絡(luò)的準(zhǔn)確性。
(1)樣本來(lái)源
數(shù)據(jù)樣本一部分來(lái)源于實(shí)例數(shù)據(jù)庫(kù)中已有的實(shí)例(大約1 000組數(shù)據(jù));另一部分來(lái)源于CAE 分析獲得的實(shí)例(大約300組數(shù)據(jù))。從中選取前900組作為網(wǎng)絡(luò)訓(xùn)練樣本,剩余100組作為測(cè)試樣本,檢驗(yàn)網(wǎng)絡(luò)預(yù)測(cè)的準(zhǔn)確性和泛化性。
(2)樣本預(yù)處理
由于數(shù)據(jù)樣本的輸入為澆注件幾何特征,如平均壁厚、體積大小、復(fù)雜程度,這些值的量綱各不相同,而且每個(gè)數(shù)據(jù)的量級(jí)變化很大,輸入數(shù)據(jù)量級(jí)的差異太大會(huì)導(dǎo)致在神經(jīng)網(wǎng)絡(luò)訓(xùn)練過(guò)程中較大的值占主導(dǎo),影響網(wǎng)絡(luò)的精度。因此,在網(wǎng)絡(luò)訓(xùn)練前,需要對(duì)所有輸入數(shù)據(jù)進(jìn)行歸一化處理。
式中:x為輸入或輸出變量的原值;xmin為輸入或輸出變量的最小值;xmax為輸入或輸出變量的最大值;x′為歸一化后的值。
設(shè)訓(xùn)練最大迭代次數(shù)為100,訓(xùn)練誤差目標(biāo)為1e-8,樣本訓(xùn)練收斂過(guò)程如圖4所示,在迭代31次后,網(wǎng)絡(luò)輸出的最小誤差減小為7.094e-6,滿足誤差要求。
澆注壓差、模具溫度、材料溫度的預(yù)測(cè)情況分別如圖5~圖7所示。
從圖5~圖7可以看出,網(wǎng)絡(luò)預(yù)測(cè)誤差均控制在要求范圍內(nèi),說(shuō)明該網(wǎng)絡(luò)的預(yù)測(cè)精度及泛化性能較好,能夠?qū)π聵颖具M(jìn)行較為精確的預(yù)測(cè)。
目前操作人員往往根據(jù)質(zhì)量缺陷類型和程度,憑借經(jīng)驗(yàn)對(duì)工藝參數(shù)進(jìn)行修正來(lái)改善澆注件質(zhì)量,而通過(guò)CBR 和NNR 模塊推薦的工藝參數(shù)在實(shí)際加工中的澆注件仍然可能出現(xiàn)質(zhì)量缺陷,F(xiàn)BR 模塊就是將操作人員的經(jīng)驗(yàn)轉(zhuǎn)換為規(guī)則實(shí)現(xiàn)工藝參數(shù)的智能修正。
常見(jiàn)的VC澆注件質(zhì)量缺陷包括欠注、翹曲、飛邊和氣穴等,出現(xiàn)的原因及對(duì)策如表5所示。
結(jié)合VC工藝,充分挖掘操作人員的工藝參數(shù)修正經(jīng)驗(yàn),采用模糊控制理論實(shí)現(xiàn)對(duì)VC 澆注工藝參數(shù)進(jìn)行智能修正,具體實(shí)現(xiàn)過(guò)程如下:
(1)工藝參數(shù)模糊推理模塊結(jié)構(gòu)
澆注件可能同時(shí)存在多種缺陷,每種缺陷對(duì)應(yīng)需要修正的工藝參數(shù)也不同,缺陷程度和工藝參數(shù)當(dāng)前值決定了工藝參數(shù)的修正方向和修正幅度,以缺陷程度及工藝參數(shù)的當(dāng)前值作為模糊推理模塊的輸入,工藝參數(shù)修正量(包括方向和幅度)作為模糊推理模塊的輸出,F(xiàn)BR 模塊結(jié)構(gòu)如圖8所示。
表5 VC澆注件常見(jiàn)缺陷及解決措施
該工藝參數(shù)模糊推理模塊分為兩層,首先,根據(jù)澆注件的缺陷特征結(jié)合表5進(jìn)行定性推理,確定需要修正的工藝參數(shù)和修正方向;其次,通過(guò)各模糊推理子模塊進(jìn)行定量推理,確定該缺陷對(duì)應(yīng)的各個(gè)工藝參數(shù)需要修正的幅度。在修正過(guò)程中,缺陷類型決定了需要修正的工藝參數(shù)和修正方向,缺陷程度決定了修正幅度。最后,將各個(gè)模糊推理子模塊中推理得到的同一工藝參數(shù)的修正分量進(jìn)行合成,得到各工藝參數(shù)的最終修正量。
(2)輸入輸出模糊集及隸屬函數(shù)
使用模糊推理理論對(duì)澆注件工藝進(jìn)行修正時(shí),必須把傳統(tǒng)的產(chǎn)生式規(guī)則轉(zhuǎn)化為模糊化產(chǎn)生式規(guī)則。設(shè)X表示缺陷程度,將其4級(jí)劃分為集合{無(wú)缺陷、輕微、中等、嚴(yán)重},并映射到區(qū)間[1,4];Y表示工藝參數(shù),將其3級(jí)劃分為集合{小、中、大}并映射到區(qū)間[1,3];ΔX表示對(duì)應(yīng)工藝參數(shù)的修正量,將其5級(jí)劃分為集合{變小、稍變小、不變、稍變大、變大}并映射到區(qū)間[-1,1],從而遍歷實(shí)際澆注過(guò)程中可能出現(xiàn)的情況。同時(shí),為了提高控制靈敏度,在中間部分選用較“窄瘦”的三角隸屬函數(shù),兩端選用較“寬胖”的S形隸屬函數(shù)進(jìn)行輸入量的模糊化。
(3)模糊控制規(guī)則
將操作人員經(jīng)驗(yàn)數(shù)字化獲得模糊控制規(guī)則,如表6所示,“+”表示工藝參數(shù)朝增加的方向修正,“-”表示工藝參數(shù)朝減小的方向修正,數(shù)值越大表示修正幅度越大,“0”則表示該工藝參數(shù)暫不修正。
表6 真空澆注件缺陷修正模糊規(guī)則表
(4)模糊推理及反模糊化
模糊推理采用Mamdani推理法中的max-min合成運(yùn)算,采用式(11)進(jìn)行參數(shù)修正值的反模糊化處理,取隸屬度函數(shù)曲線與橫坐標(biāo)所圍面積的中心作為模糊推理的輸出值。
本文利用自制數(shù)字控制VC 機(jī)物理樣機(jī)(如圖9)驗(yàn)證智能質(zhì)量控制系統(tǒng)的可靠性、精確性和先進(jìn)性,開(kāi)發(fā)的工藝參數(shù)智能推薦及修正界面如圖10所示。以摩托車前燈燈罩為實(shí)例進(jìn)行試驗(yàn),通過(guò)對(duì)澆注件欠注、氣穴和飛邊表面缺陷進(jìn)行定性分析和翹曲缺陷進(jìn)行定量分析,驗(yàn)證該方法的可行性。
首先,根據(jù)燈罩幾何特征檢索已經(jīng)存在的數(shù)據(jù)庫(kù)實(shí)例樣本,整體最鄰近綜合相似度為0.75(小于0.8),說(shuō)明CBR 模塊檢索失敗(如圖11a);其次,使用NNR 模塊進(jìn)行工藝參數(shù)推薦(如圖11b),并用其進(jìn)行實(shí)際澆注,獲得的澆注件如圖12a所示,尚存在一定缺陷;再使用FBR 模塊進(jìn)行工藝修正(如圖11c),澆注件如圖12b 所示,可以看出欠注缺陷消失,飛邊、氣穴現(xiàn)象有所改善,再次反饋缺陷程度、修正工藝參數(shù)后再次試模,最終獲得理想澆注件如圖12c所示。
試驗(yàn)參數(shù)和試驗(yàn)結(jié)果如表7所示。
表7 試驗(yàn)參數(shù)和試驗(yàn)結(jié)果
本文以提高真空注型澆注件質(zhì)量為目標(biāo),針對(duì)傳統(tǒng)真空注型機(jī)工藝參數(shù)設(shè)置嚴(yán)重依靠操作人員經(jīng)驗(yàn)的問(wèn)題,依據(jù)操作人員的實(shí)際生產(chǎn)過(guò)程中工藝參數(shù)設(shè)置的思路,充分挖掘操作人員的經(jīng)驗(yàn),綜合實(shí)例推理、神經(jīng)網(wǎng)絡(luò)和模糊推理技術(shù),構(gòu)建了真空注型智能質(zhì)量控制系統(tǒng),實(shí)現(xiàn)工藝參數(shù)的智能推薦和修正。詳細(xì)闡述了CBR,NNR 和FBR 三個(gè)模塊的結(jié)構(gòu)、工作原理和實(shí)現(xiàn)方法,其中實(shí)例推理和人工智能推理兩個(gè)模塊用于工藝參數(shù)智能推薦,模糊推理模塊用于工藝參數(shù)智能修正。該方法大大縮短了工藝設(shè)置周期,降低了生產(chǎn)成本,提高了澆注件質(zhì)量的穩(wěn)定性,解決了真空注型工藝參數(shù)的設(shè)置及修正一直依賴操作人員經(jīng)驗(yàn)的瓶頸,為真空注型設(shè)備向自動(dòng)化和智能化方向發(fā)展提供了重要的技術(shù)支撐,也為優(yōu)化求解其他類似多因素、多指標(biāo)的不確定問(wèn)題提供了一種新的思路。隨著智能技術(shù)的發(fā)展,后續(xù)可以進(jìn)一步改進(jìn)網(wǎng)絡(luò)算法,以提高準(zhǔn)確度和系統(tǒng)的實(shí)時(shí)處理能力。
[1]YANG Shuzi,WU Bo,LIN Bin.A further discussion on trends in the development of advanced manufacturing technology[J].Frontiers of Mechanical Engineering in China,2006,1(1):1-5.
[2]Wohlers Associates.Wohlers report 2012:state of the industry annual worldwide progress report[R].Fort Collins,Col.,USA:Wohlers Associate,Inc.
[3]ZHANG Haiguang,LIU Yuanyuan,ZHAO Xiaoyu,et al.Intelligent prediction controller based on fuzzy wavelet network for vacuum casting[J].Computer Integrated Manufacturing Systems,2010,16(12):2647-2652(in Chinese).[張海光,劉媛媛,趙曉瑜,等.面向真空注型的模糊小波網(wǎng)絡(luò)智能預(yù)測(cè)控制器[J].計(jì)算機(jī)集成制造系統(tǒng),2010,16(12):2647-2652.]
[4]LIU Hongjun,LI Yamin,CAO Chi.Development trends and demand analysis of rapid tooling technology[J].Die &Mould Industry,2010,36(3):63-66(in Chinese).[劉洪軍,李亞敏,曹 馳.快速模具制造技術(shù)分析與發(fā)展趨勢(shì)[J].模具工業(yè),2010,36(3):63-66.]
[5]KURTARAN H,OZCELIK B,ERZURUMLU T.Warpage optimization of a bus ceiling lamp base using neural network model and genetic algorithm[J].Journal of Materials Processing Technology,2005,169(2):314-319.
[6]LIU Guowen,HUANG Fengli.Multi-objective runner optimization for injection mold of combinational cavities based on kriging model.[J].Die &Mould Manufacture,2011(7):1-5(in Chinese).[劉國(guó)文,黃風(fēng)立.基于Kriging模型的組合型腔注射模澆注系統(tǒng)多目標(biāo)優(yōu)化設(shè)計(jì)[J].模具制造,2011(7):1-5.]
[7]GAO Yuehua.Optimization methods based on kriging surrogate model and their application in injection molding[D].Dalian:Dalian University of Technology,2009(in Chinese).[高月華.基于Kriging代理模型的優(yōu)化設(shè)計(jì)方法及其在注塑成型中的應(yīng)用[D].大連:大連理工大學(xué),2009.]
[8]SHEN C Y,WSNG L X,LI Q.Optimization of injection molding process parameters using combination of artificial neural network and genetic algorithm method[J].Journal of Materials Processing Technology,2007,183(2/3):412-418.
[9]XIA Xiaolin.The basic theory based on example inference[J].Journal of Liaoning University:Natural Science Edition,2003,30(1):27-33(in Chinese).[夏曉林.基于實(shí)例推理的基本理念[J].遼寧大學(xué)學(xué)報(bào):自然科學(xué)版,2003,30(1):27-33.]
[10]QI Zhanlong,XU Jianxin,TIAN Xitian.Case-based reasoning in mold design[J].Computer Engineering and Applications,2006,42(20):48-52(in Chinese).[戚占龍,許建新,田錫天.基于實(shí)例推理的模具設(shè)計(jì)技術(shù)研究[J].計(jì)算機(jī)工程與應(yīng)用,2006,42(20):48-52.]
[11]HAO Hongwei,JIANG Rongrong.Training sample selection method for neural networks based on nearest neighbor rule[J].Acta Automatica Sinica,2007,33(12):19-24(in Chinese).[郝紅衛(wèi),蔣蓉蓉.基于最近鄰規(guī)則的神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本選擇方法[J].自動(dòng)化學(xué)報(bào),2007,33(12):19-24.]