一種模具冷卻水道結構參數優化方法
1.本發明涉及注塑工藝領域，尤其涉及一種模具冷卻水道結構參數優化方法。
背景技術：
2.近年來，塑料制品的產量逐年增加，注塑成型制品也已經在家用電器、汽車制造、電子產業等行業被廣泛應用，從而有力地推動了注塑機和模具制造業的發展隨著生活水平的提高，人們不僅對塑料產品的性能有要求，還對其產品的美觀性有一定的要求，塑料制品的多樣化、復雜化，導致難以設計出最合理的模具結構，以降低成本、節省時間、提高產品質量和合格率。因此，如何實現快速高效獲得質量更佳的產品是目前行業發展所遇到的瓶頸。在實際的注塑生產過程中，注塑模具的設計主要根據機械工程有關人員的有限的工作經驗和簡單的公式進行結構參數設置，并且初步設計出的注塑模具還需要不斷的進行試模與修模，直到符合注塑生產要求，然而這種注塑模具設計方法的經濟成本高、效率低，對于注塑工藝參數的設定也是通過類似的方法進行的。因此，如何高效、低成本地設計模具結構和工藝參數是目前需要解決的問題。
3.在注塑模具設計的過程中有一些因素需要考慮，比如：注塑產品的形狀、模具型腔數目、澆注系統、熱交換系統等。然而，根據上述因素要設計出一個最合適的注塑模具結構是比較困難的，在實際的注塑過程中，注塑產品的質量在很大程度上受到生產周期的冷卻階段影響，并且冷卻時間占整個生產周期的70％以上。因此，優化注塑模具冷卻水道的結構參數對于提高注塑制品質量和生產效率具有很大影響。
4.相關行業中，一般是采用cae軟件分析的優化結果對模具參數進行優化，而注塑模具設置冷卻水道的作用是快速給制品降溫并且保證在模具型腔附近的溫度分布較為均勻，可以有效防止因受熱不均導致制品存在內應力，從而產生翹曲變形等缺陷。相關學者對于如何提高模具的冷卻性能進行了一定的研究，其方法大多考慮了冷卻水道的直徑、數量、形狀等因素，但都只是進行少量方案的對比實驗或者基于正交實驗，然后從中選擇效果較好的一種方案。這種方法研究不夠系統，考慮不夠全面，并不能獲取最優解。
技術實現要素：
5.本發明旨在解決現有技術中的模具參數優化過程所考慮的影響因素不夠全面的問題。
6.為解決以上問題，本發明提供一種模具冷卻水道結構參數優化方法，包括以下步驟：
7.確定影響模具的質量的關鍵因素，構建關于所述關鍵因素的評價指標；
8.對所述模具進行仿真建模，得到冷卻水道結構參數；
9.根據社交網絡搜索算法和支持向量機建立所述關鍵因素與所述冷卻水道結構參數的優化模型，并對所述優化模型進行求解，得到優化結果，并根據所述優化結果對所述冷卻水道結構參數進行優化。
10.更進一步地，所述關鍵因素為模具溫差，所述評價指標滿足以下關系式(1)：
11.δt＝t
max-t
min
???
(1)；
12.其中，δt表示注塑模壁溫差指標，t
max
表示注塑模壁最高溫度，t
min
表示注塑模壁最低溫度，各項指標的單位均為℃。
13.更進一步地，對所述模具進行仿真建模，得到冷卻水道結構參數的步驟中，仿真建模滿足連續性方程、動量方程和能量方程，所述連續性方程滿足以下關系式(2)：
[0014][0015]
其中，ρ表示密度，v
x
、vy、vz分別表示直角坐標系中x、y、z方向的速度分量；
[0016]
所述動量方程滿足以下關系式(3)：
[0017][0018][0019][0020]
其中，ρ表示熔體密度，τ表示熔體偏應力，p表示注射壓力，gi表示重力加速度；
[0021]
所述能量方程滿足以下關系式(4)：
[0022][0023]
其中，cv表示定比熱容，qi表示熱通量，τ
ij
表示剪切應力，p表示正應力，表示對流項，表示熱傳導項，表示壓縮作用產生的內能，表示應力所做的功，表示剪切熱。
[0024]
更進一步地，根據社交網絡搜索算法和支持向量機建立所述關鍵因素與所述冷卻水道結構參數的優化模型，并對所述優化模型進行求解，得到優化結果，并根據所述優化結果對所述冷卻水道結構參數進行優化的步驟，包括以下子步驟：
[0025]
獲取所述冷卻水道結構參數，并通過正交實驗獲取仿真參數集；
[0026]
選取所述支持向量機使用的核函數；
[0027]
運用所述社交網絡搜索算法優化所述支持向量機的超參數；
[0028]
輸出所述超參數；
[0029]
將所述超參數賦值給所述支持向量機，并隨機的將正交實驗所獲得的所述仿真參數集分為訓練數據組和測試數據組，分別用于改進所述支持向量機的訓練過程與測試過程，并保存訓練完成的所述支持向量機；
[0030]
將所述預設冷水道結構參數根據預設組別劃分為多個組別，并將不同組別的所述冷卻水道結構參數輸入至訓練好的所述支持向量機模型中，輸出相應的模具溫差，并進一步構建所述預設模具冷水道結構參數和所述模具溫差之間的參數溫差函數關系；
[0031]
調用所述社交網絡搜索算法，并根據所述參數溫差函數關系獲得最優的所述模具冷水道結構參數。
[0032]
更進一步地，獲取所述冷卻水道結構參數，并通過正交實驗獲取仿真參數集的步驟中，將所述冷卻水道結構參數分為水道直徑、模壁距離、水道距離三種變量，并通過所述正交實驗根據三種變量獲取所述仿真數據集。
[0033]
更進一步地，所述支持向量機使用徑向基核函數，所述滿足以下關系式(5)：
[0034][0035]
所述支持向量機對應決策函數滿足以下關系式(6)：
[0036][0037]
其中，f(x)為回歸函數返回的預測值；b表示偏置項，取常數；c為懲罰因子；x
i,j
表示輸入量；ai表示拉格朗日乘子；g為核參數；i,j＝1,2,
…
,m；
[0038]
需要優化的所述超參數包括所述懲罰因子c和所述核參數g。
[0039]
更進一步地，運用所述社交網絡搜索算法優化所述支持向量機的超參數的步驟，具體為：
[0040]
將所述支持向量機的訓練誤差作為所述社交網絡搜索算法的適應度函數；
[0041]
隨機選擇所述社交網絡搜索算法四種更新模式進行迭代計算，所述更新模式包括：模仿模式、對話模式、爭論模式和創新模式；
[0042]
輸出優化后的所述超參數。
[0043]
本發明所達到的有益效果，由于采用了以模具溫差為評價指標，使用模流仿真通過仿真軟件基本準確的獲得基本數據，然后通過正交實驗對相對準確的數據點進行采集和保留，從而減少模流仿真的次數的同時也得到了相對準確的數據，同時結合支持向量機和社交網絡搜索算法實現了快速、準確的獲取冷卻水道最優結構參數的組合，以最優的參數最大程度避免因模具結構而影響制品的質量及企業的生產效率，避免了非最優解和人工經驗所造成的誤差，提高了所得到的最優化參數的可靠性和準確性，從而實現了模具冷卻水道結構參數的優化。
[0044]
附圖
[0045]
圖1是本發明實施例提供的模具冷卻水道結構參數優化方法的步驟流程圖；
[0046]
圖2是本發明實施例提供的結合社交網絡搜索算法和支持向量機實現模具冷卻水
道結構參數的總體流程圖；
[0047]
圖3是本發明實施例提供的支持向量回歸的示意圖；
[0048]
圖4是本發明實施例提供的社交網絡搜索算法的流程示意圖；
[0049]
圖5是本發明實施例提供的抽紙盒上蓋制品的三維圖；
[0050]
圖6是本發明實施例提供的流動阻力指示器示意圖；
[0051]
圖7是本發明實施例提供的流道示意圖；
[0052]
圖8是本發明實施例提供的連通性示意圖；
[0053]
圖9是本發明實施例提供的冷卻水道示意圖；
[0054]
圖10是本發明實施例提供的模流仿真結果和實際實驗結果對比示意圖；
[0055]
圖11是本發明實施例提供的正交實驗所使用的參數示意圖；
[0056]
圖12是本發明實施例提供的模流仿真示意圖。
具體實施方式
[0057]
為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應當理解，此處所描述的具體實施例僅僅用以解釋本發明，并不用于限定本發明。
[0058]
請參照圖1，圖1是本發明實施例提供的模具冷卻水道結構參數優化方法的步驟流程圖，包括以下步驟：
[0059]
s1、確定影響模具的質量的關鍵因素，構建關于所述關鍵因素的評價指標。
[0060]
在注塑成型過程中，模具的冷卻系統不僅影響著制品的質量，也能夠影響制品的冷卻時間，又因為冷卻時間約占整個注塑成型周期的70％，從而容易影響企業的生產效率，比如：注塑模具溫度分布不均會導致注塑制品存在內應力，由于這個原因會使注塑制品產生的翹曲，從而會影響制品的合格率，另外也會增加制品在冷卻階段的時間，從而增加了注塑成型周期時間，會額外增加注塑成本。從以上分析可以得出：主要是由注塑模具溫度分布不均而導致的缺陷和效率低。
[0061]
更進一步地，所述關鍵因素為模具溫差，所述評價指標滿足以下關系式(1)：
[0062]
δt＝t
max-t
min
???
(1)；
[0063]
其中，δt表示注塑模壁溫差指標，t
max
表示注塑模壁最高溫度，t
min
表示注塑模壁最低溫度，各項指標的單位均為℃。
[0064]
模具溫差越小，說明注塑模具溫度分布相對更均勻，有利于提高注塑質量和生產效率。
[0065]
s2、對所述模具進行仿真建模，得到冷卻水道結構參數。
[0066]
模流仿真是指運用數據模擬軟件，通過計算機導入一些參數和在仿真軟件中設置一些參數完成注塑成型的模擬仿真，模擬模具注塑的過程，得出一些數據結果，通過這些結果對模具的方案可行性進行評估，完善模具設計方案及產品設計方案的一種方法。注塑實際生產過程中數據較難獲取，使用建模仿真軟件可以以低成本快速得到一些注塑過程的數據，再使用實際數據對其進行驗證，從而為下一階段建立的智能優化模型提供一些數據支持和參考。
[0067]
注塑成型的過程比較復雜，主要流程為：先將塑料顆粒熔化，然后填充塑料熔體，
再對模具進行保壓，最后冷卻制品。要對此工藝過程進行詳細的描述與分析，必須結合相關的注塑成型機理，如：連續性方程、動量方程、能量方程。
[0068]
更進一步地，對所述模具進行仿真建模，得到冷卻水道結構參數的步驟中，仿真建模滿足連續性方程、動量方程和能量方程，所述連續性方程滿足以下關系式(2)：
[0069][0070]
其中，ρ表示密度，v
x
、vy、vz分別表示直角坐標系中x、y、z方向的速度分量；
[0071]
假定流體不可壓縮，則使得從而可將以上關系式(2)簡化為：
[0072][0073]
所述動量方程滿足以下關系式(3)：
[0074][0075][0076][0077]
其中，ρ表示熔體密度，τ表示熔體偏應力，p表示注射壓力，gi表示重力加速度；
[0078]
在塑料注塑成型機的工作過程中，塑料顆粒在料筒里同時被電熱圈加熱和螺桿的擠壓、剪切，從而使塑料顆粒在注塑的時候處于熔融狀態，最后在注塑模具里冷卻，形成最終的制品，這一注塑工藝過程遵循能量守恒，所述能量方程滿足以下關系式(4)：
[0079][0080]
其中，cv表示定比熱容，qi表示熱通量，τ
ij
表示剪切應力，p表示正應力，表示對流項，表示熱傳導項，表示壓縮作用產生的內能，表示應力所做的功，表示剪切熱。
[0081]
s3、根據社交網絡搜索算法和支持向量機建立所述關鍵因素與所述冷卻水道結構參數的優化模型，并對所述優化模型進行求解，得到優化結果，并根據所述優化結果對所述冷卻水道結構參數進行優化。
[0082]
社交網絡搜索算法是模擬人在社交中四個模式行為而產生的一種迭代優化算法，本發明實施例通過構建基于社交網絡搜索算法改進的支持向量機模型，建立模具溫度與模具冷水道結構參數之間的回歸關系，使得模具溫差和冷水道結構參數之間的非線性關系得到一個確切的模型描述，最后再次調用社交網絡搜索算法對模具冷卻水道結構參數進行優化。
[0083]
所述支持向量回歸的主要思路是尋一個合適的決策分界面使得所有訓練樣本數據都能盡量的逼近這個決策分界面，同時使得模型輸出f(x)和真實標簽y之間的損失最小，但是一般支持向量回歸容許f(x)和y之間最多有ε的誤差，僅當f(x)和y之間差的絕對值大于ε時才計算損失，示例性的，請參照圖2，圖2是本發明實施例提供的結合社交網絡搜索算法和支持向量機實現模具冷卻水道結構參數的總體流程圖，圖3是本發明實施例提供的支持向量回歸的示意圖。
[0084]
圖3中，假設輸入樣本為x，輸出值為y，則訓練數據樣本集合可以表示為(xi+yi)其中xi∈rn,∈r，r是實數集合，i＝1,2,3,
…
,l。該模型輸出的數學表達式如下所示：
[0085][0086]
式中：w表示權值；b表示偏置項，取常數；表示低維到高維空間的一個非線性映射。
[0087]
于是支持向量回歸問題可描述為：
[0088][0089]
式中：f(xi)為回歸函數返回的預測值；c為懲罰系數；yi為對應的真實值；
[0090]
l
ε
為：
[0091][0092]
引入松弛因子ξ和則支持向量回歸模型就重寫成：
[0093][0094]
st.wxi+b-yi≤ε+ξi,
[0095][0096]
式中：c表示懲罰因子；表示松弛因子；ε表示損失函數。
[0097]
因為計算的復雜性，一般情況不能直接進行求解，所以引入了largrange，轉化為如下問題
[0098][0099]
式中：i,j＝1,2,
…
,m；x
i,j
表示輸入量；yi表示輸出量；ai、bi表示拉格朗日乘子。
[0100]
懲罰因子決定了對離點的重視程度，即控制預測模型的復雜度和預測精度。損失函數主要是規定了預測模型的誤差要求，其值越小說明預測的誤差也小。
[0101]
更進一步地，根據社交網絡搜索算法和支持向量機建立所述關鍵因素與所述冷卻水道結構參數的優化模型，并對所述優化模型進行求解，得到優化結果，并根據所述優化結果對所述冷卻水道結構參數進行優化的步驟，包括以下子步驟：
[0102]
s31、獲取所述冷卻水道結構參數，并通過正交實驗獲取仿真參數集。
[0103]
更進一步地，獲取所述冷卻水道結構參數，并通過正交實驗獲取仿真參數集的步驟中，將所述冷卻水道結構參數分為水道直徑、模壁距離、水道距離三種變量，并通過所述正交實驗根據三種變量獲取所述仿真數據集。
[0104]
s32、選取所述支持向量機使用的核函數。
[0105]
更進一步地，所述支持向量機使用徑向基核函數，所述滿足以下關系式(5)：
[0106][0107]
所述支持向量機對應決策函數滿足以下關系式(6)：
[0108][0109]
其中，f(x)為回歸函數返回的預測值；b表示偏置項，取常數；c為懲罰因子；x
i,j
表示輸入量；ai表示拉格朗日乘子；g為核參數；i,j＝1,2,
…
,m；
[0110]
需要優化的所述超參數包括所述懲罰因子c和所述核參數g。
[0111]
s33、運用所述社交網絡搜索算法優化所述支持向量機的超參數。
[0112]
更進一步地，運用所述社交網絡搜索算法優化所述支持向量機的超參數的步驟，具體為：
[0113]
將所述支持向量機的訓練誤差作為所述社交網絡搜索算法的適應度函數；
[0114]
隨機選擇所述社交網絡搜索算法四種更新模式進行迭代計算，所述更新模式包括：模仿模式、對話模式、爭論模式和創新模式；
[0115]
輸出優化后的所述超參數。
[0116]
具體的，社交網絡搜索算法是通過模擬網絡上人類的模仿、對話、爭論和反省創新四個情緒來進行用戶體觀點的更新以達到體觀點的一種優化算法，下面對社交網絡搜索的四種不同的模式進行說明：
[0117]
模仿模式是指其他用戶的觀點對另外的用戶具有吸引力，通常用戶在表達其意見時試圖相互模仿如下：
[0118]
x
inew
＝xj+rand(-1,1)
×r[0119]
r＝rand(0,1)
×r[0120]
r＝x
j-xi；
[0121]
其中xj表示第j個用戶觀點的隨機選擇的向量，xi是第i個用戶的觀點向量，rand(-1,1)和rand(0,1)分別表示的是兩個隨機向量[-1,1]和[0,1]。在這種情況下，新的解決方案將根據模仿空間生成，這個空間是使用沖擊和流行的半徑創建的；沖擊半徑r反映了用戶的影響，其大小為r，r的值表示用戶的流行半徑，這是基于不同的用戶i和j差異的計算出來的。
[0122]
此外，沖擊半徑的最終影響是通過將其值乘以[-1,1]區間內的一個隨機向量來反映的，其中如果隨機向量的分量是正的，則共享視圖將與第j個用戶的觀點一致。最后用隨機選擇出來的需模仿的用戶xj加上從網絡上其他用戶模仿得到的的信息，從而對用戶觀點進行更新。
[0123]
對話模式是指在社交網絡中，用戶可以相互交流，并從用戶關于不同問題的對話中獲益，對話模式基于下列規則的：
[0124]
x
inew
＝xk+r
[0125]
r＝rand(0,1)
×d[0126]
d＝sign(f
i-fj)
×
(x
j-xi)；
[0127]
其中rand(0,1)是區間[0,1]中的一個隨機向量，xj和xk是兩個隨機選擇的的向量，fi和fj分別是xi和xj的目標函數，是一種情緒模型，表示用戶相互學習并增加他們的事件信息的狀態，在對話中，用戶通過其他觀點到一個特定問題的觀點，最后，由于意見的差異，用戶對正在討論的問題提出一個新的觀點。xk表示了對該問題的觀點向量，觀點向量是隨機選擇的；r是聊天的效果，基于意見的差異，代表用戶對這個問題的觀念上的變化；d是用戶的觀點之間的差異。此外，sign(f
i-fj)代表通過比較fi和fj來確定xk的移動方向；用戶對問題(xk)的觀點會隨著與第j個用戶的對話而發生變化，被改變的觀點被認為是一種與另一名用戶分享的新觀點；第i個用戶對本來問題的理解xk加上與第j個用戶聊天的效果r將重新定義其對xk的理解，從而形成對該問題新的觀點x
inew
。
[0128]
爭論模式想象了一種狀態，用戶向其他用戶解釋事件的看法，并捍衛自己的觀點。在這種情況下，用戶可以從其他人身上看到不同的觀點并可能受到所表達的原因的影響，在爭論中產生新的影響觀點規則如下：
[0129]
x
inew
＝xi+rand(0,1)(m-af
×
xi)
[0130][0131]
af＝1+round(rand)；
[0132]
其中，rand(0,1)是區間[0,1]中的一個隨機向量，nr是1和n
user
之間的一個隨機整數，nr決定了參與爭論的用戶數量，參與者是隨機選擇的，af是錄取因素，表示用戶在與他人討論時堅持自己的意見的程度，是一個隨機整數，可以是1或2，round是一個將其輸入四舍五入到最接近的整數的函數。
[0133]
反省模式是指用戶在網絡上分享的主題會來自于新體驗和想法。在這種情況下，通過改變一個隨機選擇的xi變量來開發新觀點的表達如下：
[0134][0135][0136][0137]
t＝rand2；
[0138]
其中d是在區間[1,d]中隨機選擇的第d個變量，d是問題變量的數量，rand1和rand2是區間[0,1]中的兩個隨機數；ubd和lbd是第d個變量的最大值和最小值。表示關于所選維度的新觀點。是關于另一個隨機選擇的第j個用戶和提出的第d維變量的當前觀點，該用戶因為新觀點而想要改變它而產生的一種狀態，在這種狀態下，一個人會思考一個特定的問題，也許會以一種新穎的方式來看待這個問題，并且能夠更準確地理解這個問題的本質，或者可以到一個完全不同的觀點。一個特定的主題可能有不同的特征，并且每個特征都會影響對問題的理解。因此，通過改變關于其中一個主題的概念主題的概念一般將會改變，并將實現一個新的觀點。是從第d個維度對正在考慮的問題所產生的新見解，并將當前觀點所取代。
[0139]
請參照圖4所示的社交網絡搜索算法的流程示意圖，在本發明實施例中，所述社交網絡搜索算法流程主要分為三部分，初始化、增加用戶更新觀點和最后的迭代終止三部分：
[0140]
初始化部分，是對最大迭代次數、最大最小值和最初體數量進行設定，同時定義適應度函數，并在開始時計算每一個用戶觀點的適應度；
[0141]
增加用戶更新觀點部分，首先增加用戶數量和迭代次數后對四種模式進行隨機選擇，在每種模式更新規則和帶懲罰項的適應度函數的控制下對每個用戶的觀點進行更新，在更新觀點之后，計算該用戶新觀點的適應度值判斷是否優于該用戶舊觀點的適應度值，若優于則使用新觀點替代之，反之則仍然使用舊觀點；
[0142]
迭代終止部分，在確定是否采用新觀點后，判斷是否滿足迭代終止條件，若滿足則退出算法從而得到最優化的結果；反之，則返回增加用戶更新觀點部分再次進行算法的迭代直至達到迭代終止條件，獲得最優值為止。
[0143]
s34、輸出所述超參數。
[0144]
s35、將所述超參數賦值給所述支持向量機，并隨機的將正交實驗所獲得的所述仿真參數集分為訓練數據組和測試數據組，分別用于改進所述支持向量機的訓練過程與測試過程，并保存訓練完成的所述支持向量機。
[0145]
s36、將所述預設冷水道結構參數根據預設組別劃分為多個組別，并將不同組別的所述冷卻水道結構參數輸入至訓練好的所述支持向量機模型中，輸出相應的模具溫差，并進一步構建所述預設模具冷水道結構參數和所述模具溫差之間的參數溫差函數關系。
[0146]
s37、調用所述社交網絡搜索算法，并根據所述參數溫差函數關系獲得最優的所述模具冷水道結構參數。
[0147]
示例性的，本發明實施例提供一種實際建模的實施例，本發明實施例以抽紙盒上蓋模型為研究對象，抽紙盒上蓋由pp材料注塑成型，整體尺寸100mm
×
50mm
×
15mm，由于抽
紙盒上蓋的厚度均為3mm，屬于薄壁制品。根據實際的注塑成型過程，一般會考慮到經濟成本和制作效率這兩個因素，因此將此注塑產品的模具設計為一模四腔，本發明實施例所采用的抽紙盒上蓋制品的三維圖如圖5所示。
[0148]
隨后進行模流分析，將模型導入modeflow仿真軟件進行網格劃分，劃分完成后，進行最佳澆口位置的確定，在澆口位置分析中主要考慮的因素：1、澆口位置產生的痕跡是否影響美觀；2、流動阻力。澆口位置的確定主要參考流動阻力指示器，最后得到澆口匹配性結果，如圖6所示，圖的中心部分表示比較適合布置澆口，相反邊角部分表示不適合布置澆口。依據流動阻力指示器及澆口匹配性，在中制品用橢圓畫的范圍為比較適合布置澆口的位置，但考慮到實際情況，此區域布置澆口會影響制品的美觀性和不利于澆口的清除，所以，需要將澆口位置布置在制品的側面，綜合得出圖中箭頭所指的位置比較合適。
[0149]
流道主要是建立冷澆口、冷流道、冷主流道的三維模型，并且劃分網格。如圖7所示建立的流道。建完流道后，還需檢驗流道制品之間的連通性，防止不連通，如圖8所示，連通性良好。
[0150]
如圖9所示，在注塑產品的上下兩側均勻的布置冷卻水道，此冷卻水道在同側有兩個進水口和出水口，方便操作。對其冷卻性進行分析，根據實際注塑經驗，回路冷卻液溫度差小于3℃較為合適，在對回路冷卻液溫差分析過程中，得出溫差值為1.26℃，即冷卻液可以起到很好的冷卻效果，也即該數值模型基本符合實際工況要求。為了驗證與實際情況的一致性，這里將模流仿真結果和實際實驗結果進行對比，結果如下圖10所示，其最大誤差值為8％，說明建立的模流仿真模型可以為優化算法的提供可靠的數據支撐。
[0151]
示例性的，本發明實施例提供一種正交實驗的實施例，如圖11所示，用a表示水道直徑/mm、b表示模壁距離/mm、c表示水道距離/mm這3個因素為變量，每個因素各取7個水平。如表1所示正交試驗的因素水平，其中，水道直徑為8、9、10、11、12、13、14mm；模壁距離為10、15、20、25、30、35、40mm；水道距離30、35、40、45、50、55、60mm。
[0152][0153]
表1正交試驗因素及水平
[0154]
根據不同注塑工藝參數條件下的模流仿真結果，得出l
49
(73)實驗數據如表2所示。
[0155]
[0156]
[0157][0158]
表2正交實驗樣本數據表
[0159]
對于以上正交實驗樣本數據，本發明實施例使用極差分析進行結構參數優化。如表3所示，計算出模具冷卻道各模具結構變量在相應的水平下對模具溫差的均值，然后計算同一模具結構變量下的極差值。從表中可知，各結構參數對模具溫差的影響由大到小的順序為：模壁距離》水道距離》水道直徑。
[0160][0161][0162]
表3極差分析實驗結果
[0163]
通過極差分析優化后的模具冷卻道結構參數組合為：水道直徑13mm、模壁距離15mm、水道距離35mm，最后使用優化后的模具結構參數進行模流仿真，如圖12所示，求得模具溫差為10.11℃。
[0164]
綜合以上數據，本發明實施例對比了未優化、極差分析、elm建模和使用本發明實施例使用的社交網絡搜索算法結合支持向量機模型優化的結果，如下表4所示，基于極差分析對于未優化方案的模具溫差相對降低10.85％，基于elm建模優化對比于未優化方案的模具溫差相對降低13.67％；基社交網絡搜索算法結合支持向量機模型建模優化對比于未優化方案的模具溫差相對降低14.78％。由此可以看出，基于本發明實施例提供的所述模具冷卻水道結構參數優化方法可以較為明顯降低模具溫差，也是效果最好的，即本發明實施例可以在一定程度上改善模具的溫度分布，進而減少抽紙盒上蓋塑件在成型過程中的收縮不均的現象，提高制品的質量和良品率。
[0165]
本發明所達到的有益效果，由于采用了以模具溫差為評價指標，使用模流仿真通過仿真軟件基本準確的獲得基本數據，然后通過正交實驗對相對準確的數據點進行采集和保留，從而減少模流仿真的次數的同時也得到了相對準確的數據，同時結合支持向量機和社交網絡搜索算法實現了快速、準確的獲取冷卻水道最優結構參數的組合，以最優的參數最大程度避免因模具結構而影響制品的質量及企業的生產效率，避免了非最優解和人工經驗所造成的誤差，提高了所得到的最優化參數的可靠性和準確性，從而實現了模具冷卻水道結構參數的優化。
[0166]
本領域普通技術人員可以理解實現上述實施例方法中的全部或部分流程，是可以通過計算機程序來指令相關的硬件來完成，所述的程序可存儲于一計算機可讀取存儲介質中，該程序在執行時，可包括如上述各方法的實施例的流程。其中，所述的存儲介質可為磁碟、光盤、只讀存儲記憶體(read-only memory，rom)或隨機存取存儲器(random access memory，簡稱ram)等。例如，在一種可能的實施方式中，所述計算機可讀存儲介質上存儲有計算機程序，該計算機程序被處理器執行時實現本發明實施例提供的基于電力需求的5g網絡rb資源的調度方法中的各個過程及步驟，且能實現相同的技術效果，為避免重復，這里不再贅述。
[0167]
需要說明的是，在本文中，術語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者裝置不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者裝置所固有的要素。在沒有更多限制的情況下，由語句“包括一個
……”
限定的要素，并不排除在包括該要素的過程、方法、物品或者裝置中還存在另外的相同要素。
[0168]
通過以上的實施方式的描述，本領域的技術人員可以清楚地了解到上述實施例方法可借助軟件加必需的通用硬件平臺的方式來實現，當然也可以通過硬件，但很多情況下前者是更佳的實施方式。基于這樣的理解，本發明的技術方案本質上或者說對現有技術做出貢獻的部分可以以軟件產品的形式體現出來，該計算機軟件產品存儲在一個存儲介質(如rom/ram、磁碟、光盤)中，包括若干指令用以使得一臺終端(可以是手機，計算機，服務器，空調器，或者網絡設備等)執行本發明各個實施例所述的方法。
[0169]
上面結合附圖對本發明的實施例進行了描述，所揭露的僅為本發明較佳實施例而已，但是本發明并不局限于上述的具體實施方式，上述的具體實施方式僅僅是示意性的，而
不是限制性的，本領域的普通技術人員在本發明的啟示下，在不脫離本發明宗旨和權利要求所保護的范圍情況下，還可做出很多形式用等同變化，均屬于本發明的保護之內。
