引言[1]

近几年来，我国的饮料行业得到了迅猛的发展，在饮料产品的包装中，采用PET(聚对苯二甲酸乙二醇酯)生产的饮料瓶，具有良好的阻隔性、卓越的物理机械性能、表面光泽度高、呈玻璃状外观，并且可以循环利用，是代替玻璃瓶最合适的塑料包装。在PET瓶的成型过程中，通常采用注-拉-吹成型工艺，其中瓶坯的设计与制造，是整个瓶子成型过程中的重要组成部分之一。

瓶坯的尺寸设计的好坏不仅关系到瓶子成型后的各项性能，而且影响到注塑生产的效率。

本文根据吹塑成型工艺的要求，在经验的基础上，限定瓶坯各参数的范围，设计8个瓶坯，通过 moldflow模拟各瓶坯的注塑成型过程，其中选取5组作为学习样本，利用 神经网络建立了瓶坯长度的预测系统，以成型过程中最小充填和保压的总时间为目标值，根据预测结果，得到最优设计方案。

1 PET吹塑工艺及瓶坯设计

1.1 PET的吹塑成型工艺

PET瓶一般采用注射成型得到的瓶坯经过调温后，再拉伸后吹塑成型的。为了满足生产工艺以及运输、储藏的需要，PET瓶还有着许多技术要求，如：垂直载压性能、跌落性能、热稳定性等。影响这些性能的因素除了PET料本身的性能、瓶子的厚度外，拉伸过程中的轴向和径向拉伸比也是很关键的因素。而瓶坯设计过程中瓶坯的长度、直径、厚度都会影响到拉伸比，同时瓶坯的形状不同，注塑的工艺参数也不相同，生产的效率也就相差很大。这就对瓶坯的结构设计提出了很高的要求。

1.2 PET瓶坯模具结构

     PET瓶坯在成型过程中，根据其自身的形状特点以及塑料本身的性能，一般采用注射成型方法。其成型部分模具结构如图2所示。

图2 PET瓶坯模具成型部分

Fig. 2 The Shaping part of the PET preform mold

1.3 PET瓶坯设计

瓶坯的设计是伴随着瓶形的改变而改变，一般瓶坯形状如图3所示。

图3 瓶坯形状及尺寸图

Fig. 3 The Shape and Dimensions of Bottle Preform

在图2中，A部分为瓶坯的螺纹部分，相关设计尺寸及设计要求各企业都有各自的标准。可以不用考虑到优化设计的范围之内。

另外瓶坯下半部分的主要尺寸参数有L，h, ΦD。其他尺寸如瓶颈圆角，瓶坯底部圆角都可以通过图2中三个尺寸来确定，本文主要针对PET瓶重已确定的情况下，PET瓶坯设计过程中体积固定不变的情况。因此L，h, ΦD这三个尺寸是相互关联的，只要确定了一个参数，其他参数具有联动的作用。这三个参数范围确定则是根据瓶形而定的，在轴向拉伸比与径向拉伸比许可的范围内，根据瓶形的高度和径向直径确定L与ΦD的范围，而h的最小值则根据不同的注塑工艺要求确定。本文采用以长度L为主要设计因子，分别取65mm，69mm，70mm，73mm，75mm，77mm，80mm，85mm。其余各尺寸分别在满足条件范围内，按照体积不变原则确定。

2 数值模拟及学习样本获取

2.1 moldflow的注塑过程模拟

本文主要分析各个不同长度的瓶坯在注塑成型过程中成型状况，采用moldflow数值模拟软件。Moldflow软件是专业从事注射成型分析的CAE软件^[2]。广泛应用于汽车、医疗、3C以及封装等所有的塑料相关行业。本文所设计的PET瓶坯，通过moldflow的精确模拟，为后续的BP神经网络提供学习样本。Moldflow分析的基本步骤如下：

1）从三维软件中导入模型，分析模型，确定塑件选用的材料，并划分网格，消除网格缺陷；

2）建立浇注系统和冷却系统。根据实际经验设定浇口位置，分析成型设计中采用的浇口与冷却系统；

3）设定注塑参数。分别设定参数，如模具温度，塑料熔体温度等参数，进行成型分析。

2.2 学习样本的获取

本文拟定采用长度为主要PET瓶坯设计因子，其他参数随动。设计出八个瓶坯，通过moldflow分析各个瓶坯在成型过程中受到的最大注塑压力。

另外我们需要设定参数如下：网格划分采用全局网格边长为2，相互匹配率达到85%以上，选择分析序列为:重填+保压,选择材料为：PET(无玻璃纤维)，模具温度为10°，熔体温度为300°，选定浇口形式为针点式浇口，选用热流道为其成型方式，冷却水管采用内外冷却。具体如图4所示。

图4 浇注系统与冷却系统

Fig. 4 The Gating System and Cooling System

通过moldflow分析得到8组学习样本，如表1所示。

表1 moldflow分析结果

Tab. 1 The Analysis Result of Moldflow

3 BP神经网络建立及优化设计

3.1 神经网络BP算法

BP算法是一种适合多层网络的学习方法，早在1974年P.Werbos就在其博士论文中提出了BP算法的雏形，直到20世纪80年代中期，美国加利福尼亚的PDP（Parallel Distributed Procession）小组将应用于神经网络的研究，最终成为了迄今为止最著名的多层网络学习算法——BP算法^[3]。在人工神经网络的实际应用中，BP算法广泛应用于函数逼近、模式识别/分类、数据压缩、形势预测等。目前国内外各类工程专家在分析问题是都常采用这种模型。BP算法的预测模型主要由学习样本决定的。理论上来讲，只要学习样本足够多，并且能够覆盖问题的整个领域，就可以建立一个较为精确实用的预测模型。其算法模型^[4]如图5所示。

具体步骤可以归纳如下：

1）对权值和阀值初始化，初始权值W_i和阀限值b_i为（0,1）上均为分布随机数，分析时常取 W_i=0，b_i=0。

2）向网络提供输入样本I_i（i=1，2，……，l）和理想的输出样本I_oi（i=1,2……，n），其中l，n分别表示输入层和输出层的节点数。

3）计算隐层节点输入H_i、输出H_o和输出层节点的输入o_r，输出o_o。

4）计算隐层节点误差δ_H、输出节点误差δ_o

5）对各层进行权值学习，是误差最小。

6）对所有样本重复以上2到5步，使系统达到最小。

3.2学习样本的规范化及预测模型建立

为了提高BP神经网络训练的精确性和快速性，需要对所得的学习样本数据进行一定的处理。本文先采用归一化处理，使其取值范围在[0.1,0.9]之间，模型输出的结果则采用反归一化处理，回到实际应用时的数据。根据学习样本以及模型要求，设定输入层节点数为25，输出层节点数为1。用matlab软件对处理好的学习样本进行训练模型，BP算法结构和训练参数设定如下：输入层采用非线性传递函数logsig，而输出层采用线性传递函数purelin。隐层层数为1，节点数为25，隐层采用非线性传递函数tansig。采用traingdx训练函数训练神经网络，学习速率为0.3，训练次数为5000次，网络性能目标为0.001。

从moldflow模拟分析结果中选出65mm，70mm，75mm，80mm，85mm这5个瓶坯样本训练神经网络，并用训练好的神经网络预测一组瓶坯长度如表2所示，得到预测结果如表2所示。

表2 神经网络预测的结果

Tab. 2 The Result of Neural Network Prediction

 为了验证本文中所训练的网络的准确性，比较L为69mm，73mm，77mm的数值模拟结果，我们发现神经网络预测结果与数值模拟结果非常接近，这就有效的说明的

该网络具有很好的逼近功能。同时从表3中，也可以得到当充填和保压总时间最小的时候，瓶坯的L为72mm，得到最优的瓶坯设计方案。

4 结  论

本文结合了数值模拟和人工神经网络BP算法，通过数值模拟，得到精确的模拟结果，并通过BP神经网络训练，得到逼近于现实模型的关系网络，通过网络预测分析，得到最优的设计参数，进而设计出最优的PET瓶坯设计方案。因此基于数值模拟和BP神经网络的瓶坯设计，可以有效的提高设计人员的工作效率，具有一定的实用性。

参考文献

[1]       刘士杰. 注拉吹技术生产PET小瓶成型工艺探讨[A], 2001年中国工程塑料加工及模具技术研讨会论文集[C]. 郑州,2001. 78~79

[2]       金杨福, 钱欣等. Moldflow insight 2010注射成型分析基础[M]. 北京: 化学工业出版社, 2010.

[3]       张德丰. Matlab神经网络仿真与应用[M]. 北京: 电子工业出版社, 2009.

[4]       印雄飞,何丹浓,彭颖红等. 基于数值模拟的拉延筋工艺效果预测系统[J]. 锻压机械 1999.(4): 21~22

作者简介：

印雄飞，男，1973,江苏泰兴，杭州娃哈哈集团有限公司，教授级高级工程师，博士，主要从事制瓶制盖类模具的研发和制造，yingxiongfei@wahaha.com.cn，0571-82891752。

印雄飞 E-mail：yinxiongfei@wahaha.com.cn                                                       

作者简介：印雄飞，男，1973,江苏泰兴，杭州娃哈哈集团有限公司，教授级高级工程师，博士，主要从事制瓶制盖类模具的研发工作     

引言[1]

近几年来，我国的饮料行业得到了迅猛的发展，在饮料产品的包装中，采用PET(聚对苯二甲酸乙二醇酯)生产的饮料瓶，具有良好的阻隔性、卓越的物理机械性能、表面光泽度高、呈玻璃状外观，并且可以循环利用，是代替玻璃瓶最合适的塑料包装。在PET瓶的成型过程中，通常采用注-拉-吹成型工艺，其中瓶坯的设计与制造，是整个瓶子成型过程中的重要组成部分之一。

瓶坯的尺寸设计的好坏不仅关系到瓶子成型后的各项性能，而且影响到注塑生产的效率。

本文根据吹塑成型工艺的要求，在经验的基础上，限定瓶坯各参数的范围，设计8个瓶坯，通过 moldflow模拟各瓶坯的注塑成型过程，其中选取5组作为学习样本，利用 神经网络建立了瓶坯长度的预测系统，以成型过程中最小充填和保压的总时间为目标值，根据预测结果，得到最优设计方案。

1 PET吹塑工艺及瓶坯设计

1.1 PET的吹塑成型工艺

PET瓶一般采用注射成型得到的瓶坯经过调温后，再拉伸后吹塑成型的。为了满足生产工艺以及运输、储藏的需要，PET瓶还有着许多技术要求，如：垂直载压性能、跌落性能、热稳定性等。影响这些性能的因素除了PET料本身的性能、瓶子的厚度外，拉伸过程中的轴向和径向拉伸比也是很关键的因素。而瓶坯设计过程中瓶坯的长度、直径、厚度都会影响到拉伸比，同时瓶坯的形状不同，注塑的工艺参数也不相同，生产的效率也就相差很大。这就对瓶坯的结构设计提出了很高的要求。

1.2 PET瓶坯模具结构

     PET瓶坯在成型过程中，根据其自身的形状特点以及塑料本身的性能，一般采用注射成型方法。其成型部分模具结构如图2所示。

图2 PET瓶坯模具成型部分

Fig. 2 The Shaping part of the PET preform mold

1.3 PET瓶坯设计

瓶坯的设计是伴随着瓶形的改变而改变，一般瓶坯形状如图3所示。

图3 瓶坯形状及尺寸图

Fig. 3 The Shape and Dimensions of Bottle Preform

在图2中，A部分为瓶坯的螺纹部分，相关设计尺寸及设计要求各企业都有各自的标准。可以不用考虑到优化设计的范围之内。

另外瓶坯下半部分的主要尺寸参数有L，h, ΦD。其他尺寸如瓶颈圆角，瓶坯底部圆角都可以通过图2中三个尺寸来确定，本文主要针对PET瓶重已确定的情况下，PET瓶坯设计过程中体积固定不变的情况。因此L，h, ΦD这三个尺寸是相互关联的，只要确定了一个参数，其他参数具有联动的作用。这三个参数范围确定则是根据瓶形而定的，在轴向拉伸比与径向拉伸比许可的范围内，根据瓶形的高度和径向直径确定L与ΦD的范围，而h的最小值则根据不同的注塑工艺要求确定。本文采用以长度L为主要设计因子，分别取65mm，69mm，70mm，73mm，75mm，77mm，80mm，85mm。其余各尺寸分别在满足条件范围内，按照体积不变原则确定。

2 数值模拟及学习样本获取

2.1 moldflow的注塑过程模拟

本文主要分析各个不同长度的瓶坯在注塑成型过程中成型状况，采用moldflow数值模拟软件。Moldflow软件是专业从事注射成型分析的CAE软件^[2]。广泛应用于汽车、医疗、3C以及封装等所有的塑料相关行业。本文所设计的PET瓶坯，通过moldflow的精确模拟，为后续的BP神经网络提供学习样本。Moldflow分析的基本步骤如下：

1）从三维软件中导入模型，分析模型，确定塑件选用的材料，并划分网格，消除网格缺陷；

2）建立浇注系统和冷却系统。根据实际经验设定浇口位置，分析成型设计中采用的浇口与冷却系统；

3）设定注塑参数。分别设定参数，如模具温度，塑料熔体温度等参数，进行成型分析。

2.2 学习样本的获取

本文拟定采用长度为主要PET瓶坯设计因子，其他参数随动。设计出八个瓶坯，通过moldflow分析各个瓶坯在成型过程中受到的最大注塑压力。

另外我们需要设定参数如下：网格划分采用全局网格边长为2，相互匹配率达到85%以上，选择分析序列为:重填+保压,选择材料为：PET(无玻璃纤维)，模具温度为10°，熔体温度为300°，选定浇口形式为针点式浇口，选用热流道为其成型方式，冷却水管采用内外冷却。具体如图4所示。

图4 浇注系统与冷却系统

Fig. 4 The Gating System and Cooling System

通过moldflow分析得到8组学习样本，如表1所示。

表1 moldflow分析结果

Tab. 1 The Analysis Result of Moldflow

3 BP神经网络建立及优化设计

3.1 神经网络BP算法

BP算法是一种适合多层网络的学习方法，早在1974年P.Werbos就在其博士论文中提出了BP算法的雏形，直到20世纪80年代中期，美国加利福尼亚的PDP（Parallel Distributed Procession）小组将应用于神经网络的研究，最终成为了迄今为止最著名的多层网络学习算法——BP算法^[3]。在人工神经网络的实际应用中，BP算法广泛应用于函数逼近、模式识别/分类、数据压缩、形势预测等。目前国内外各类工程专家在分析问题是都常采用这种模型。BP算法的预测模型主要由学习样本决定的。理论上来讲，只要学习样本足够多，并且能够覆盖问题的整个领域，就可以建立一个较为精确实用的预测模型。其算法模型^[4]如图5所示。

具体步骤可以归纳如下：

1）对权值和阀值初始化，初始权值W_i和阀限值b_i为（0,1）上均为分布随机数，分析时常取 W_i=0，b_i=0。

2）向网络提供输入样本I_i（i=1，2，……，l）和理想的输出样本I_oi（i=1,2……，n），其中l，n分别表示输入层和输出层的节点数。

3）计算隐层节点输入H_i、输出H_o和输出层节点的输入o_r，输出o_o。

4）计算隐层节点误差δ_H、输出节点误差δ_o

5）对各层进行权值学习，是误差最小。

6）对所有样本重复以上2到5步，使系统达到最小。

3.2学习样本的规范化及预测模型建立

为了提高BP神经网络训练的精确性和快速性，需要对所得的学习样本数据进行一定的处理。本文先采用归一化处理，使其取值范围在[0.1,0.9]之间，模型输出的结果则采用反归一化处理，回到实际应用时的数据。根据学习样本以及模型要求，设定输入层节点数为25，输出层节点数为1。用matlab软件对处理好的学习样本进行训练模型，BP算法结构和训练参数设定如下：输入层采用非线性传递函数logsig，而输出层采用线性传递函数purelin。隐层层数为1，节点数为25，隐层采用非线性传递函数tansig。采用traingdx训练函数训练神经网络，学习速率为0.3，训练次数为5000次，网络性能目标为0.001。

从moldflow模拟分析结果中选出65mm，70mm，75mm，80mm，85mm这5个瓶坯样本训练神经网络，并用训练好的神经网络预测一组瓶坯长度如表2所示，得到预测结果如表2所示。

表2 神经网络预测的结果

Tab. 2 The Result of Neural Network Prediction

 为了验证本文中所训练的网络的准确性，比较L为69mm，73mm，77mm的数值模拟结果，我们发现神经网络预测结果与数值模拟结果非常接近，这就有效的说明的

该网络具有很好的逼近功能。同时从表3中，也可以得到当充填和保压总时间最小的时候，瓶坯的L为72mm，得到最优的瓶坯设计方案。

4 结  论

本文结合了数值模拟和人工神经网络BP算法，通过数值模拟，得到精确的模拟结果，并通过BP神经网络训练，得到逼近于现实模型的关系网络，通过网络预测分析，得到最优的设计参数，进而设计出最优的PET瓶坯设计方案。因此基于数值模拟和BP神经网络的瓶坯设计，可以有效的提高设计人员的工作效率，具有一定的实用性。

参考文献

[1]       刘士杰. 注拉吹技术生产PET小瓶成型工艺探讨[A], 2001年中国工程塑料加工及模具技术研讨会论文集[C]. 郑州,2001. 78~79

[2]       金杨福, 钱欣等. Moldflow insight 2010注射成型分析基础[M]. 北京: 化学工业出版社, 2010.

[3]       张德丰. Matlab神经网络仿真与应用[M]. 北京: 电子工业出版社, 2009.

[4]       印雄飞,何丹浓,彭颖红等. 基于数值模拟的拉延筋工艺效果预测系统[J]. 锻压机械 1999.(4): 21~22

作者简介：

印雄飞，男，1973,江苏泰兴，杭州娃哈哈集团有限公司，教授级高级工程师，博士，主要从事制瓶制盖类模具的研发和制造，yingxiongfei@wahaha.com.cn，0571-82891752。

印雄飞 E-mail：yinxiongfei@wahaha.com.cn                                                       

作者简介：印雄飞，男，1973,江苏泰兴，杭州娃哈哈集团有限公司，教授级高级工程师，博士，主要从事制瓶制盖类模具的研发工作