基于人工神经网络的粉末注射成形智能化控制仿真系统

DOL:10.13374/.issn1001-053x.2011.05.019 第33卷第5期 北京科技大学学报 Vol.33 No.5 2011年5月 Journal of University of Science and Technology Beijing May 2011 基于人工神经网络的粉末注射成形智能化控制仿真 系统 何新波”区方伟)韩勇)周瑜2) 班晓娟》 曲选辉) 1)北京科技大学新材料技术研究院，北京1000832)北京科技大学信息工程学院，北京100083 ☒通信作者，E-mail:xb_hc@163.com 摘要基于数值模拟和人工神经网络模型以及对智能控制工艺过程的适当简化，为拉伸样模型的注射过程建立了一套智 能化控制仿真系统.研究表明，该系统能够根据样品对性能的要求（如密度分布），自动进行注射工艺参数的优化.采用优化 后的注射工艺参数重新进行注射过程模拟计算后，发现注射坯密度分布的均匀性较调整前有显著提高，基本符合预期的密度 要求，证明智能化控制仿真系统可行 关键词粉末冶金；注射成形：智能化控制：神经网络 分类号TG146.4 Intelligent control simulation system for powder injection molding based on arti- ficial neural network HE Xin-bo)☒，FANG Wei,HAN Yong”,ZHOU Yu2》,BAN Xiao-juan?,，QU Xuan--hui 1)Advanced Materials and Technologies Institute,University of Science and Technology Beijing,Beijing 100083.China 2)School of Information Engineering,University of Science and Technology Beijing,Beijing 100083,China Corresponding author,E-mail:xb_he@163.com ABSTRACT Based on numerical calculations and an artificial neural network(ANN)model as well as intelligent control technology, a set of intelligent control simulation system was founded for the injection process of standard tensile samples.The results show that this system can automatically optimize injection parameters according to the requirement of injection bodies to the properties (such as densi- ty distribution).It is found,after the introduction of the intelligent control simulation system to injection processing,that the uniformity of density distribution in injection bodies is obviously improved and can meet the expected density distribution,proving that this intelli- gent control simulation system is feasible. KEY WORDS powder metallurgy:injection molding;intelligent control:neural networks 粉末注射成形(powder injection molding,PIM) 时监测和精确控制，可以极大地缩短操作流程和 是一种源于塑料注射成形的新型粉末治金近净成 降低生产成本，同时提高产品质量.工艺过程的智 形技术.由于其在制作几何形状复杂、组织结构均 能化控制将是PIM技术重要的发展方向. 匀以及高性能的近净成形产品方面具有独特的技 PM过程的智能化，是计算机技术、自动控制技 术和经济优势而备受瞩目，被誉为当今最热门的 术、传感器技术、信息处理技术以及注射成形理论有 零部件成形技术Ⅲ.但是，因为其工艺流程复杂， 机结合的综合性技术.其突出特点是：根据成形过 影响因素繁多，所以生产过程耗时费力，大批量生 程和原料的特点，利用易于检测的物理量，在线识别 产时产品质量无法得到持续保障.将智能控制技 材料的性能参数，预测最优的工艺参数，并自动以最 术引入粉末注射成形中来，对生产过程进行实 优的工艺参数完成注射成形过程 收稿日期：2010-06-04 基金项目：国家自然科学基金重点资助项目(Na.50634010):国家重点基础研究发展计划资助项目(No.2011CB606306)

第 33 卷 第 5 期 2011 年 5 月 北京科技大学学报 Journal of University of Science and Technology Beijing Vol． 33 No． 5 May 2011 基于人工神经网络的粉末注射成形智能化控制仿真 系统 何新波1) 方 伟1) 韩 勇1) 周 瑜2) 班晓娟2) 曲选辉1) 1) 北京科技大学新材料技术研究院，北京 100083 2) 北京科技大学信息工程学院，北京 100083 通信作者，E-mail: xb_he@ 163． com 摘 要 基于数值模拟和人工神经网络模型以及对智能控制工艺过程的适当简化，为拉伸样模型的注射过程建立了一套智 能化控制仿真系统． 研究表明，该系统能够根据样品对性能的要求( 如密度分布) ，自动进行注射工艺参数的优化． 采用优化 后的注射工艺参数重新进行注射过程模拟计算后，发现注射坯密度分布的均匀性较调整前有显著提高，基本符合预期的密度 要求，证明智能化控制仿真系统可行． 关键词 粉末冶金; 注射成形; 智能化控制; 神经网络 分类号 TG146. 4 Intelligent control simulation system for powder injection molding based on arti￾ficial neural network HE Xin-bo 1) ，FANG Wei 1) ，HAN Yong1) ，ZHOU Yu2) ，BAN Xiao-juan2) ，QU Xuan-hui 1) 1) Advanced Materials and Technologies Institute，University of Science and Technology Beijing，Beijing 100083，China 2) School of Information Engineering，University of Science and Technology Beijing，Beijing 100083，China Corresponding author，E-mail: xb_he@ 163． com ABSTRACT Based on numerical calculations and an artificial neural network ( ANN) model as well as intelligent control technology， a set of intelligent control simulation system was founded for the injection process of standard tensile samples． The results show that this system can automatically optimize injection parameters according to the requirement of injection bodies to the properties ( such as densi￾ty distribution) ． It is found，after the introduction of the intelligent control simulation system to injection processing，that the uniformity of density distribution in injection bodies is obviously improved and can meet the expected density distribution，proving that this intelli￾gent control simulation system is feasible． KEY WORDS powder metallurgy; injection molding; intelligent control; neural networks 收稿日期: 2010--06--04 基金项目: 国家自然科学基金重点资助项目( No． 50634010) ; 国家重点基础研究发展计划资助项目( No． 2011CB606306) 粉末注射成形( powder injection molding，PIM) 是一种源于塑料注射成形的新型粉末冶金近净成 形技术． 由于其在制作几何形状复杂、组织结构均 匀以及高性能的近净成形产品方面具有独特的技 术和经济优势而备受瞩目，被誉为当今最热门的 零部件成形技术［1］． 但是，因为其工艺流程复杂， 影响因素繁多，所以生产过程耗时费力，大批量生 产时产品质量无法得到持续保障． 将智能控制技 术［2--4］引入粉末注射成形中来，对生产过程进行实 时监测和精确控制，可以极大地缩短操作流程和 降低生产成本，同时提高产品质量． 工艺过程的智 能化控制将是 PIM 技术重要的发展方向． PIM 过程的智能化，是计算机技术、自动控制技 术、传感器技术、信息处理技术以及注射成形理论有 机结合的综合性技术． 其突出特点是: 根据成形过 程和原料的特点，利用易于检测的物理量，在线识别 材料的性能参数，预测最优的工艺参数，并自动以最 优的工艺参数完成注射成形过程． DOI:10.13374/j.issn1001-053x.2011.05.019

·624· 北京科技大学学报 第33卷 43.682W.(mK)-1 1PM智能化控制原理 12 本文所采用的PIM智能化控制原理如图1所 示，它由四个基本要素构成因 R5 72 料 注射成形机 浇口 监测系统 计算机 (识别、预测、控制) (优化工艺) 图2模拟计算中所采用的拉伸样模型 Fig.2 Tensile sample used in analog computation 知识库 数据库 坯体 过程参数与原始参数有十分紧密的联系.原始 图1PM智能化控制原理 参数对过程参数有决定性影响；反过来，过程参数是 Fig.1 Principle of the intelligent control of PIM 原始参数的直接反映.因此，在PIM的智能化控制 (1)实时监测：采用有效的测试手段（传感器 过程中，可以通过对过程参数的监测与识别判断，然 等)，在线实时监测能够反映坯体特征的宏观热力 后决定原始参数的设定.拉伸样中面之中线L上各 学参数和几何参数（温度、压力和尺寸精度等）. 点（如图3）的充填过程是整个注射过程最具代表性 (2)在线识别：控制系统的识别软件对在线监 也是最直接的反映.所以本文选取中线L上均匀分 布的11个点（图3）的温度和密度为过程参数，选取 测所获得的坯体的特征信息（密度、缺陷等）进行分 注射温度和注射体积流率为原始参数 析处理，结合知识库和数据库的己有信息，在线识别 坯体的材料性能参数 (3)在线预测：根据在线识别所获得的材料性 能参数，通过计算或与知识库和数据库中己知的信 (a) 息比较来预测当前的坯体能否顺利进行成形，并给 出最佳的注射成形工艺参数. 。王 ) (4)实时控制：根据在线识别和在线预测所得 图3L位置示意图.()正视图：(b)侧视图 结果，按系统给出的最佳工艺参数自动完成注射成 Fig.3 Position of L:(a)front view:(b)side view 形过程. 本文以简单拉伸样模型为例，采用计算机模拟 3原始参数控制 数据来对其注射过程的智能化控制进行仿真.实验 3.1控制原理 过程主要分为三个步骤：过程参数采集、原始参数控 注射坯的密度分布是注射坯质量好坏的最佳反 制以及原始参数控制效果检测.在这里需要对“原 映，并且直接关系到烧结后成品的质量.注射坯密 始参数”和“过程参数”两个术语进行定义.原始参 度分布越均匀，并且与理论密度相差越小，则注射效 数是指在注射成形机上设定的各个注射参数；过程 果越好.经模拟计算发现，当原始参数（注射温度， 参数是指注射过程中在模腔内部采集到的与注射熔 K;注射体积流率，cm3·s-1)选为(420,60)时，中线 体有关的各个物理及性能参数 L上密度分布较为均匀，因此本文把(420,60)这组 2过程参数采集 参数选为标准原始参数，将这组参数下注射坯的密 度分布选为预期密度分布.当任意输入一组原始参 本文采用大型流体有限元分析软件ANSYS 数进行注射时，通过对过程参数（温度、密度）的监 CFX,应用双流体模型对如图2所示的拉伸样模 测，由人工神经网络(artificial neural network,ANN) 型进行注射过程三维模拟计算.所采用的注射喂料 进行识别后给出原始参数的调整值.本文所用的 由53%的不锈钢粉末与47%黏结剂（均为体积分 ANN模型由输入层、一个隐含层和输出层构成 数)组成.喂料的物理性能参数及其流变参数为：黏 (图4).由于L上有11个点，每个点的温度(t)和 度m=0.34Pas,喂料密度p=4604.3kgm3,比 密度(p)都要作为输入量，故输入层共有22个输入 热容c=1043.27J·（kg·K)-1,热导率入= 单元.输出层有2个单元，分别是注射温度和注射

北 京 科 技 大 学 学 报 第 33 卷 1 PIM 智能化控制原理 本文所采用的 PIM 智能化控制原理如图 1 所 示，它由四个基本要素构成［5］． 图 1 PIM 智能化控制原理 Fig． 1 Principle of the intelligent control of PIM ( 1) 实时监测: 采用有效的测试手段( 传感器 等) ，在线实时监测能够反映坯体特征的宏观热力 学参数和几何参数( 温度、压力和尺寸精度等) ． ( 2) 在线识别: 控制系统的识别软件对在线监 测所获得的坯体的特征信息( 密度、缺陷等) 进行分 析处理，结合知识库和数据库的已有信息，在线识别 坯体的材料性能参数． ( 3) 在线预测: 根据在线识别所获得的材料性 能参数，通过计算或与知识库和数据库中已知的信 息比较来预测当前的坯体能否顺利进行成形，并给 出最佳的注射成形工艺参数． ( 4) 实时控制: 根据在线识别和在线预测所得 结果，按系统给出的最佳工艺参数自动完成注射成 形过程． 本文以简单拉伸样模型为例，采用计算机模拟 数据来对其注射过程的智能化控制进行仿真． 实验 过程主要分为三个步骤: 过程参数采集、原始参数控 制以及原始参数控制效果检测． 在这里需要对“原 始参数”和“过程参数”两个术语进行定义． 原始参 数是指在注射成形机上设定的各个注射参数; 过程 参数是指注射过程中在模腔内部采集到的与注射熔 体有关的各个物理及性能参数． 2 过程参数采集 本文采 用 大 型 流 体 有 限 元 分 析 软 件 ANSYS CFX，应用双流体模型［6］对如图 2 所示的拉伸样模 型进行注射过程三维模拟计算． 所采用的注射喂料 由 53% 的不锈钢粉末与 47% 黏结剂( 均为体积分 数) 组成． 喂料的物理性能参数及其流变参数为: 黏 度 m0 = 0. 34 Pa·s，喂料密度 ρ = 4 604. 3 kg·m － 3 ，比 热 容 c = 1 043. 27 J·( kg·K ) － 1 ，热 导 率 λ = 43. 682 W·( m·K) － 1 ． 图 2 模拟计算中所采用的拉伸样模型 Fig． 2 Tensile sample used in analog computation 过程参数与原始参数有十分紧密的联系． 原始 参数对过程参数有决定性影响; 反过来，过程参数是 原始参数的直接反映． 因此，在 PIM 的智能化控制 过程中，可以通过对过程参数的监测与识别判断，然 后决定原始参数的设定． 拉伸样中面之中线 L 上各 点( 如图 3) 的充填过程是整个注射过程最具代表性 也是最直接的反映． 所以本文选取中线 L 上均匀分 布的 11 个点( 图 3) 的温度和密度为过程参数，选取 注射温度和注射体积流率为原始参数． 图 3 L 位置示意图． ( a) 正视图; ( b) 侧视图 Fig． 3 Position of L: ( a) front view; ( b) side view 3 原始参数控制 3. 1 控制原理 注射坯的密度分布是注射坯质量好坏的最佳反 映，并且直接关系到烧结后成品的质量． 注射坯密 度分布越均匀，并且与理论密度相差越小，则注射效 果越好． 经模拟计算发现，当原始参数( 注射温度， K; 注射体积流率，cm3 ·s － 1 ) 选为( 420，60) 时，中线 L 上密度分布较为均匀，因此本文把( 420，60) 这组 参数选为标准原始参数，将这组参数下注射坯的密 度分布选为预期密度分布． 当任意输入一组原始参 数进行注射时，通过对过程参数( 温度、密度) 的监 测，由人工神经网络( artificial neural network，ANN) 进行识别后给出原始参数的调整值． 本文所用的 ANN 模 型 由 输 入 层、一个隐含层和输出层构成 ( 图 4) ． 由于 L 上有 11 个点，每个点的温度( t) 和 密度( ρ) 都要作为输入量，故输入层共有 22 个输入 单元． 输出层有 2 个单元，分别是注射温度和注射 ·624·

第5期 何新波等：基于人工神经网络的粉末注射成形智能化控制仿真系统 ·625· 体积流率的调整值（△t、△v).隐含层神经元个数将 表1ANN训练所用的原始参数 在下文中予以确定. Table 1 Experimental parameters used in analog computation 输人层隐含层 过程参数 参数值 输出层 注射温度K 420,430,440,450 60,62,64,66,68,70,72,74, △ 注射速率/(cm3sl) 76,78,82,84,86,88,90 ◆△U PIM智能化控制仿真系统 4原始参数控制效果检测 图4本文所采用的BP神经网络模型结构示意图 为了检测本仿真系统对原始参数的控制效果， Fig.4 Sketch map of a BP neural network model adopted 本文任意选取四组原始参数：第1组(420,80)，第2 3.2ANN控制功能的实现原理 组(430,80)，第3组(440,80)，第4组(450,80). ANN是真实人脑神经网络的结构、功能以及若 由于ANN是一个内插型模型，所以所选取的验证数 干基本特征的某种理论，经过抽象、简化和模拟而构 据无论是注射温度还是注射体积流率值都必须在训 成的一种信息处理系统.这种系统最大的特点是具 练数据最大与最小值范围之间 有自组织、自学习和自适应能力，可以实现复杂非线 为了对本仿真系统的调整效果进行定量评估， 性系统的建模、估计、预测、诊断和自适应控制一0 引入“预期调整值”的概念.预期调整值是指四组 它是以实验数据为基础，经过有限次的迭代计算，获 测试原始参数中注射温度和注射体积流率调整到 得一个反映实验数据内在规律的数学模型.这个过 标准原始参数(420,60)中标准注射温度420K、标 程称为ANN的训练.本文用表1中所示的原始参 准注射体积流率60m3·s需要调整的数值，亦即 数组合下得到的过程参数(t、P)及对原始参数的调 测试原始参数与标准原始参数的差值.将仿真系 整值（△t、△v)对ANN进行训练.共有4×16=64组 统对四组测试参数的调整值与预期调整值进行对 训练数据.隐含层神经元个数对神经网络的训练精 比，结果如表2所示.由表中数据可以看出，预测 度和训练过程的收敛速度都有很大影响，需要通过 的四组温度调整值与预期调整值的绝对误差均在 试错法来确定.本文在对神将网络进行训练过程 5K以内，而注射体积流率调整值与预期调整值绝 中，当隐含层单元数为26时，网表现出较优异的 对误差均在3cm3·s以内.由此可见，本文所建立 性能，故将隐含层单元数定为26. 的PM智能控制仿真系统能达到实际参数调整的 这样建立起一个基于22-26-2型ANN模型的 需要 表2ANN预测调整值与预期调整值对比 Table 2 Comparison between adjusting values forecasted by ANN and the ones expected (420,80) (430,80) (440,80) (450,80) 调整值 T/K VI(cm2.s-1) T/K VI(cm3.s-1) T/K V/(cm3.s-1) T/K VI(cm2.s-1) 预期 0 20 10 20 四 20 吃 20 ANN 0.9445 21.9271 9.945 21.5966 19.3382 19.8981 25.4611 17.1787 误差 0.9445 1.9271 0.550 1.5966 0.6618 0.1019 4.5389 2.8213 将经过仿真系统调整后的新参数进行模拟计 (图5(c)为4595.53kg·m3,与标准密度最小值 算，得到新的L上密度分布曲线.将新的密度分布 4596.4kg·m-3相差无几；而调整后的密度最大值 曲线分别与预期标准密度分布曲线（即标准原始参 (图5(a))为4605.46kgm-3,比标准密度最大值 数下密度分布曲线)和注射参数调整前的密度分布 4604.98kgm-3要高，完全达到了预期调整目标. 曲线进行对比，结果如图5所示.由四组对比曲线 并且发现：当对偏离标准值(420,60)较小的注射参 可以看出，用调整后的新参数进行注射，得到的注射 数进行调整时，能达到比预期值更好的密度分布效 坯中线L上密度分布与调整前有很大改观：密度分 果，如图5(a)和5(b)所示：对偏离标准值较大的注 布曲线与标准曲线非常相似，调整后的密度最小值 射参数进行调整时，也能达到与预期值相当的密度

第 5 期 何新波等: 基于人工神经网络的粉末注射成形智能化控制仿真系统 体积流率的调整值( & t、& υ) ． 隐含层神经元个数将 在下文中予以确定． 图 4 本文所采用的 BP 神经网络模型结构示意图 Fig． 4 Sketch map of a BP neural network model adopted 3. 2 ANN 控制功能的实现原理 ANN 是真实人脑神经网络的结构、功能以及若 干基本特征的某种理论，经过抽象、简化和模拟而构 成的一种信息处理系统． 这种系统最大的特点是具 有自组织、自学习和自适应能力，可以实现复杂非线 性系统的建模、估计、预测、诊断和自适应控制［7--10］． 它是以实验数据为基础，经过有限次的迭代计算，获 得一个反映实验数据内在规律的数学模型． 这个过 程称为 ANN 的训练． 本文用表 1 中所示的原始参 数组合下得到的过程参数( t、ρ) 及对原始参数的调 整值( Δt、Δυ) 对 ANN 进行训练． 共有 4 × 16 = 64 组 训练数据． 隐含层神经元个数对神经网络的训练精 度和训练过程的收敛速度都有很大影响，需要通过 试错法来确定． 本文在对神将网络进行训练过程 中，当隐含层单元数为 26 时，网络表现出较优异的 性能，故将隐含层单元数定为 26． 这样建立起一个基于 22--26--2 型 ANN 模型的 表 1 ANN 训练所用的原始参数 Table 1 Experimental parameters used in analog computation 过程参数 参数值 注射温度/K 420，430，440，450 注射速率/( cm3 ·s － 1 ) 60，62，64，66，68，70，72，74， 76，78，82，84，86，88，90 PIM 智能化控制仿真系统． 4 原始参数控制效果检测 为了检测本仿真系统对原始参数的控制效果， 本文任意选取四组原始参数: 第 1 组( 420，80) ，第 2 组( 430，80) ，第 3 组( 440，80) ，第 4 组( 450，80) ． 由于 ANN 是一个内插型模型，所以所选取的验证数 据无论是注射温度还是注射体积流率值都必须在训 练数据最大与最小值范围之间． 为了对本仿真系统的调整效果进行定量评估， 引入“预期调整值”的概念． 预期调整值是指四组 测试原始参数中注射温度和注射体积流率调整到 标准原始参数( 420，60) 中标准注射温度 420 K、标 准注射体积流率 60 m3 ·s － 1 需要调整的数值，亦即 测试原始参数与标准原始参数的差值． 将仿真系 统对四组测试参数的调整值与预期调整值进行对 比，结果如表 2 所示． 由表中数据可以看出，预测 的四组温度调整值与预期调整值的绝对误差均在 5 K 以内，而注射体积流率调整值与预期调整值绝 对误差均在3 cm3 ·s － 1 以内． 由此可见，本文所建立 的 PIM 智能控制仿真系统能达到实际参数调整的 需要． 表 2 ANN 预测调整值与预期调整值对比 Table 2 Comparison between adjusting values forecasted by ANN and the ones expected 调整值 ( 420，80) ( 430，80) ( 440，80) ( 450，80) T /K V /( cm3 ·s － 1 ) T /K V /( cm3 ·s － 1 ) T /K V /( cm3 ·s － 1 ) T /K V /( cm3 ·s － 1 ) 预期 0 20 10 20 20 20 30 20 ANN 0. 944 5 21. 927 1 9. 945 21. 596 6 19. 338 2 19. 898 1 25. 461 1 17. 178 7 误差 0. 944 5 1. 927 1 0. 550 1. 596 6 0. 661 8 0. 101 9 4. 538 9 2. 821 3 将经过仿真系统调整后的新参数进行模拟计 算，得到新的 L 上密度分布曲线． 将新的密度分布 曲线分别与预期标准密度分布曲线( 即标准原始参 数下密度分布曲线) 和注射参数调整前的密度分布 曲线进行对比，结果如图 5 所示． 由四组对比曲线 可以看出，用调整后的新参数进行注射，得到的注射 坯中线 L 上密度分布与调整前有很大改观: 密度分 布曲线与标准曲线非常相似，调整后的密度最小值 ( 图 5( c) ) 为 4 595. 53 kg·m － 3 ，与标准密度最小值 4 596. 4 kg·m － 3 相差无几; 而调整后的密度最大值 ( 图 5( a) ) 为 4 605. 46 kg·m － 3 ，比标准密度最大值 4 604. 98 kg·m － 3 要高，完全达到了预期调整目标． 并且发现: 当对偏离标准值( 420，60) 较小的注射参 数进行调整时，能达到比预期值更好的密度分布效 果，如图 5( a) 和 5( b) 所示; 对偏离标准值较大的注 射参数进行调整时，也能达到与预期值相当的密度 ·625·

·626· 北京科技大学学报 第33卷 分布值，如图5(c)和5(d)所示.这从侧面再次证明 了本文所建立的PM智能控制仿真系统的可行性 4606 4608 。一顶期值 a ·预期值 4604 ·调整后值 4605 ◆一调整后值 ·一调整前值 ·调整前值 4602 4600 是459 4598 4593 4596 4590 4 68 10 4 68 10 12 L上的点序号 L上的点序号 4608 ·预期值(@间 4605 (d) 一调整后值 4602 +调整前值 4599 4590 4587 一预期值 调整后值 4584 4581 ·一调整前值 681012 0 4681012 L上的点序号 L上的点序号 图5注射坯中线L的预期密度分布及ANN调整前后密度分布曲线的对比.(a)第1组：(b)第2组：(c)第3组：(d)第4组 Fig.5 Comparison among the expected density distribution,the density distribution without and with intelligent control of injected bodies in theL line:(a)the first group:(b)the second group:(c)the third group:(d)the fourth group 该系统对简单拉伸样的注射智能化控制过程进 timal control of a non-inear process using intelligent controllers. 行了较好的仿真.后续工作中可以通过采集更多的 Appl Soft Comput J,2009.9(1):182 训练数据，采取更合适的训练算法，以进一步提高 [4]Wu M,Xu C H,She JH,et al.Intelligent integrated optimization and control system for lead-inc sintering process.Control Eng ANN本身的精度，得到更精确的调整结果. Pract,2009,17(2):280 5结论 [5 Xie J X,Liu X F,Zhou C,et al.Intelligentization of materials processing technology.Chin J Mech Eng,2005,41(11):8 (1)以简单拉伸样为例，基于数值模拟和 (谢建新，刘雪峰，周成，等.材料制备与成形加工技术的智 22-26-2型ANN模型，初步建立起一个PM智能化 能化.机械工程学报，2005,41(11)：8) [6] Wang Y H,Qu X H,He X B,et al.Two-fluid model during pow- 控制仿真系统 der injection molding process.Mater Mech Eng,2008,32(5):74 (2)通过选取的四组参数对该仿真系统进行测 (王玉会，曲选辉，何新波，等.粉末注射成型过程的双流体 试，发现该系统能根据一定的标准，对不佳的注射参 数学模型.机械工程材料，2008,32(5)：74) 数进行有效的调整：用调整后的参数重新进行注射 Kenig S,Ben-avid A,Omer M.et al.Control of properties in in- 仿真（模拟计算），发现注射坯密度分布均匀性比调 jection molding by neural networks.Eng Appl Artif Intell,2001, 14(6):819 整前有很大的改观，达到预期的良好分布状态，证明 8] Yarlagadda P K D V.Development of an integrated neural network 了该系统进行原始参数控制的可行性. system for prediction of process parameters in metal injection moulding.J Mater Process Technol,2002,130/131:315 参考文献 Shen C Y,Wang L X,Li Q.Optimization of injection molding [1]Rosof B H.The metal injection molding process comes of age. process parameters using combination of artificial neural network J0M,1989,41(8):13 and genetic algorithm method.Mater Process Technol,2007, [Lau H C W,Wong T T,Pun K F.Neural-fuzzy modeling of plas- 183(2/3):412 tic injection molding machine for intelligent control.Expert Syst o Sadeghi B H M.A BP-neural network predictor model for plastic 4pl,1999,17(1):33 injection molding process.J Mater Process Technol,2000,103 B] Bhuvaneswari N S,Uma G,Rangaaswamy T R.Adaptive and op- (3):411

北 京 科 技 大 学 学 报 第 33 卷 分布值，如图5( c) 和5( d) 所示． 这从侧面再次证明 了本文所建立的 PIM 智能控制仿真系统的可行性． 图 5 注射坯中线 L 的预期密度分布及 ANN 调整前后密度分布曲线的对比． ( a) 第 1 组; ( b) 第 2 组; ( c) 第 3 组; ( d) 第 4 组 Fig． 5 Comparison among the expected density distribution，the density distribution without and with intelligent control of injected bodies in the L line: ( a) the first group; ( b) the second group; ( c) the third group; ( d) the fourth group 该系统对简单拉伸样的注射智能化控制过程进 行了较好的仿真． 后续工作中可以通过采集更多的 训练数据，采取更合适的训练算法，以进一步提高 ANN 本身的精度，得到更精确的调整结果． 5 结论 ( 1) 以简单拉伸样为例，基于数值模拟和 22--26--2型 ANN 模型，初步建立起一个 PIM 智能化 控制仿真系统． ( 2) 通过选取的四组参数对该仿真系统进行测 试，发现该系统能根据一定的标准，对不佳的注射参 数进行有效的调整; 用调整后的参数重新进行注射 仿真( 模拟计算) ，发现注射坯密度分布均匀性比调 整前有很大的改观，达到预期的良好分布状态，证明 了该系统进行原始参数控制的可行性． 参 考 文 献 ［1］ Rosof B H． The metal injection molding process comes of age． JOM，1989，41( 8) : 13 ［2］ Lau H C W，Wong T T，Pun K F． Neural-fuzzy modeling of plas￾tic injection molding machine for intelligent control． Expert Syst Appl，1999，17( 1) : 33 ［3］ Bhuvaneswari N S，Uma G，Rangaaswamy T R． Adaptive and op￾timal control of a non-linear process using intelligent controllers． Appl Soft Comput J，2009，9( 1) : 182 ［4］ Wu M，Xu C H，She J H，et al． Intelligent integrated optimization and control system for lead-zinc sintering process． Control Eng Pract，2009，17( 2) : 280 ［5］ Xie J X，Liu X F，Zhou C，et al． Intelligentization of materials processing technology． Chin J Mech Eng，2005，41( 11) : 8 ( 谢建新，刘雪峰，周成，等． 材料制备与成形加工技术的智 能化． 机械工程学报，2005，41( 11) : 8) ［6］ Wang Y H，Qu X H，He X B，et al． Two-fluid model during pow￾der injection molding process． Mater Mech Eng，2008，32( 5) : 74 ( 王玉会，曲选辉，何新波，等． 粉末注射成型过程的双流体 数学模型． 机械工程材料，2008，32( 5) : 74) ［7］ Kenig S，Ben-David A，Omer M，et al． Control of properties in in￾jection molding by neural networks． Eng Appl Artif Intell，2001， 14( 6) : 819 ［8］ Yarlagadda P K D V． Development of an integrated neural network system for prediction of process parameters in metal injection moulding． J Mater Process Technol，2002，130 /131: 315 ［9］ Shen C Y，Wang L X，Li Q． Optimization of injection molding process parameters using combination of artificial neural network and genetic algorithm method． J Mater Process Technol，2007， 183( 2 /3) : 412 ［10］ Sadeghi B H M． A BP-neural network predictor model for plastic injection molding process． J Mater Process Technol，2000，103 ( 3) : 411 ·626·