基于机器学习的智能控制系统在模具设计与制造中的应用研究

摘 要：着重探讨了基于机器学习，特别是神经网络和遗传算法的智能控制系统在注塑模具设计与制造中的具体应用。该系统通过神经网络对注塑模具的相关数据进行深度学习，同时结合遗传算法优化神经网络的权重和偏置，旨在提高其针对注塑模具设计与制造的预测准确度和泛化能力。实验数据显示，此系统在注塑模具的设计与制造过程中响应迅速、运行稳定，且能有效降低生产成本，显著提升生产效率。总体而言，所研发的智能控制系统为注塑模具设计与制造行业的智能化升级提供了强大的技术支持，显示出明显的优势和实际应用价值，有望为注塑模具行业的创新发展注入新的动力。

关键词：机器学习；模具设计与制造；神经网络；遗传算法；智能控制系统

中图分类号：TG248

文献标识码：A

Application of intelligent control system based on machine learning in mold design and manufacturing

YUN Juanni

（Xi’an High-Tech Vocational College，Xi’an 713700， Shaanxi， China）

Abstract： This paper focuses on exploring the specific applications of intelligent control systems based on machine learning，particularly neural networks and genetic algorithms，in the design and manufacturing of injection molds. This system employs neural networks for deep learning of relevant data related to injection molds，while optimizing the weights and biases of the neural networks using genetic algorithms. The aim is to enhance the prediction accuracy and generalization ability specifically tailored to the design and manufacturing of injection molds. Experimental data demonstrates that this system responds quickly，operates stably，and can effectively reduce production costs and significantly improve production efficiency in the design and manufacturing process of injection molds. Overall，the intelligent control system developed in this paper provides strong technical support for the intelligent upgrading of the injection mold design and manufacturing industry，showing significant advantages and practical application value，and is expected to inject new momentum into the innovative development of the injection mold industry.

Key words： machine learning; mold design and manufacturing; neural networks; genetic algorithms; intelligent control system

0 引 言

模具设计与制造是现代工业生产不可或缺的一环，对于推动工业技术创新和产品升级具有举足轻重的作用。然而，随着市场竞争的不断加剧和客户需求的日趋多样化，传统的模具设计与制造方式已难以应对高效、精确和个性化的生产需求^［1］。因此，行业亟需转型升级，智能控制系统的引入正是这一转型的关键所在。智能控制系统的高效、智能和自适应性，使其逐渐渗透到模具设计与制造的各个环节中^［2］。此系统不仅提升了生产效率，降低了人工成本，更能在确保产品质量的同时，为企业提供更为灵活和定制化的生产方案^［3］。在当前工业4.0与智能制造的浪潮下，智能控制系统的应用显得尤为重要。

智能控制系统的核心在于其算法和模型的优化，而机器学习技术的快速发展为此提供了新的契机^［4］。神经网络与遗传算法的结合，可以为智能控制系统的进一步优化注入新的活力。神经网络凭借其强大的学习和泛化能力，能够在模具设计与制造中预测模具性能、优化设计方案等^［5］。而遗传算法，通过模拟自然选择和遗传学机制，以及在复杂环境中找到全局最优解，进而优化模具的结构参数和材料选择。本研究将神经网络与遗传算法相融合，构建了一种基于机器学习的智能控制系统。该系统能智能优化模具设计与制造过程中的各种参数，并根据实际需求进行自适应调整，旨在提升生产效率和产品质量。同时，本研究将深入探究此智能控制系统在实际操作中的可行性和成效，以期为模具设计与制造行业的智能化革新提供新的视角和解决方案。

本文将系统阐述此智能控制系统的具体构建、实验验证及实际应用成果。期望能为模具设计与制造行业的智能化提供有益的参考。

1 理论基础

1.1 机器学习概述

机器学习主要研究如何通过计算机程序让计算机从数据中学习并自动改进其性能。其核心在于，通过学习大量数据中的规律和模式，使计算机能够自动地做出预测或决策，而无需进行明确的编程^［6］。在模具设计与制造领域，机器学习的应用主要体现在对设计参数的优化、生产过程的智能控制以及产品质量的预测等方面^［7］。通过学习历史数据，机器学习模型能够自动找到最优的设计方案和生产工艺，提高生产效能^［8］。

1.2 神经网络的基本原理

神经网络是一种模拟人脑神经元结构的计算模型，由多个神经元（或称为节点）相互连接而成^［9］。每个神经元接收来自其他神经元的输入信号，并根据这些信号产生输出。通过调整神经元之间的连接权重，神经网络能够学习并模拟复杂的非线性关系。

在模具设计与制造中，神经网络可以被用于预测模具的性能、优化设计方案等^［10-11］。例如，通过训练一个神经网络模型来预测不同设计参数下模具的性能表现，从而找到最优的设计方案。此外，神经网络还可以用于对生产过程进行智能控制，通过实时监测生产数据并调整控制参数，以确保生产过程的稳定性。

1.3 遗传算法的基本原理

遗传算法是一种模拟生物进化过程的搜索启发式算法。它通过模拟自然选择和遗传学原理，在复杂的搜索空间中找到全局最优解。具体来说，遗传算法通过编码问题空间中的可能解为染色体（即个体），并初始化一个由多个个体组成的种群。然后，通过选择、交叉（杂交）和变异等操作，模拟生物进化过程中的自然选择和遗传变异机制，不断迭代优化种群中的个体，最终找到全局最优解。

在模具设计与制造中，遗传算法可以被用于优化模具的结构参数、材料选择等问题^［12］。例如，将模具的结构参数编码为染色体，通过遗传算法找到最优的结构参数组合，提高模具性能。

1.4 神经网络与遗传算法的结合

神经网络和遗传算法的结合为智能控制系统的优化提供了新的思路。具体来说，可以利用遗传算法来优化神经网络的权重和偏置等参数，从而提高神经网络的预测性能和泛化能力。这种方法被称为神经网络的遗传优化（GA-NN）。

在模具设计与制造中，GA-NN可以被用于预测和优化模具的性能。首先，利用神经网络建立一个预测模型，用于预测不同设计参数下模具的性能表现；然后，利用GA-NN的参数，来提高预测模型的准确性；最后，通过优化后的预测模型找到最优的设计方案和生产工艺。

2 方法论

本节将重点介绍所选用的机器学习方法、神经网络与遗传算法的结合方式，以及智能控制系统的算法和模型构建。

2.1 机器学习方法的选择

在构建智能控制系统时，首先需要选择合适的机器学习方法。鉴于模具设计与制造的复杂性，本研究选择了具有强大学习和泛化能力的神经网络作为核心算法。神经网络能够处理复杂的非线性关系，并且通过训练学习数据的特征，实现对未知数据的预测和分类。

研究采用了多层前馈神经网络（MLPNN），这是一种典型的神经网络结构，适用于处理复杂的模式识别问题。MLPNN由输入层、隐藏层和输出层组成，每一层都包含多个神经元。通过调整神经元之间的连接权重和偏置，神经网络可以学习到输入与输出之间的映射关系。在模具智能制造系统中，神经网络的应用原理如图1所示。

2.2 神经网络与遗传算法的结合应用

为了进一步优化神经网络的性能，我们引入了遗传算法（GA）。遗传算法是一种模拟生物进化过程的搜索算法，它通过选择、交叉和变异等操作，寻找问题的最优解。在神经网络的优化中，遗传算法主要用于调整网络的权重和偏置，以提高网络的预测精度和泛化能力。研究中，GA-NN的运行过程如图2所示。

设X^k_i表示第k层神经元i的输入总和，Y^k_i为输出，第k－1层神经元j到第k层神经元i的权值为W_ij，则有如下函数关系：

Y^k_i=f（X^k_i），（1）

X^k_i=∑n+1j=1W_ijY^k－1_j，（2）

通常取f为非对称Sigmoid函数：

f（x^k_i）=11+exp（－X^k_i）。（3）

设输出层为第m层，则输出层第i个神经元的实际输出为Y^m_i。设对应的模具信号为Y_i，定义误差函数

e=12∑i（Y^m_i－Y_i）²。（4）

将神经网络的权重和偏置编码为遗传算法的个体（即染色体），并初始化一个种群。然后，通过选择、交叉和变异等操作，不断更新种群中的个体，以寻找最优的权重和偏置组合。在每一次迭代中，都会评估每个个体的适应度（即神经网络的预测精度），并根据适应度选择优秀的个体进行繁殖^［13］。通过不断的迭代和优化，可以得到一组最优的权重和偏置，从而提升神经网络的性能。

本文主要采用GA优化模具制造控制系统的智能调度处理，目标函数表示为：

min T=（1－μ）∑_xiβ_iδ²_m－μ∑_xiA_is.t. ∑_xi=1，（5）

其中，x_i代表第i个优化目标的权重。GA的收敛性主要取决于交叉算子，交叉保证了GA的全局搜索能力，本文的GA采用浮点数编码，交叉算子按下式采用非一致线性交叉：

x′₁=r₁x₁+（1－r₁x₂）

x′₂=r₂x₂+（1－r₂x₁），（6）

其中，r₁∈（0，1）， r₂∈（0，1）都是随机产生的。从整个进化过程来看，交叉概率应随进化代数的增加逐渐变小，最后趋于某一稳定值。自适应调整交叉概率

P_c=12+0.8ln G+ϕ，（7）

式中，G为进化代数；ϕ为交叉概率的收敛极限。

在确定了机器学习方法和优化算法后，构建智能控制系统的算法和模型。首先，对模具设计与制造过程中的关键参数进行提取和预处理，以形成神经网络的输入数据。这些参数可能包括模具尺寸、材料性能、工艺条件等。接下来，利用历史数据对神经网络进行训练。在训练过程中，采用反向传播算法来调整网络的权重和偏置。通过不断的迭代和优化，神经网络可以逐渐学习到输入与输出之间的映射关系，并实现对未知数据的预测和分类。

在智能控制系统的算法和模型构建完成后，将其应用于模具设计与制造的实际问题中。在模具设计阶段，利用训练好的神经网络对不同的设计方案进行评估和预测，从而选择最优的设计方案；在模具制造阶段，利用智能控制系统对生产过程进行实时监控和调整。

3 实验与分析

3.1 实验环境和步骤

3.1.1 实验环境

为了验证基于机器学习的智能控制系统在模具设计与制造中的实际效果，进行了一系列实验。表1展示了实验的软硬件环境。

3.1.2 实验步骤

1） 数据收集与预处理

数据收集，针对注塑模具的设计与制造过程，收集以下相关数据：模具的尺寸参数、材料类型、设计复杂度、历史制造数据（包括制造时间、成本、质量等），以及对应的客户需求和市场趋势数据。

数据预处理，对收集到的数据进行清洗，去除异常值和重复数据。对于缺失的数据，采用均值填充或其他合适的插值方法。同时，对数据进行归一化处理，以确保所有数据都在相同的量度范围内。

2） 模型训练与优化

神经网络模型训练，使用收集到的数据训练神经网络模型，该模型旨在学习模具设计与制造过程中的复杂关系。

遗传算法优化，为提高模型的预测准确度和泛化能力，应用遗传算法对神经网络的权重和偏置进行优化。

3） 系统集成

将经过优化的神经网络模型集成到本文的智能控制系统中，确保系统可以实时、准确地为注塑模具的设计与制造提供决策支持。

4） 设定实验指标

为评估智能控制系统的性能，确定以下评估指标：响应时间、系统稳定性、生产成本和生产效率。

5） 实验执行

在真实的注塑模具设计与制造环境中运行智能控制系统，并详细记录各项实验数据，包括系统的响应时间、生产过程中的稳定性、每批次模具的生产成本和生产效率等。

6） 实验过程展示与数据分析

实验过程展示，在实验期间，持续监控并记录了智能控制系统在注塑模具设计与制造过程中的实际表现。通过实时数据和视频记录，可以清晰地展示系统如何在实际操作中发挥作用。

数据分析，对实验数据进行深入的统计分析，比较使用智能控制系统前后的性能差异。通过对比实验数据，可以明确看到系统在响应时间、稳定性、生产成本和生产效率方面的提升。

3.2 实验结果

3.2.1 响应时间测试

系统的响应时间直接关系到用户体验和系统效率。记录了从用户发出指令到系统做出反应所需的时间，并对多次测试的结果进行了平均处理。测试结果如图3所示。图中的横坐标代表负载水平，即系统数据处理量，反映了负载从轻到重的过程。纵坐标代表响应时间，其单位是秒（s）。响应时间是评价系统性能的关键指标，它反映了系统对请求或操作的反应速度。TEST 1、 TEST 2、 TEST 3代表对本文提出的智能控制系统方法进行的3次测试。

图3清晰地展示了系统的响应时间分布情况。本文提出的智能控制系统的响应时间较短。这意味着在实际应用中，系统能够快速地响应用户的操作或外部变化，从而提供流畅、高效的用户体验。

3.2.2 稳定性测试

系统的稳定性也是评价其性能的重要指标之一。为了评估系统的稳定性，在不同负载和外部干扰条件下进行了长时间的运行测试。稳定性是用于衡量系统在持续运行过程中保持其性能和服务能力的度量。这个指数越高，表示系统在不同负载水平下保持其性能和功能的能力越强，即系统越稳定。测试结果如图4所示。

图4展示了在不同负载下系统的稳定性表现。无论在高负载还是低负载情况下，系统都能保持稳定运行，且受外部干扰的影响较小。这得益于采用的神经网络和遗传算法相结合的优化方法，使得系统能够更好地适应各种复杂环境，确保稳定运行。

3.2.3 生产成本对比

为了验证本文提出的智能控制系统在降低生产成本方面的效果，对比了采用不同智能控制方案的生产成本情况。生产成本是整个生产过程中所产生的所有费用（人民币），包括但不限于原材料费用、劳动力成本、设备折旧费用、能源费用等。对比结果如图5所示。

通过对比图5中的数据，可以清晰地看到，采用本文提出的智能控制系统后，生产成本明显降低。这主要得益于系统能够精准地预测和调整生产过程中的各种参数，从而减少物料浪费、提高设备利用率，进而降低生产成本。

3.2.4 生产效率对比

最后，对比采用不同智能控制系统的生产效率情况。测试结果如图6所示。事务集涵盖了从原材料采购、生产加工到产品检验等各个生产环节。每个点代表一个特定的事务集编号，便于追踪和分析不同生产环节对成本的影响。

从图6中可以看出，采用本文的智能控制系统后，生产效率得到了显著提升，提升了15%以上。这主要归功于系统能够快速、准确地调整生产流程中的关键参数，优化生产过程，从而提高生产效率。同时，系统的稳定性和高效性也为生产效率的提升提供了有力保障。

4 结 论

本研究通过结合神经网络和遗传算法，成功构建了一种基于机器学习的智能控制系统，并将其应用于模具设计与制造领域。经过一系列实验验证，该系统在响应时间、稳定性、生产成本和生产效率等方面均表现出色。

实验结果显示，该智能控制系统的响应时间较短，能够快速地对输入做出反应，确保了实际生产中的高效运作。同时，系统展现出高稳定性，即使在复杂多变的负载和外部干扰条件下，也能保持稳定运行，这对于保障生产流程的连贯性和产品质量至关重要。

通过对比实验，发现采用该智能控制系统后，生产成本明显降低，生产效率则提升了15%以上。这一成果证明了该系统在优化生产流程、提高设备利用率、减少物料浪费等方面的有效性，为企业带来了实实在在的经济效益。

综上所述，本研究提出的基于机器学习的智能控制系统在模具设计与制造领域具有实际应用价值。它不仅在一定程度上能提高生产效率，降低生产成本，还增强了生产过程的稳定性和灵活性，满足了客户的多样化需求。

参考文献：

［1］李克杰，李金国，蒋梦琳.注塑模具随形水路零件制造技术进展［J］.模具技术，2023（3）：58-63.

LI K J， LI J G， JIANG M L. Progress in manufacturing technology of injection mold conformal waterway parts ［J］. Mold Technology， 2023（3）：58-63.

［2］陈勇，姜一炜，易文超，等.基于GA-BP神经网络的智能制造系统评价模型［J］.浙江工业大学学报，2023，51（4）：377-386.

CHEN Y， JIANG Y W， YI W C， et al. Evaluation model of intelligent manufacturing system based on GA-BP neural network ［J］. Journal of Zhejiang University of Technology， 2023，51（4）：377-386.

［3］刘亮，姚春琦，贺禹铭.基于精益数字孪生体的智能制造系统设计［J］.机械设计，2023，40（9）：59-66.

LIU L， YAO C Q， HE Y M. Intelligent Manufacturing System Design Based on Lean Digital Twin ［J］. Mechanical Design， 2023，40（9）：59-66.

［4］申鑫.基于模糊控制的数控冲床柔性制造自动化控制系统［J］.机械制造与自动化，2021，50（6）：235-238.

SHEN X. Flexible manufacturing automation control system of CNC punch based on fuzzy control ［J］. Mechanical Manufacturing and Automation， 2021，050（006）：235-238.

［5］WANG Z H，LI Y T，WU Y C. Design of intelligent manufacturing IoT sensing system for polymer process monitoring ［J］. The International Journal of Advanced Manufacturing Technology， 2023，129（7）：2933-2947.

［6］孙慧，陈永兴，资阳鹏.中等高度锥形件的拉深成型工艺及数值模拟［J］.模具技术，2023（3）：29-35.

SUN H， CHEN Y X， ZI Y P. Deep drawing process and numerical simulation of medium-height conical parts ［J］. Die Technology， 2023（3）：29-35.

［7］陈林灿，巢家乐，周雄辉.基于PCM/CAE集成的虚拟装配检测及工艺优化［J］.模具技术，2023（3）：1-8.

CHEN L C， CHAO J L， ZHOU X H. Virtual Assembly Inspection and Process Optimization Based on PCM/CAE Integration ［J］. Mould Technology， 2023（3）：1-8.

［8］吕航鹰，齐永杰.基于Moldflow的塑料套管注塑成型研究［J］.模具技术，2023（2）：40-45.

LU H Y， QI Y J. Study on Injection Molding of Plastic Casing Based on Moldflow ［J］. Mould Technology， 2023（2）：40-45.

［9］LIU C，TANG D，ZHU H，et al. A novel predictive maintenance method based on deep adversarial learning in the intelligent manufacturing system ［J］. IEEE Access， 2021，9：49557-49575.

［10］ChAI T Y，LIU Q，DING J L，et al. Perspectives on industrial-internet-driven intelligent optimized manufacturing mode for process industries ［J］. Scientia Sinica Technologica， 2022，52（1）：14-25.

［11］SHI M. Knowledge graph question and answer system for mechanical intelligent manufacturing based on deep learning ［J］. Mathematical Problems in Engineering， 2021（2）：1-8.

［12］WANG J，MOHAMED Y，HAN S H，et al. 3D ergonomics-based motion-level productivity analysis for intelligent manufacturing in industrialized construction ［J］. Canadian Journal of Civil Engineering， 2022，50（3）：197-209.

［13］YAN H，YANG J，WAN J. KnowIME： a system to construct a knowledge graph for intelligent manufacturing equipment ［J］. IEEE Access， 2020，8：41805-41813.