1.一种纤维增强复合材料的注塑工艺参数优化方法,其特征在于,具体包括以下步骤:a.CAE仿真模型的建立与翘曲分析:将塑件的三维模型导入Moldflow仿真软件中进行运行分析,在冷却和流动分析结束后进行翘曲变形分析;
b.进行基于Box‑Behnken法的注塑成型仿真试验:以翘曲总变形量最小为目标函数,运用PB试验设计方法从多个工艺参数中筛选出影响产品质量的显著性因素作为设计变量,并采用BBD试验设计方法设计试验方案,获得包括翘曲总变形量的BBD试验样本数据;
c.注塑工艺参数优化:
c‑1.构建BP神经网络模型,将BBD试验样本数据作为训练数据对BP神经网络进行训练和预测,把单个BP神经网络作为弱预测器,反复训练BP神经网络预测输出;
c‑2.在BP神经网络模型的基础上构建BP‑AdaBoost模型,通过AdaBoost算法将多个BP神经网络弱预测器构成一个强预测器,获得需输入数据的预测值;
c‑3.在BP‑AdaBoost模型的基础上构建纤维增强复合材料注塑工艺参数优化问题模型,先通过BP‑AdaBoost模型建立输入变量与输出变量的非线性映射关系,采用Matlab软件在所建的BP‑AdaBoost模型基础上以翘曲总变形量为适应度函数,然后采用PSO算法进行优化,找到适应度函数的最优解,即工艺参数的最佳组合。
2.根据权利要求1所述的纤维增强复合材料的注塑工艺参数优化方法,其特征在于,步骤c‑1中分别选择tansig函数和purelin函数作为隐含层和输出层的神经元传递函数,将显著性影响因素作为网络的输入层,翘曲总变形量作为网络的输出值,构建BP神经网络模型。
3.根据权利要求1所述的纤维增强复合材料的注塑工艺参数优化方法,其特征在于,步骤c‑2中建立BP‑AdaBoost模型的步骤具体如下:①参数初始化:从样本空间选择m组训练数据,初始化测试数据的分布权值Dt(i)=1/m,确定预测误差的阈值Φ和弱预测器个数n,初始化BP神经网络的权值和阈值;
②弱预测器预测:训练第t个弱预测器时,训练BP神经网络并预测训练集的输出,得到gt(xi)和预测误差的绝对值et(i),et(i)的计算公式为et(i)=|gt(xi)‑yi| i=1,2,…,m
式中,gt(xi)为预测输出值,yi为实际输出值;
③计算误差率εt:计算公式为εt=∑Dt(i) (et(i)>Φ)
④计算弱预测器权重:计算公式为
⑤调整第t+1个预测器测试数据的权重:计算公式为
式中,Bt是归一化因子,目的是在使样本的分布权值和为1;
⑥构建强预测器:经过n次训练后,将得到的n组弱预测函数ft(gt(xi),ωt)组合得到了强预测函数h(x),其计算公式为:
4.根据权利要求1所述的纤维增强复合材料的注塑工艺参数优化方法,其特征在于,步骤c‑3中在PSO算法中引入变异操作。
5.根据权利要求1所述的纤维增强复合材料的注塑工艺参数优化方法,其特征在于,步骤b中PB试验设计方法,选取模具温度、注射压力、一段保压压力、一段保压时间、二段保压压力、二段保压时间、注射时间、冷却时间、熔体温度作为试验因素,每个因素分别选取高水平和低水平进行试验设计。
6.根据权利要求5所述的纤维增强复合材料的注塑工艺参数优化方法,其特征在于,步骤b中运用PB试验设计方法并选定试验次数后,运用Moldflow软件进行分析,记录每次试验的翘曲总变形值,利用R语言软件对试验结果进行回归分析和方差分析,筛选出影响产品质量的显著性因素作为设计变量。
7.根据权利要求1所述的纤维增强复合材料的注塑工艺参数优化方法,其特征在于,步骤b中的BBD试验设计方法,将显著性影响因素作为试验因素,翘曲总变形量作为试验指标,利用R语言软件进行试验设计。
8.根据权利要求1所述的纤维增强复合材料的注塑工艺参数优化方法,其特征在于,步骤a中,进行翘曲变形分析后,通过改善塑件模型结构降低翘曲变形。