Applying the neural network method to the design of the processing parameters in liquid composite molding.

• Main Authors: Ming-Zhou Wu, 吳銘洲
• Other Authors: Wen-Bin Young
• Format: Others
• Language: zh-TW
• Published: 2001
• Online Access: http://ndltd.ncl.edu.tw/handle/94250795145882362026

碩士 === 國立成功大學 === 航空太空工程學系 === 89 === In the resin transfer molding (RTM) process, there are several important processing parameters, such as injection pressure, resin injection temperature, mold pre-heated temperature, mold heating rate, and cure temperature, which have major effect on the quality of a RTM product. In general, these parameters are determined based on engineer’s experience. In order to establish an efficient way for selecting the process parameter, optimization methods based on the computer aided process simulation are used. The optimization of manufacturing parameters on RTM was developed by Yu[5]. He used the numerical method to simulate the RTM manufacturing process and the genetic algorithm to search the optimal manufacturing parameters based on the simulation results. Yet there exists a problem which impede a wide application of this approch. The RTM manufacturing process simulation is takes too much computation time and the entire optimization is slow. In this study, the RTM process simulation program is replaced by the artificial neural network method. A neural network is used to learn the correlation between input and output data of the RTM program. With the simulation results, the neural network is trained to create a rapid RTM process model. Genetic algorithm is still applied to this rapid RTM manufacturing process model to search for the optimum solution for a RTM process design. Finally, the major objective of this research is to study that if the RTM simulation program can replaced with a neural network successfully. 授權書 摘要 英文摘要 誌謝 目錄 i 表目錄 iii 圖目錄 iv 第一章、 緒論 1.1簡介 1 1.2樹脂轉注成型法簡介 2 1.3文獻回顧 3 1.4研究動機與目標 4 1.5研究方法 6 第二章、 類神經網路簡介 2.1類神經網路概論 10 2.2倒傳遞類神經網路 12 2.2.1導論 12 2.2.2網路架構 12 2.2.3網路演算法 14 2.2.4網路參數選取 17 2.2.5網路的修正與效率改善 18 2.2.6網路的優缺點 20 2.3本文所使用類神經網路架構介紹 22 第三章、 基因演算法則簡介 3.1簡介 23 3.2編碼的形式 24 3.3二進位式（Binary）基因演算法操作流程 25 3.4基因演算法的特性 29 3.5本文所使用基因演算法架構介紹 30 第四章、 RTM製程類神經網路模擬之分析與討論 4.1類神經網路模擬操作流程 32 4.2類神經網路參數選取 34 4.3模擬結果討論 36 第五章、 製程參數之最佳化 5.1製程參數的分析 39 5.2參數範圍的選取及價值函數定義 41 5.3基因演算法之參數選取 46 5.4利用基因演算法搜尋結果討論 48 第六章、 結論與建議 52 參考文獻 55 自述 著作權聲明 表目錄 表4-1 疊代次數為100萬次時，處理單元個數2～70的誤差函數值 57 表4-2 疊代次數為100萬次時，處理單元個數10～70的運算次數 比較 57 表4-3 不同sse誤差收斂下，測試誤差的比較 58 表5-1 不同交配機率之搜尋成功率比較表 59 表5-2 不同突變機率之搜尋成功率比較表 59 表5-3類神經網路回想所得之488187種參數組合中，適應函數值 最大的前50種組合 60 表5-4 類神經網路回想所得之488187種參數組合中，適應函數值 最大的前50種組合。（限定樹脂充模溫度=25℃時） 61 表5-5 類神經網路回想所得之488187種參數組合中，適應函數值 最大的前50種組合。（限定樹脂充模溫度=25℃以及加熱速 率=3℃/min時） 62 表6-1 不同成化溫度範圍所對應的適應函數值範圍之列表 63 圖目錄 圖1-1 樹脂轉注成形法製造程序圖 64 圖1-2 製程參數最佳化流程圖（RTM模擬程式之架構） 65 圖1-3 製程參數最佳化流程圖（應用類神經網路之架構） 66 圖1-4 本研究所模擬之範例使用模具，及其進口與量測位置 67 圖2-1 神經元架構圖 68 圖2-2 倒傳遞類神經網路架構簡圖 68 圖2-3 倒傳遞類神經網路詳細架構圖（摘自MATLAB Toolbox） 69 圖2-4 轉換函數列表（摘自MATLAB Toolbox） 70 圖3-1 基因演算法的演化流程圖 71 圖3-2 基因演算法則單點交配示意圖 72 圖4-1 倒傳遞類神經網路演算過程（訓練及回想） 73 圖4-2 倒傳遞網路訓練誤差收斂圖（誤差震盪示意圖） 74 圖4-3 隱藏層處理單元個數=40、學習速率為0.0001 ，收斂到 sse誤差為2.5的誤差收斂圖 75 圖4-4 收斂到sse誤差=2.5的測試誤差分佈圖（適應函數值 之學習） 76 圖4-5 訓練誤差值sse為4.0、2.5及2.0的誤差值分佈比較圖 77 圖4-6 收斂到sse誤差=6.0的測試誤差分佈圖 （最高溫度之學習） 78 圖5-1 環氧樹脂中模具預熱溫度對充模時間的影響 79 圖5-2 不同成化溫度對位置1溫度之影響（預熱溫度：60℃ 、樹脂充模溫度：28℃、加熱速率：4℃/min） 80 圖5-3 不同預熱溫度對位置1溫度之影響（樹脂充模溫度：28℃ 、加熱速率：4℃/min、成化溫度：140℃） 81 圖5-4 不同加熱速率對位置1溫度之影響（預熱溫度：60℃ 、樹脂充模溫度：28℃、成化溫度：140℃） 82 圖5-5 基因演算法則收斂趨勢圖（橫軸為函數計算次數） 83 圖5-6 RTM製程中時間-溫度變化圖 84 圖5-7 基因演算法則收斂趨勢圖（樹脂充模溫度為25℃） 85 圖5-8 RTM製程中時間-溫度變化圖（樹脂充模溫度為25℃） 86 圖5-9 基因演算法則收斂趨勢圖（樹脂充模溫度為25℃、加熱 速率為3.0℃/min） 87 圖5-10 RTM製程中時間-溫度變化圖（樹脂充模溫度為25℃、加熱 速率為3.0℃/min） 88 圖5-11 基因演算法則收斂趨勢圖（模具欲熱溫度大於25℃） 89 圖5-12 RTM製程中時間-溫度變化圖（模具欲熱溫度大於25℃） 90