无污染的风力制能方式被广泛应用于风电产业中，促进部件风电齿轮箱的发展[1]。塑料因具备低成本、耐用、防水等优势，被广泛应用于多个领域中，但塑料易出现翘曲变形等缺陷[2]。因此，学者开展对风电塑料齿轮箱制品的工艺优化研究[3]。随着深度学习的发展，神经网络在目标识别、预测、定位等领域取得重大的成果[4]。近年来，许多学者通过神经网络对注塑成型过程的工艺参数进行优化。么大锁[5]等基于RBF神经网络和遗传算法对注塑成型质量进行控制预测。鄢天灿[6]等基于Moldflow软件，通过BP神经网络对连接器壳体注塑成型工艺进行优化分析，为类似的模具设计提供一定的理论基础。方群霞[7]等以汽车斗框注塑件为研究对象，利用PSO-BP神经网络算法对成型工艺做出优化，获得最优的成型工艺参数组合，有效地提升了制件的成型质量。李方初[8]基于BP神经网络算法对汽车玩具塑料齿轮模具成型做出优化调整，获得了最优的注射成型位置。将算法运用到制件的成型工艺中，能够有效改善制件的成型质量，获得最优的成型工艺参数。本研究提出基于神经网络的风电塑料齿轮箱优化模型，通过仿真获得较优的工艺参数集，并应用Pro/E软件模拟齿轮箱的齿轮圈注塑过程。1基于神经网络的风电塑料齿轮箱优化模型图1为风电塑料齿轮箱优化模型。在风电塑料齿轮箱优化模型中，输入样本集数据为塑料熔体温度、模具温度、注射时间、注射压力。采用由2个分支网络组成的并行神经网络，从样本集数据中学习多样化的翘曲特征和体积变化特征信息，应用卷积核尺寸为1×1的卷积操作和ReLU非线性激活函数增强不同尺寸特征信息的非线性表达能力。应用1个全连接层预测当前风电塑料齿轮箱的翘曲值和体积收缩率。10.15925/j.cnki.issn1005-3360.2021.01.001.F001图1风电塑料齿轮箱优化模型Fig.1Optimization model of wind power plastic gearbox1.1并行神经网络并行神经网络由2个分支网络组成，图2为分支网络1的网络结构。10.15925/j.cnki.issn1005-3360.2021.01.001.F002图2分支网络1Fig.2Branch network 1在分支网络1中，对于输入的齿轮箱参数样本集数据，应用卷积核尺寸为1×1的卷积操作捕获细粒度的翘曲特征和体积变化特征信息，应用ReLU非线性激活函数作非线性变换，通过ReLU函数单侧抑制特点增强特征信息的稀疏性。分别应用卷积核尺寸为3×1和5×1的卷积操作学习多维度的翘曲特征和体积变化特征，通过ReLU非线性操作对特征作非线性变换。分支网络1输出的特征具备抽象、非线性、稀疏的特性，符合翘曲值、体积收缩值的非线性变化状态。图3为分支网络2的网络结构。10.15925/j.cnki.issn1005-3360.2021.01.001.F003图3分支网络2Fig.3Branch network 2在分支网络2中，对于输入的风电齿轮箱样本集数据，应用卷积核尺寸为3×1的卷积操作和TanH非线性激活函数学习翘曲特征和体积变化特征。与ReLU非线性激活函数相比，TanH函数符合零均值分布特点，有利于提高模型的训练效率。依次应用2个卷积核尺寸为3×1的卷积操作和ReLU函数做卷积操作和非线性变换，捕获较大感受野的特征信息。分支网络2输出的特征具备更抽象、非线性、大感受野的特性，捕获到更深层次的翘曲和体积变化语义信息。1.2仿真环境在深度学习框架Pytorch、Ubuntu系统上实现风电塑料齿轮箱优化模型；采用Xavier初始化器初始化所有卷积核权重；设置偏置值为0.01；设置模型的初始学习率为0.03，每训练100代学习率降低至1/2，则100代时学习率为0.015，200代时学习率为0.007 5，300代时学习率为0.003 75。收集20 000个由塑料熔体温度、模具温度、注射时间、注射压力数据组成的样本集，依据比例5:1:4将数据随机划分至训练集、验证集和测试集中，则训练集、验证集和测试集中的样本数分别为10 000、2 000和8 000。2风电塑料齿轮箱模具优化研究2.1齿轮箱优化模型优化研究表1为不同批次样本量下模型的验证误差值。随着批次样本量的增加，模型预测的体积收缩率误差值、翘曲量误差值先减小后增加；当批次样本量为4、8、12时，模型的输入数据较少，可学习的特征较少，不能以较准确的方向逼近局部最优取值区域，因此预测的误差值较大；当批次样本量为20时，模型的输入数据较多，易学习到与预测结果无关的冗余特征信息，因此预测的误差值较大；当批次样本量为16时，风电塑料齿轮箱优化模型的验证收缩率误差值为1.92%，翘曲量误差值为1.64%，具备较优的预测效果。设置批次样本量为16，开展后续研究。10.15925/j.cnki.issn1005-3360.2021.01.001.T001表1不同批次样本量下模型的验证误差值Tab.1Validation error value of model under different batch sample size批次样本量体积收缩率误差值翘曲量误差值43.122.9383.362.85122.082.00161.921.64202.182.19%%图4为模型在训练阶段的损失值变化情况。损失值可表征模型的收敛状态，在训练阶段中，损失值首先急剧下降，此时模型的预测性能不断地被优化。当损失值趋于平缓时，模型的预测性能达到较优区间[9]。从图4可以看出，在约400代时，模型达到收敛状态。分别保存训练至400代、500代、600代、700代、800代、900代的模型，统计其在测试集上预测的体积收缩率误差值和翘曲量误差值。表2为不同训练代数下模型的测试误差值。从表2可以看出，训练至400代的模型具备较大的测试误差值，说明模型刚到达收敛状态，还有较大的性能提升空间，训练至600代、700代、800代、900代的模型同样具备较大的测试误差值，而训练至500代的模型具备最小的测试误差值，体积收缩率误差值为1.68%，翘曲量误差值为0.98%。保存训练至500代的风电塑料齿轮箱优化模型，开展后续研究。10.15925/j.cnki.issn1005-3360.2021.01.001.F004图4模型的损失值变化状态Fig.4Loss value change state of the model10.15925/j.cnki.issn1005-3360.2021.01.001.T002表2不同训练代数下模型的测试误差值Tab.2Test error values of models under different training algebras训练代数体积收缩率误差值翘曲量误差值4002.011.655001.680.986001.771.477001.721.368002.031.779001.981.49%%2.2工艺参数多目标优化研究应用基于神经网络的风电塑料齿轮箱优化模型选择较优的塑料熔体温度、模具温度、注射压力、注射时间等工艺参数[10]。与Pro/E等计算机辅助软件相比，风电塑料齿轮箱优化模型可自动预测参数工艺参数组合的性能，无须通过手工模拟方式即可获得高稳定性的工艺参数。表3为6组工艺参数下翘曲量和体积收缩率结果。10.15925/j.cnki.issn1005-3360.2021.01.001.T003表36组工艺参数样本的翘曲量和体积收缩率结果Tab.3Results of warpage and volume shrinkage of 6 sets of process parameter samples样本编号熔体温度/oC模具温度/oC注射时间/s翘曲量/mm体积收缩率/%127360.52103.870.15306.83226057.05101.220.15283.88324052.58101.110.11042.64421349.06100.040.18242.84522049.20102.890.11997.29621550.27100.020.13553.29从表3可以看出，第3组工艺参数下的翘曲量和体积收缩率最小，分别为0.110 4 mm和2.64%。说明当塑料熔体温度为240 oC，模具温度为52.58 oC，注射时间为101.11 s时，模具具备较好的稳定性。2.3齿轮箱三维模型仿真图5为应用Pro/E计算机辅助软件对风电塑料齿轮箱的三维模型仿真结果。以三维模型为基础，开展对齿轮圈的注塑仿真分析。10.15925/j.cnki.issn1005-3360.2021.01.001.F005图5齿轮箱三维模型Fig.5Three dimensional model of gearbox图6为齿轮圈的结构图。齿轮圈的厚度为10 cm，最外侧的圆孔直径为15 mm，齿轮刺间夹角为60°。10.15925/j.cnki.issn1005-3360.2021.01.001.F006图6齿轮圈Fig.6Structure diagram of gear ring图7为齿轮圈的网格划分图。其中，网格划分纵横比为1.09，网格匹配率为96.83%。10.15925/j.cnki.issn1005-3360.2021.01.001.F007图7齿轮圈的网格划分图Fig.7Meshing diagram of gear ring3注塑仿真分析图8为风电塑料齿轮箱齿轮圈的注塑位置。从图8可以看出，注塑位置c的注塑效果较好，注塑位置b的注塑效果最差，注塑位置a的注塑效果较差。研究不同注塑位置下风电塑料齿轮箱齿轮圈的注塑时长。图9为齿轮圈注塑时长结果。从图9可以看出，注塑位置a、b和c的齿轮圈注塑时长分别为101.24、101.22和101.11 s。注塑时长能有效体现注塑效率，可被用于评估批量生产任务的进度。注塑位置c的齿轮圈注塑工艺具备较高的注塑效率。10.15925/j.cnki.issn1005-3360.2021.01.001.F008图8齿轮圈注塑位置图Fig.8Injection position of gear ring10.15925/j.cnki.issn1005-3360.2021.01.001.F009图9齿轮圈注塑时长Fig.9Injection time of gear ring图10为不同注塑位置下的注塑温度分布结果。10.15925/j.cnki.issn1005-3360.2021.01.001.F010图10齿轮圈注塑温度Fig.10Injection temperature of gear ring说明3种注塑位置下的塑料熔体具备较强的流动性，可顺利填充模具，不易因局部热胀冷缩导致翘曲缺陷。根据对不同位置的注塑时间以及注塑温度分布的仿真模拟可以看出，注塑位置c相对更好。当注塑位置为c时，齿轮圈注塑时长最短为101.11 s，整体注塑温度分布较均匀。4结论（1）提出基于神经网络的风电塑料齿轮箱优化模型。对于齿轮箱参数样本集，应用由2个分支网络组成的并行神经网络学习全面、丰富的翘曲、体积收缩特征。通过分支网络1重点学习非线性、稀疏的特征信息；通过分支网络2重点学习抽象、大感受野的特征信息。应用卷积操作和ReLU函数增强特征的非线性表达能力。应用全连接层统计预测值。经仿真分析，保存训练至500代的风电塑料齿轮箱优化模型完成工艺参数多目标优化工作，选取塑料熔体温度为240 oC、模具温度为52.58 oC、注射压力为0.20 MPa、注射时间为1.01 s，此状态的翘曲量为0.110 4 mm、体积收缩率为2.64%。（2）应用聚丙烯材料、Pro/E软件模拟风电塑料齿轮箱齿轮圈的注塑工作。仿真结果表明，当注塑位置为c时，齿轮圈注塑时长最短为101.11 s，整体注塑温度分布较均匀，此时，齿轮圈不易产生翘曲、变形等缺陷，此注塑工艺可被应用于批量生产任务中。