一种模具冷却水道结构参数优化方法

1.本发明涉及注塑工艺领域，尤其涉及一种模具冷却水道结构参数优化方法。


背景技术：

2.近年来，塑料制品的产量逐年增加，注塑成型制品也已经在家用电器、汽车制造、电子产业等行业被广泛应用，从而有力地推动了注塑机和模具制造业的发展随着生活水平的提高，人们不仅对塑料产品的性能有要求，还对其产品的美观性有一定的要求，塑料制品的多样化、复杂化，导致难以设计出最合理的模具结构，以降低成本、节省时间、提高产品质量和合格率。因此，如何实现快速高效获得质量更佳的产品是目前行业发展所遇到的瓶颈。在实际的注塑生产过程中，注塑模具的设计主要根据机械工程有关人员的有限的工作经验和简单的公式进行结构参数设置，并且初步设计出的注塑模具还需要不断的进行试模与修模，直到符合注塑生产要求，然而这种注塑模具设计方法的经济成本高、效率低，对于注塑工艺参数的设定也是通过类似的方法进行的。因此，如何高效、低成本地设计模具结构和工艺参数是目前需要解决的问题。
3.在注塑模具设计的过程中有一些因素需要考虑，比如：注塑产品的形状、模具型腔数目、浇注系统、热交换系统等。然而，根据上述因素要设计出一个最合适的注塑模具结构是比较困难的，在实际的注塑过程中，注塑产品的质量在很大程度上受到生产周期的冷却阶段影响，并且冷却时间占整个生产周期的70％以上。因此，优化注塑模具冷却水道的结构参数对于提高注塑制品质量和生产效率具有很大影响。
4.相关行业中，一般是采用cae软件分析的优化结果对模具参数进行优化，而注塑模具设置冷却水道的作用是快速给制品降温并且保证在模具型腔附近的温度分布较为均匀，可以有效防止因受热不均导致制品存在内应力，从而产生翘曲变形等缺陷。相关学者对于如何提高模具的冷却性能进行了一定的研究，其方法大多考虑了冷却水道的直径、数量、形状等因素，但都只是进行少量方案的对比实验或者基于正交实验，然后从中选择效果较好的一种方案。这种方法研究不够系统，考虑不够全面，并不能获取最优解。


技术实现要素：

5.本发明旨在解决现有技术中的模具参数优化过程所考虑的影响因素不够全面的问题。
6.为解决以上问题，本发明提供一种模具冷却水道结构参数优化方法，包括以下步骤：
7.确定影响模具的质量的关键因素，构建关于所述关键因素的评价指标；
8.对所述模具进行仿真建模，得到冷却水道结构参数；
9.根据社交网络搜索算法和支持向量机建立所述关键因素与所述冷却水道结构参数的优化模型，并对所述优化模型进行求解，得到优化结果，并根据所述优化结果对所述冷却水道结构参数进行优化。
10.更进一步地，所述关键因素为模具温差，所述评价指标满足以下关系式(1)：
11.δt＝t
max-t
min
ꢀꢀꢀ
(1)；
12.其中，δt表示注塑模壁温差指标，t
max
表示注塑模壁最高温度，t
min
表示注塑模壁最低温度，各项指标的单位均为℃。
13.更进一步地，对所述模具进行仿真建模，得到冷却水道结构参数的步骤中，仿真建模满足连续性方程、动量方程和能量方程，所述连续性方程满足以下关系式(2)：
[0014][0015]
其中，ρ表示密度，v
x
、vy、vz分别表示直角坐标系中x、y、z方向的速度分量；
[0016]
所述动量方程满足以下关系式(3)：
[0017][0018][0019][0020]
其中，ρ表示熔体密度，τ表示熔体偏应力，p表示注射压力，gi表示重力加速度；
[0021]
所述能量方程满足以下关系式(4)：
[0022][0023]
其中，cv表示定比热容，qi表示热通量，τ
ij
表示剪切应力，p表示正应力，表示对流项，表示热传导项，表示压缩作用产生的内能，表示应力所做的功，表示剪切热。
[0024]
更进一步地，根据社交网络搜索算法和支持向量机建立所述关键因素与所述冷却水道结构参数的优化模型，并对所述优化模型进行求解，得到优化结果，并根据所述优化结果对所述冷却水道结构参数进行优化的步骤，包括以下子步骤：
[0025]
获取所述冷却水道结构参数，并通过正交实验获取仿真参数集；
[0026]
选取所述支持向量机使用的核函数；
[0027]
运用所述社交网络搜索算法优化所述支持向量机的超参数；
[0028]
输出所述超参数；
[0029]
将所述超参数赋值给所述支持向量机，并随机的将正交实验所获得的所述仿真参数集分为训练数据组和测试数据组，分别用于改进所述支持向量机的训练过程与测试过程，并保存训练完成的所述支持向量机；
[0030]
将所述预设冷水道结构参数根据预设组别划分为多个组别，并将不同组别的所述冷却水道结构参数输入至训练好的所述支持向量机模型中，输出相应的模具温差，并进一步构建所述预设模具冷水道结构参数和所述模具温差之间的参数温差函数关系；
[0031]
调用所述社交网络搜索算法，并根据所述参数温差函数关系获得最优的所述模具冷水道结构参数。
[0032]
更进一步地，获取所述冷却水道结构参数，并通过正交实验获取仿真参数集的步骤中，将所述冷却水道结构参数分为水道直径、模壁距离、水道距离三种变量，并通过所述正交实验根据三种变量获取所述仿真数据集。
[0033]
更进一步地，所述支持向量机使用径向基核函数，所述满足以下关系式(5)：
[0034][0035]
所述支持向量机对应决策函数满足以下关系式(6)：
[0036][0037]
其中，f(x)为回归函数返回的预测值；b表示偏置项，取常数；c为惩罚因子；x
i,j
表示输入量；ai表示拉格朗日乘子；g为核参数；i,j＝1,2,
…
,m；
[0038]
需要优化的所述超参数包括所述惩罚因子c和所述核参数g。
[0039]
更进一步地，运用所述社交网络搜索算法优化所述支持向量机的超参数的步骤，具体为：
[0040]
将所述支持向量机的训练误差作为所述社交网络搜索算法的适应度函数；
[0041]
随机选择所述社交网络搜索算法四种更新模式进行迭代计算，所述更新模式包括：模仿模式、对话模式、争论模式和创新模式；
[0042]
输出优化后的所述超参数。
[0043]
本发明所达到的有益效果，由于采用了以模具温差为评价指标，使用模流仿真通过仿真软件基本准确的获得基本数据，然后通过正交实验对相对准确的数据点进行采集和保留，从而减少模流仿真的次数的同时也得到了相对准确的数据，同时结合支持向量机和社交网络搜索算法实现了快速、准确的获取冷却水道最优结构参数的组合，以最优的参数最大程度避免因模具结构而影响制品的质量及企业的生产效率，避免了非最优解和人工经验所造成的误差，提高了所得到的最优化参数的可靠性和准确性，从而实现了模具冷却水道结构参数的优化。
[0044]
附图
[0045]
图1是本发明实施例提供的模具冷却水道结构参数优化方法的步骤流程图；
[0046]
图2是本发明实施例提供的结合社交网络搜索算法和支持向量机实现模具冷却水
道结构参数的总体流程图；
[0047]
图3是本发明实施例提供的支持向量回归的示意图；
[0048]
图4是本发明实施例提供的社交网络搜索算法的流程示意图；
[0049]
图5是本发明实施例提供的抽纸盒上盖制品的三维图；
[0050]
图6是本发明实施例提供的流动阻力指示器示意图；
[0051]
图7是本发明实施例提供的流道示意图；
[0052]
图8是本发明实施例提供的连通性示意图；
[0053]
图9是本发明实施例提供的冷却水道示意图；
[0054]
图10是本发明实施例提供的模流仿真结果和实际实验结果对比示意图；
[0055]
图11是本发明实施例提供的正交实验所使用的参数示意图；
[0056]
图12是本发明实施例提供的模流仿真示意图。
具体实施方式
[0057]
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
[0058]
请参照图1，图1是本发明实施例提供的模具冷却水道结构参数优化方法的步骤流程图，包括以下步骤：
[0059]
s1、确定影响模具的质量的关键因素，构建关于所述关键因素的评价指标。
[0060]
在注塑成型过程中，模具的冷却系统不仅影响着制品的质量，也能够影响制品的冷却时间，又因为冷却时间约占整个注塑成型周期的70％，从而容易影响企业的生产效率，比如：注塑模具温度分布不均会导致注塑制品存在内应力，由于这个原因会使注塑制品产生的翘曲，从而会影响制品的合格率，另外也会增加制品在冷却阶段的时间，从而增加了注塑成型周期时间，会额外增加注塑成本。从以上分析可以得出：主要是由注塑模具温度分布不均而导致的缺陷和效率低。
[0061]
更进一步地，所述关键因素为模具温差，所述评价指标满足以下关系式(1)：
[0062]
δt＝t
max-t
min
ꢀꢀꢀ
(1)；
[0063]
其中，δt表示注塑模壁温差指标，t
max
表示注塑模壁最高温度，t
min
表示注塑模壁最低温度，各项指标的单位均为℃。
[0064]
模具温差越小，说明注塑模具温度分布相对更均匀，有利于提高注塑质量和生产效率。
[0065]
s2、对所述模具进行仿真建模，得到冷却水道结构参数。
[0066]
模流仿真是指运用数据模拟软件，通过计算机导入一些参数和在仿真软件中设置一些参数完成注塑成型的模拟仿真，模拟模具注塑的过程，得出一些数据结果，通过这些结果对模具的方案可行性进行评估，完善模具设计方案及产品设计方案的一种方法。注塑实际生产过程中数据较难获取，使用建模仿真软件可以以低成本快速得到一些注塑过程的数据，再使用实际数据对其进行验证，从而为下一阶段建立的智能优化模型提供一些数据支持和参考。
[0067]
注塑成型的过程比较复杂，主要流程为：先将塑料颗粒熔化，然后填充塑料熔体，
再对模具进行保压，最后冷却制品。要对此工艺过程进行详细的描述与分析，必须结合相关的注塑成型机理，如：连续性方程、动量方程、能量方程。
[0068]
更进一步地，对所述模具进行仿真建模，得到冷却水道结构参数的步骤中，仿真建模满足连续性方程、动量方程和能量方程，所述连续性方程满足以下关系式(2)：
[0069][0070]
其中，ρ表示密度，v
x
、vy、vz分别表示直角坐标系中x、y、z方向的速度分量；
[0071]
假定流体不可压缩，则使得从而可将以上关系式(2)简化为：
[0072][0073]
所述动量方程满足以下关系式(3)：
[0074][0075][0076][0077]
其中，ρ表示熔体密度，τ表示熔体偏应力，p表示注射压力，gi表示重力加速度；
[0078]
在塑料注塑成型机的工作过程中，塑料颗粒在料筒里同时被电热圈加热和螺杆的挤压、剪切，从而使塑料颗粒在注塑的时候处于熔融状态，最后在注塑模具里冷却，形成最终的制品，这一注塑工艺过程遵循能量守恒，所述能量方程满足以下关系式(4)：
[0079][0080]
其中，cv表示定比热容，qi表示热通量，τ
ij
表示剪切应力，p表示正应力，表示对流项，表示热传导项，表示压缩作用产生的内能，表示应力所做的功，表示剪切热。
[0081]
s3、根据社交网络搜索算法和支持向量机建立所述关键因素与所述冷却水道结构参数的优化模型，并对所述优化模型进行求解，得到优化结果，并根据所述优化结果对所述冷却水道结构参数进行优化。
[0082]
社交网络搜索算法是模拟人在社交中四个模式行为而产生的一种迭代优化算法，本发明实施例通过构建基于社交网络搜索算法改进的支持向量机模型，建立模具温度与模具冷水道结构参数之间的回归关系，使得模具温差和冷水道结构参数之间的非线性关系得到一个确切的模型描述，最后再次调用社交网络搜索算法对模具冷却水道结构参数进行优化。
[0083]
所述支持向量回归的主要思路是寻找一个合适的决策分界面使得所有训练样本数据都能尽量的逼近这个决策分界面，同时使得模型输出f(x)和真实标签y之间的损失最小，但是一般支持向量回归容许f(x)和y之间最多有ε的误差，仅当f(x)和y之间差的绝对值大于ε时才计算损失，示例性的，请参照图2，图2是本发明实施例提供的结合社交网络搜索算法和支持向量机实现模具冷却水道结构参数的总体流程图，图3是本发明实施例提供的支持向量回归的示意图。
[0084]
图3中，假设输入样本为x，输出值为y，则训练数据样本集合可以表示为(xi+yi)其中xi∈rn,∈r，r是实数集合，i＝1,2,3,
…
,l。该模型输出的数学表达式如下所示：
[0085][0086]
式中：w表示权值；b表示偏置项，取常数；表示低维到高维空间的一个非线性映射。
[0087]
于是支持向量回归问题可描述为：
[0088][0089]
式中：f(xi)为回归函数返回的预测值；c为惩罚系数；yi为对应的真实值；
[0090]
l
ε
为：
[0091][0092]
引入松弛因子ξ和则支持向量回归模型就重写成：
[0093][0094]
st.wxi+b-yi≤ε+ξi,
[0095][0096]
式中：c表示惩罚因子；表示松弛因子；ε表示损失函数。
[0097]
因为计算的复杂性，一般情况不能直接进行求解，所以引入了largrange，转化为如下问题
[0098][0099]
式中：i,j＝1,2,
…
,m；x
i,j
表示输入量；yi表示输出量；ai、bi表示拉格朗日乘子。
[0100]
惩罚因子决定了对离群点的重视程度，即控制预测模型的复杂度和预测精度。损失函数主要是规定了预测模型的误差要求，其值越小说明预测的误差也小。
[0101]
更进一步地，根据社交网络搜索算法和支持向量机建立所述关键因素与所述冷却水道结构参数的优化模型，并对所述优化模型进行求解，得到优化结果，并根据所述优化结果对所述冷却水道结构参数进行优化的步骤，包括以下子步骤：
[0102]
s31、获取所述冷却水道结构参数，并通过正交实验获取仿真参数集。
[0103]
更进一步地，获取所述冷却水道结构参数，并通过正交实验获取仿真参数集的步骤中，将所述冷却水道结构参数分为水道直径、模壁距离、水道距离三种变量，并通过所述正交实验根据三种变量获取所述仿真数据集。
[0104]
s32、选取所述支持向量机使用的核函数。
[0105]
更进一步地，所述支持向量机使用径向基核函数，所述满足以下关系式(5)：
[0106][0107]
所述支持向量机对应决策函数满足以下关系式(6)：
[0108][0109]
其中，f(x)为回归函数返回的预测值；b表示偏置项，取常数；c为惩罚因子；x
i,j
表示输入量；ai表示拉格朗日乘子；g为核参数；i,j＝1,2,
…
,m；
[0110]
需要优化的所述超参数包括所述惩罚因子c和所述核参数g。
[0111]
s33、运用所述社交网络搜索算法优化所述支持向量机的超参数。
[0112]
更进一步地，运用所述社交网络搜索算法优化所述支持向量机的超参数的步骤，具体为：
[0113]
将所述支持向量机的训练误差作为所述社交网络搜索算法的适应度函数；
[0114]
随机选择所述社交网络搜索算法四种更新模式进行迭代计算，所述更新模式包括：模仿模式、对话模式、争论模式和创新模式；
[0115]
输出优化后的所述超参数。
[0116]
具体的，社交网络搜索算法是通过模拟网络上人类的模仿、对话、争论和反省创新四个情绪来进行用户群体观点的更新以达到群体观点的一种优化算法，下面对社交网络搜索的四种不同的模式进行说明：
[0117]
模仿模式是指其他用户的观点对另外的用户具有吸引力，通常用户在表达其意见时试图相互模仿如下：
[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个用户观点的随机选择的向量，xi是第i个用户的观点向量，rand(-1,1)和rand(0,1)分别表示的是两个随机向量[-1,1]和[0,1]。在这种情况下，新的解决方案将根据模仿空间生成，这个空间是使用冲击和流行的半径创建的；冲击半径r反映了用户的影响，其大小为r，r的值表示用户的流行半径，这是基于不同的用户i和j差异的计算出来的。
[0122]
此外，冲击半径的最终影响是通过将其值乘以[-1,1]区间内的一个随机向量来反映的，其中如果随机向量的分量是正的，则共享视图将与第j个用户的观点一致。最后用随机选择出来的需模仿的用户xj加上从网络上其他用户模仿得到的的信息，从而对用户观点进行更新。
[0123]
对话模式是指在社交网络中，用户可以相互交流，并从用户关于不同问题的对话中获益，对话模式基于下列规则的：
[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)是区间[0,1]中的一个随机向量，xj和xk是两个随机选择的的向量，fi和fj分别是xi和xj的目标函数，是一种情绪模型，表示用户相互学习并增加他们的事件信息的状态，在对话中，用户通过其他观点找到一个特定问题的观点，最后，由于意见的差异，用户对正在讨论的问题提出一个新的观点。xk表示了对该问题的观点向量，观点向量是随机选择的；r是聊天的效果，基于意见的差异，代表用户对这个问题的观念上的变化；d是用户的观点之间的差异。此外，sign(f
i-fj)代表通过比较fi和fj来确定xk的移动方向；用户对问题(xk)的观点会随着与第j个用户的对话而发生变化，被改变的观点被认为是一种与另一名用户分享的新观点；第i个用户对本来问题的理解xk加上与第j个用户聊天的效果r将重新定义其对xk的理解，从而形成对该问题新的观点x
inew
。
[0128]
争论模式想象了一种状态，用户向其他用户解释事件的看法，并捍卫自己的观点。在这种情况下，用户可以从其他人身上看到不同的观点并可能受到所表达的原因的影响，在争论中产生新的影响观点规则如下：
[0129]
x
inew
＝xi+rand(0,1)(m-af
×
xi)
[0130][0131]
af＝1+round(rand)；
[0132]
其中，rand(0,1)是区间[0,1]中的一个随机向量，nr是1和n
user
之间的一个随机整数，nr决定了参与争论的用户数量，参与者是随机选择的，af是录取因素，表示用户在与他人讨论时坚持自己的意见的程度，是一个随机整数，可以是1或2，round是一个将其输入四舍五入到最接近的整数的函数。
[0133]
反省模式是指用户在网络上分享的主题会来自于新体验和想法。在这种情况下，通过改变一个随机选择的xi变量来开发新观点的表达如下：
[0134][0135][0136][0137]
t＝rand2；
[0138]
其中d是在区间[1,d]中随机选择的第d个变量，d是问题变量的数量，rand1和rand2是区间[0,1]中的两个随机数；ubd和lbd是第d个变量的最大值和最小值。表示关于所选维度的新观点。是关于另一个随机选择的第j个用户和提出的第d维变量的当前观点，该用户因为新观点而想要改变它而产生的一种状态，在这种状态下，一个人会思考一个特定的问题，也许会以一种新颖的方式来看待这个问题，并且能够更准确地理解这个问题的本质，或者可以找到一个完全不同的观点。一个特定的主题可能有不同的特征，并且每个特征都会影响对问题的理解。因此，通过改变关于其中一个主题的概念主题的概念一般将会改变，并将实现一个新的观点。是从第d个维度对正在考虑的问题所产生的新见解，并将当前观点所取代。
[0139]
请参照图4所示的社交网络搜索算法的流程示意图，在本发明实施例中，所述社交网络搜索算法流程主要分为三部分，初始化、增加用户更新观点和最后的迭代终止三部分：
[0140]
初始化部分，是对最大迭代次数、最大最小值和最初群体数量进行设定，同时定义适应度函数，并在开始时计算每一个用户观点的适应度；
[0141]
增加用户更新观点部分，首先增加用户数量和迭代次数后对四种模式进行随机选择，在每种模式更新规则和带惩罚项的适应度函数的控制下对每个用户的观点进行更新，在更新观点之后，计算该用户新观点的适应度值判断是否优于该用户旧观点的适应度值，若优于则使用新观点替代之，反之则仍然使用旧观点；
[0142]
迭代终止部分，在确定是否采用新观点后，判断是否满足迭代终止条件，若满足则退出算法从而得到最优化的结果；反之，则返回增加用户更新观点部分再次进行算法的迭代直至达到迭代终止条件，获得最优值为止。
[0143]
s34、输出所述超参数。
[0144]
s35、将所述超参数赋值给所述支持向量机，并随机的将正交实验所获得的所述仿真参数集分为训练数据组和测试数据组，分别用于改进所述支持向量机的训练过程与测试过程，并保存训练完成的所述支持向量机。
[0145]
s36、将所述预设冷水道结构参数根据预设组别划分为多个组别，并将不同组别的所述冷却水道结构参数输入至训练好的所述支持向量机模型中，输出相应的模具温差，并进一步构建所述预设模具冷水道结构参数和所述模具温差之间的参数温差函数关系。
[0146]
s37、调用所述社交网络搜索算法，并根据所述参数温差函数关系获得最优的所述模具冷水道结构参数。
[0147]
示例性的，本发明实施例提供一种实际建模的实施例，本发明实施例以抽纸盒上盖模型为研究对象，抽纸盒上盖由pp材料注塑成型，整体尺寸100mm
×
50mm
×
15mm，由于抽
纸盒上盖的厚度均为3mm，属于薄壁制品。根据实际的注塑成型过程，一般会考虑到经济成本和制作效率这两个因素，因此将此注塑产品的模具设计为一模四腔，本发明实施例所采用的抽纸盒上盖制品的三维图如图5所示。
[0148]
随后进行模流分析，将模型导入modeflow仿真软件进行网格划分，划分完成后，进行最佳浇口位置的确定，在浇口位置分析中主要考虑的因素：1、浇口位置产生的痕迹是否影响美观；2、流动阻力。浇口位置的确定主要参考流动阻力指示器，最后得到浇口匹配性结果，如图6所示，图的中心部分表示比较适合布置浇口，相反边角部分表示不适合布置浇口。依据流动阻力指示器及浇口匹配性，在中制品用椭圆画的范围为比较适合布置浇口的位置，但考虑到实际情况，此区域布置浇口会影响制品的美观性和不利于浇口的清除，所以，需要将浇口位置布置在制品的侧面，综合得出图中箭头所指的位置比较合适。
[0149]
流道主要是建立冷浇口、冷流道、冷主流道的三维模型，并且划分网格。如图7所示建立的流道。建完流道后，还需检验流道制品之间的连通性，防止不连通，如图8所示，连通性良好。
[0150]
如图9所示，在注塑产品的上下两侧均匀的布置冷却水道，此冷却水道在同侧有两个进水口和出水口，方便操作。对其冷却性进行分析，根据实际注塑经验，回路冷却液温度差小于3℃较为合适，在对回路冷却液温差分析过程中，得出温差值为1.26℃，即冷却液可以起到很好的冷却效果，也即该数值模型基本符合实际工况要求。为了验证与实际情况的一致性，这里将模流仿真结果和实际实验结果进行对比，结果如下图10所示，其最大误差值为8％，说明建立的模流仿真模型可以为优化算法的提供可靠的数据支撑。
[0151]
示例性的，本发明实施例提供一种正交实验的实施例，如图11所示，用a表示水道直径/mm、b表示模壁距离/mm、c表示水道距离/mm这3个因素为变量，每个因素各取7个水平。如表1所示正交试验的因素水平，其中，水道直径为8、9、10、11、12、13、14mm；模壁距离为10、15、20、25、30、35、40mm；水道距离30、35、40、45、50、55、60mm。
[0152][0153]
表1正交试验因素及水平
[0154]
根据不同注塑工艺参数条件下的模流仿真结果，得出l
49
(73)实验数据如表2所示。
[0155]
[0156]
[0157][0158]
表2正交实验样本数据表
[0159]
对于以上正交实验样本数据，本发明实施例使用极差分析进行结构参数优化。如表3所示，计算出模具冷却道各模具结构变量在相应的水平下对模具温差的均值，然后计算同一模具结构变量下的极差值。从表中可知，各结构参数对模具温差的影响由大到小的顺序为：模壁距离》水道距离》水道直径。
[0160][0161][0162]
表3极差分析实验结果
[0163]
通过极差分析优化后的模具冷却道结构参数组合为：水道直径13mm、模壁距离15mm、水道距离35mm，最后使用优化后的模具结构参数进行模流仿真，如图12所示，求得模具温差为10.11℃。
[0164]
综合以上数据，本发明实施例对比了未优化、极差分析、elm建模和使用本发明实施例使用的社交网络搜索算法结合支持向量机模型优化的结果，如下表4所示，基于极差分析对于未优化方案的模具温差相对降低10.85％，基于elm建模优化对比于未优化方案的模具温差相对降低13.67％；基社交网络搜索算法结合支持向量机模型建模优化对比于未优化方案的模具温差相对降低14.78％。由此可以看出，基于本发明实施例提供的所述模具冷却水道结构参数优化方法可以较为明显降低模具温差，也是效果最好的，即本发明实施例可以在一定程度上改善模具的温度分布，进而减少抽纸盒上盖塑件在成型过程中的收缩不均的现象，提高制品的质量和良品率。
[0165]
本发明所达到的有益效果，由于采用了以模具温差为评价指标，使用模流仿真通过仿真软件基本准确的获得基本数据，然后通过正交实验对相对准确的数据点进行采集和保留，从而减少模流仿真的次数的同时也得到了相对准确的数据，同时结合支持向量机和社交网络搜索算法实现了快速、准确的获取冷却水道最优结构参数的组合，以最优的参数最大程度避免因模具结构而影响制品的质量及企业的生产效率，避免了非最优解和人工经验所造成的误差，提高了所得到的最优化参数的可靠性和准确性，从而实现了模具冷却水道结构参数的优化。
[0166]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存取存储器(random access memory，简称ram)等。例如，在一种可能的实施方式中，所述计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例提供的基于电力需求的5g网络基站rb资源的调度方法中的各个过程及步骤，且能实现相同的技术效果，为避免重复，这里不再赘述。
[0167]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
[0168]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如rom/ram、磁碟、光盘)中，包括若干指令用以使得一台终端(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
[0169]
上面结合附图对本发明的实施例进行了描述，所揭露的仅为本发明较佳实施例而已，但是本发明并不局限于上述的具体实施方式，上述的具体实施方式仅仅是示意性的，而
不是限制性的，本领域的普通技术人员在本发明的启示下，在不脱离本发明宗旨和权利要求所保护的范围情况下，还可做出很多形式用等同变化，均属于本发明的保护之内。