基于遗传算法优化BP神经网络的控制面板注塑成型工艺优化

Optimization of Control Panel Injection Molding Process Based on Genetic Algorithm Optimized BP Neural Network

摘要

以某公司生产的家电控制面板为例，对控制面板注塑成型后的翘曲变形量进行研究。设计正交试验，运用Moldflow进行模流分析，构建一个3层网络结构4-5-1的反向传播（BP）神经网络模型，对模型进行训练与预测，得到工艺参数和翘曲变形量之间的非线性关系。通过遗传算法优化BP神经网络模型及全局寻优，得到最优翘曲变形量预测值（0.476 3 mm）及对应的工艺参数组合（模具温度58 ℃、保压时间13 s、料筒温度230 ℃、保压压力60 MPa）。对遗传（GA）算法优化工艺参数组合进行Moldflow模流分析，翘曲变形量为0.480 0 mm，与神经网络预测值0.476 3 mm十分接近，误差在合理范围内。GA算法优化工艺参数得到的翘曲变形量与初始工艺参数得到的翘曲变形量相比，降低30%。结果表明，神经网络GA算法用于注塑工艺参数优化设计能够有效提升制品质量，减少试模成本。

Abstract

A household appliance control panel produced by a certain company was taken as an example to investigate the warpage deformation of the control panel after injection molding. Orthogonal test were designed, and Moldflow was employed for mold flow analysis. A back-propagation (BP) neural network model with a three-layer network structure of 4-5-1 was constructed, and the model was trained and predicted to establish the nonlinear relationship between process parameters and warpage deformation. The BP neural network model was optimized through a genetic algorithm with global optimization, yielding an optimal warpage prediction value of 0.476 3 mm and the corresponding process parameter combination (mold temperature of 58 ℃, holding time of 13 s, barrel temperature of 230 ℃, and holding pressure of 60 MPa). Moldflow mold flow analysis was performed on the process parameter combination optimized by genetic algorithm (GA) algorithm, resulting in a warpage deformation of 0.480 0 mm, which was very close to the neural network prediction value of 0.476 3 mm, with the error within a reasonable range. Compared with the warpage deformation obtained from the initial process parameters, the warpage deformation achieved by the GA-optimized process parameters was reduced by 30%. The results indicated that the neural network GA algorithm applied to injection molding process parameter optimization could effectively improve product quality and reduce trial molding costs.

Graphical abstract

关键词

Moldflow / 正交试验 / BP神经网络 / 遗传算法 / 注塑工艺优化

Key words

Moldflow / Orthogonal test / BP neural network / Genetic algorithm / Injection molding process optimization

丙烯腈-丁二烯-苯乙烯共聚物(ABS)材料以抗冲击和电绝缘性好、适合注塑成型的优点，在家用电器、汽车工业、3D打印等领域得到广泛应用^[1]。采用ABS材料制作控制面板时，注塑成型过程中存在翘曲变形现象，因此产品的翘曲变形量是评价质量的重要指标之一^[2-3]。影响翘曲变形的工艺参数众多，传统的工艺多采取试错法，通过反复修改参数进行尝试，需要耗费大量的时间成本和材料成本^[4]。而工艺参数对塑料制品质量的影响呈非线性映射关系，难以建立精准的数学模型^[5]。近年来，人工智能算法的应用为注塑行业工艺优化提供新思路^[6-7]。方明月等^[8]采用粒子群算法对汽车仪表框架注塑后的翘曲变形量进行优化，设计正交试验获取翘曲变形量数据，构建反向传播(BP)神经网络模型对正交试验数据进行训练与预测，获得预测精度较高的神经网络模型，通过粒子群算法的全局寻优，得到翘曲变形量最优的注塑工艺参数组合。黄海跃等^[9]以塑料散热器外壳为研究对象，以7个注塑工艺参数作为神经网络的输入层，以翘曲变形量作为输出层，搭建径向基函数(RBF)神经网络模型。设计均匀试验并进行模流分析，利用所得数据对神经网络模型进行训练与测试，再通过遗传(GA)算法寻优，得到最优注塑工艺参数及最优翘曲变形量。结果表明：GA算法优化后的产品翘曲变形量降低至0.318 9 mm，与优化前得到的翘曲变形量相比，降低15.7%。郝彦琴等^[10]采用GA算法优化BP神经网络对注塑成型机箱壳的注塑工艺进行优化，通过正交试验和Moldflow软件仿真获取产品质量数据，建立BP神经网络模型，对模型进行训练和预测，采用GA算法优化神经网络，得到最佳注塑工艺参数组合及神经网络预测值。对最佳工艺参数进行CAE模流分析验证，神经网络预测值与CAE模流分析值十分接近，验证神经网络GA算法优化注塑工艺参数的正确性。

基于以上研究，本文以家电控制面板塑件为研究对象，对控制面板的注塑成型工艺翘曲变形量进行优化研究。设计四因素四水平正交试验，得到对应的翘曲变形量，建立BP神经网络模型，进行训练和预测，采用GA算法优化BP神经网络模型及全局寻优，得到最佳工艺参数。

1 产品分析

1.1 产品结构设计

图1为控制面板的核心结构部件。采用优质ABS 757工程塑料精密注塑而成。外形尺寸为150.49 mm×78.64 mm×18.75 mm，属于典型的薄壁壳体结构，设计多个高精度通孔，用于安装显示屏、按键及固定螺丝。

1.2 材料选择

ABS材料具有较好的电绝缘性、耐热性及抗冲击的特点，在多个领域得到广泛应用。表1为ABS 757材料参数。

2 初始模流分析

2.1 网格模型

图2为控制面板网格模型。采用双层面网格进行建模，单元最大纵横比为14.25，平均纵横比为1.85，最小纵横比为1.16，单元匹配率为94.2%，完全满足仿真计算的要求。

2.2 流道系统设计

图3为流动阻力和浇口匹配性结果。从图3可以看出，流动阻力最低区域和浇口匹配性最好区域集中在中部区域，故以中部蓝色重合区域中的红圈区域作为浇口位置。从结构上看，面板为长宽比约1.9∶1.0的矩形件，将浇口置于背面中部(图3红圈处)，可缩短熔体至各端部的流程，有利于减小压力与温度梯度。从流动特性看，该位置处于壁厚均匀区，软件分析的流动阻力最低。产品为典型薄壳结构的注塑件，基于浇口位置分析的结果，产品在中间位置进胶，其流长比为90.0/2.3，约等于40.0，在ABS的建议流长比极限100的范围内，说明充填的难度适中。

图4为充填时间、流动前沿温度、熔接线模流分析结果。从图4a可以看出，由浇口进胶，熔体前沿呈近似放射状推进，填充平衡性良好，无明显滞流区域。从图4b可以看出，流动前沿温度为228.9~232.8 ℃，温差小于4 ℃，充填过程温差小，确保制件的性能和收缩率均匀。从图4c可以看出，主要的熔接痕被限制在非外观的安装孔边缘，对产品功能和外观影响较小。因此，该浇口位置合理。

2.3 冷却水路设计

水路的设置会影响零件的冷却结果，为了使模具得到更好的冷却效果，针对其结构特点，采用平衡的热流道浇口系统与高效均匀的冷却设计，以最大限度减少流动阻力、缩短成型周期并防止翘曲变形^[11]。图5为水路设置。考虑到产品为两穴布局且为热流道倒灌进胶，产品的主要型腔面分别位于前模(定模)与后模(动模)。因此，在前后模分别开设独立冷却回路，是最直接、有效的分区冷却方式^[12]。这确保型腔主要区域的冷却能力，符合“型芯型腔分离控制”的冷却设计基础逻辑。采用直线钻孔(直径Φ8 mm)形成回路，是“标准化、高可靠性、易维护”经典设计，避免复杂随形水路可能带来的加工困难、堵塞风险、密封隐患和额外的成本，这对追求稳定、长周期量产的产品而言至关重要^[13]。水路距离产品表面25 mm是经过验证的经验值，此距离平衡冷却效率与模具结构强度。过近(如小于10 mm)会导致模壁温差大、强度风险；过远(如大于30 mm)则冷却效率低下^[14]。

图6为回路冷却液温度分布。从图6可以看出，水路的温度变化小于3 ℃，说明单一水路的负载不大，可实现均匀散热。

图7为制件表面温度分布。从图7可以看出，前后模的温度分布均匀，前后差异远小于10 ℃，这说明产品均匀散热，对成型提供稳定的冷却效果，对产品尺寸稳定性提供良好的基础。

2.4 初始工艺结果分析

控制面板注塑成型工艺初始工艺设置为模具温度60 ℃、料筒温度210 ℃、保压压力30 MPa、保压时间8 s、填充时间0.66 s，分析序号选择为冷却+填充+翘曲+保压。参数设置完成后，对制品进行模流分析。图8为初始工艺下的翘曲变形量。从图8可以看出，翘曲变形量最大区域发生在上下两端，最小变形区域发生在中部位置，这是因为制件两端承受冷却不均和收缩不均的影响，其最大翘曲变形量为0.680 6 mm。

3 正交试验设计

3.1 正交试验因素水平设置

在实际的试模当中发现，保压时间及压力、模具温度、料筒温度对模具翘曲变形量影响较大^[15]，故选择这4个工艺参数设计正交试验，采取L₁₆(4⁴)正交表设计四因素四水平正交试验，其中模具温度范围选取30~60 ℃，以10 ℃为梯度设置；料筒温度选取200~230 ℃，以10 ℃为梯度设置；保压时间取值范围4~16 s，以4 s为梯度设置；保压压力选取30~60 MPa，以10 MPa为梯度设置。以翘曲变形量为评价指标，共16组试验。表2为正交试验因素水平设计。

3.2 正交试验结果分析

表3为正交试验结果。从表3可以看出，第1组工艺参数下得到的翘曲变形量最大，为0.928 5 mm；第15组最小，为0.508 7 mm。最大翘曲变形量比最小翘曲变形量高出82.5%，说明可通过优化注塑工艺参数来达到改善制件表面质量的目标。各因素对翘曲变形量影响的R值排序为：R_B >R_D >R_C >R_A，对翘曲变形量影响最大的因素为B因素保压时间，远大于其他3个因素。A₄B₄C₁D₄参数组合得到的翘曲量最小，即模具温度60 ℃、保压时间16 s、料筒温度230 ℃、保压压力60 MPa。

将工艺参数组合(A₄B₄C₁D₄)导入Moldflow软件中进行模流分析，图9为A₄B₄C₁D₄工艺参数组合模拟结果。从图9可以看出，翘曲变形量为0.492 7 mm，优于表3中正交试验组中翘曲变形量，验证正交试验设计的有效性。

4 BP神经网络的构建、训练与测试

4.1 BP神经网络的构建

构建一个3层网络结构4-5-1的BP神经网络模型，图10为BP神经网络优化模型。从图10可以看出，神经网络输入层为注塑成型工艺参数，选取对翘曲变形量影响较大的模具温度、保压时间、料筒温度和保压压力4个工艺参数。隐含层用于模型的内部运算，选用tansig函数，神经元个数为5，隐含层神经元个数由经验公式l=\sqrt[]{m+n}+a确定。其中：m、n、l分别为神经网络输入层、输出层、隐含层神经元个数；a为[1,10]区间内的正整数，故取值范围为4~12。在网络训练中选取最小的误差平方和对应的节点数作为隐含层节点数，训练中最小误差平方和对应的节点数为5^[16]。输出层采用purelin线性函数输出，输出为评价指标翘曲变形量。训练函数选用traingd函数对搭建的BP神经网络模型进行训练，训练误差设定为1×10^-5，训练速率设定为0.01，迭代次数为5 000次。神经网络模型学习样本选自于表3中的12组数据，其余4组作为测试组。图11为神经网络模型训练性能曲线。从图11可以看出，该模型在经过145轮的迭代后实现收敛，且训练、测试性能曲线比较平滑，没有起伏状况，说明该神经网络模型能够很好地反映输入层与输出层之间的非线性关系，可以用于控制面板注塑成型工艺的优化。

4.2 BP神经网络的测试

图12为神经网络模型预测结果。从图12可以看出，训练样本及测试样本的神经网络预测值与Moldflow仿真值十分接近，表明建立的神经网络模型具有较高的预测精度，可用于控制面板注塑成型工艺翘曲变形量优化。

5 基于GA算法的工艺参数优化

5.1 GA算法的设计

5.1.1 确定问题参数集

本文研究家电控制面板注塑工艺参数优化问题，选取翘曲变形量为优化目标，影响翘曲变形量的4个注塑工艺参数为优化变量，其优化模型及约束条件可表示如下：

搜寻：X=[A,B,C,D]；

最小化：翘曲变形量(Y)=[(A)，(B)，(C)，(D)]；

约束条件：30 ℃\leA\le60 ℃、4 s\leB\le16 s、200 ℃\leC\le230 ℃、30 MPa\leD\le60 MPa。

5.1.2 参数的编码

采用GA算法实现评价目标寻优首先要对问题参数变量编码，将待求目标变量转化为GA算法能够识别的参数形式^[17-18]。本文采用二进制编码对家电控制面板的4个注塑工艺参数进行编码^[19-20]。

5.1.3 确定初始种群

GA算法在进行遗传操作时，需要设定一个初始种群，同时初始种群的大小会影响GA算法的性能及结果，种群规模过大会加大计算量及降低效率，种群规模过小会导致搜索提前结束而未完全收敛，故本文中的初始种群设置为20。

5.1.4 确定适应度函数

本文中优化目标为翘曲变形量，即适应度为翘曲变形量，故适应度函数选取为已经建立的BP神经网络翘曲变形量预测模型^[21]。

5.1.5 GA操作

GA操作主要通过GA算子(选择、交叉、变异)进行，通过GA算子可对个体实现“优胜劣汰”^[22]。交叉是将选择出的两个个体彼此进行重组，产生新的两个个体，本文此处交叉概率(P_c)设置为0.75；变异是随机改变个体中的某个基因，从而形成新的个体，本文此处变异概率(P_m)设置为0.2^[23]。图13为GA算法流程。

5.2 GA算法实现工艺参数优化

图14为种群最优适应度曲线。从图14可以看出，当迭代次数为82代时，种群进行快速收敛，最后得到全局最小翘曲变形量0.476 3 mm。对应的工艺参数组合为：模具温度58 ℃、保压时间13 s、料筒温度230 ℃、保压压力60 MPa。

图15为GA算法优化后的翘曲变形量。从图15可以看出，对比GA算法优化工艺参数得到的翘曲变形量0.476 3 mm与Moldflow模流分析得到的翘曲变形量0.480 0 mm发现，两者的数值十分接近，说明GA算法优化方案可靠。

表4为不同优化工艺的评价指标对比。从表4可以看出，GA算法优化工艺的翘曲变形量比正交试验优化得到的翘曲变形量小，降低3.3%。这是因为GA算法进行的是全局寻优，而正交试验优化设计是进行局部寻优；与初始工艺相比，GA算法优化工艺参数较初始工艺参数得到的翘曲变形量降低30%，塑件质量得到很大改善。

采用GA算法优化BP神经网络后的工艺参数进行注塑生产，运用Hexagon Metrology三坐标测量机在家电控制面板塑件表面随机选取5个点，翘曲变形量分别为0.361 8、0.321 5、0.490 4、0.281 6、0.316 3 mm，均小于0.8 mm的制造公差。与GA算法得到的最优工艺模流分析翘曲变形量相比，相同位置的误差均在0.1 mm范围内，表明基于GA算法优化注塑工艺参数能够提高注塑成型产品质量，验证优化工艺可行。

6 结论

构建BP神经网络模型能映射出注塑工艺参数与翘曲变形量之间的非线性关系，可以较为准确地预测注塑工艺参数下的翘曲变形量。使用GA算法优化BP神经网络模型，获得最优翘曲变形量及对应的工艺参数，最优翘曲变形量为0.476 3 mm，对应工艺参数组合为：模具温度58 ℃、保压时间13 s、料筒温度230 ℃、保压压力60 MPa。对GA算法优化工艺参数进行Moldflow模流分析，得到的翘曲变形量为0.480 0 mm，与GA算法全局寻优得到的翘曲变形量0.476 3 mm十分接近，说明GA算法用于注塑工艺参数优化可靠。对比初始工艺、GA算法优化工艺下的翘曲变形量，GA算法优化后的翘曲变形量降低30%，表明该方法用于注塑成型工艺优化能大大节省试模时间和试模成本，具有较高的工程应用价值。

参考文献

[1] 张苏新. ABS电子继电器注塑成型优化分析[J]. 塑料科技, 2024, 52(8): 109-112.

[2] 潘莎, 李紫蔓. 基于CAE技术的铜排壳体注塑工艺优化设计[J]. 塑料科技, 2025, 53(9): 174-178.

[3] 刘春晓. ABS/Al免喷涂材料注塑成型黑线流痕的研究[D]. 郑州: 郑州大学, 2023.

[4] 邱琳芝. 模内电子注塑成型缺陷分析及工艺参数优化研究[D]. 东莞: 东莞理工学院, 2025.

[5] 曾文浩, 魏刚, 黄亚, 等. 基于Moldflow和正交试验法的塑料杯注塑工艺参数优化[J]. 塑料科技, 2016, 44(3): 70-75.

[6] 陈妍. 注塑成型工艺参数的优化研究进展[J]. 合成树脂及塑料, 2020, 37(3): 87-90.

[7] 郑方莉. 注塑成型工艺参数智能设置及优化[D]. 北京: 北京化工大学, 2022.

[8] 方明月, 张宇, 王彻, 等. 基于粒子群算法的汽车仪表框架注塑工艺参数优化[J]. 塑料工业, 2024, 52(2): 79-85.

[9] 黄海跃, 范希营, 李赛, 等. 基于神经网络和遗传算法的薄壳塑件注塑工艺优化[J]. 塑料, 2019, 48(3): 66-69.

[10] 郝彦琴, 龙春光. 基于BP神经网络和遗传算法的机箱壳注塑工艺参数多目标优化[J]. 工程塑料应用, 2018, 46(3): 69-75.

[11] 郭旭. 注塑模具随形冷却水路优化及增材制造工艺研究[D]. 沈阳: 沈阳工业大学, 2024.

[12] 吴俊超,陈爱霞,夏志平.光伏移动电源电池仓上盖热流道倒装注塑模设计[J/OL]. 塑料科技,1-11[2025-11-12].

[13] 张博, 黄志高, 金瑞民, 等. 注射模冷却系统可视化设计技术研究[J]. 模具工业, 2025, 51(7): 6-16.

[14] 吴其焦, 任思猛, 吴朋余. 基于MoldFlow分析的断路器外壳注射模冷却系统研究与优化[J]. 模具制造, 2026, 26(1): 27-30.

[15] 李志恒. 汽车散热器水箱上盖注塑成型及翘曲优化[D]. 青岛: 山东科技大学, 2018.

[16] 童希. TWIP钢热处理工艺参数优化及微观组织研究[D]. 长沙: 中南林业科技大学, 2019.

[17] 何广川. 汽车薄壁塑件快速热循环注塑成型模拟及翘曲与缩痕控制工艺优化[D]. 重庆: 重庆交通大学, 2021.

[18] 黄关山, 朱金婷. 基于响应面代理模型及遗传算法的汽车引擎盖注塑成型工艺优化[J]. 塑料科技, 2024, 52(12): 125-128.

[19] 程效锋. 汽车雾灯盖板饰条注塑成型分析及工艺优化[D]. 马鞍山: 安徽工业大学, 2022.

[20] 张永超. 基于遗传算法的车窗玻璃导槽的注塑成型设计及参数优化[D]. 天津: 天津职业技术师范大学, 2021.

[21] 张海鹏. 轿车头枕罩盖注塑研究与仿真分析[D]. 大连: 大连交通大学, 2022.

[22] 王晓衬. 基于多目标遗传算法电子适配器成型工艺参数优化[J]. 塑料科技, 2023, 51(5): 90-94.

[23] 王晓东. 注塑成型过程能耗分析及多目标优化研究[D]. 天津: 天津职业技术师范大学, 2024.

基金资助

湖南省自然科学基金项目(2021JJ50079)