基于神经网络和遗传算法的薄壳件注塑成型工艺参数优化

本文建立了基于神经网络和遗传算法并结合正交试验的薄壳件注塑成型工艺参数优化系统。正交试验法用来设计神经网络的训练样本，人工神经网络有效的创建了翘曲预测模型；遗传算法完成了对影响薄壳塑件翘曲变形的工艺参数（模具温度、注射温度、注射压力、保压时间、保压压力和冷却时间等）的优化，并计算出了它们的优化值，按该参数进行试验，效果良好，可以有效地减小薄壳塑件翘曲变形，其试验数值与计算数值基本相符，说明所提出的方法是可行的。     

Moldflow在计算器外壳成型工艺优化中的应用

针对计算器外壳在企业生产过程中存在的具体问题,运用数值模拟技术、正交试验设计理论和神经网络理论优化塑件的工艺成型参数,并获得较为理想的最佳工艺参数组合。本文深入讨论了熔体温度、模具温度、注射时间、保压压力、保压时间、冷却时间六个因素对塑件整体翘曲变形和体积收缩率的影响。     

Moldflow在计算器外壳成型工艺优化中的应用

针对计算器外壳在企业生产过程中存在的具体问题,运用数值模拟技术、正交试验设计理论和神经网络理论优化塑件的工艺成型参数,并获得较为理想的最佳工艺参数组合。本文深入讨论了熔体温度、模具温度、注射时间、保压压力、保压时间、冷却时间六个因素对塑件整体翘曲变形和体积收缩率的影响。     

基于GA-ELM及遗传算法的注塑件成型工艺优化

以某电器扣盖壳体注塑成型工艺参数优化为例,对正交试验结果进行极差分析,得到各工艺参数对塑件翘曲变形量的影响程度顺序为保压时间＞模具温度＞注射时间＞熔体温度＞保压压力＞冷却时间.利用遗传算法优化后的极限学习机网络模型(GA-ELM)预测该塑件的翘曲变形量,得到训练好的GA-ELM模型可以很好反映6个工艺参数与翘曲变形量之...     

基于CAE和正交试验的工艺参数对翘曲变形的研究

利用CAE技术,选取模具温度、熔体温度、保压压力、保压时间等工艺参数作为研究对象,以塑件在不同方向的翘曲变形量为指标,利用正交试验建立L_(16)(4~5)正交试验表,优化最佳工艺参数组合,有效减少塑件的翘曲变形。通过方差分析,得出对塑件x、y、z方向翘曲变形影响最大因素分别为熔体温度、保压压力、保压压力;对塑件x、y、z方向翘曲变形影响最小因素分别为模具温度、保压时间、保压时间。     

基于正交实验的薄壁塑件翘曲变形模拟分析

以薄壁塑件为对象,研究了模具温度、熔体温度、保压时间及注射压力等工艺参数对该薄壁塑件成型翘曲的影响规律,并用正交实验法优化成型工艺方案,获得最小的翘曲塑件.结果表明,熔体温度和保压时间对塑件翘曲变形影响较为显著,模具温度对塑件翘曲基本没有显著的影响.     

壁厚塑件翘曲优化方法研究及应用

为了降低翘曲变形对壁厚塑件质量的影响,利用注塑仿真对塑件进行模拟,并结合正交试验的直观分析和方差分析方法对注塑工艺参数进行优化。结果表明,当模具温度70℃、熔体温度220℃、保压压力为注射压力的120%、冷却时间15s、保压时间30s及注射时间4s时,塑件翘曲量最小,熔体温度对塑件翘曲影响最大,模具温度对翘曲影响最小。     

基于神经网络和遗传算法的薄壳塑件注塑工艺优化

散热器外壳是电子产品散热器的主要零件之一,由于壁薄,在注塑成型中经常出现壁厚不均、翘曲变形和熔接痕等缺陷。针对该问题,以熔体温度、模具温度、冷却时间、注射压力、注射时间、保压压力和保压时间7个工艺参数为输入量,注塑件的翘曲量作为输出量,建立RBF神经网络模型;利用均匀试验所得的数据作为样本对神经网络进行训练和测试,得到注塑工艺参数与塑件翘曲变形量之间的非线性映射关系。结合遗传算法对工艺参数进行优化,获得最佳的工艺参数为:熔体温度234. 4℃、模具温度31. 5℃、冷却时间23. 8 s、注射压力128. 3 MPa、注射时间4. 7 s、保压压力93. 0 MPa、保压时间14. 1 s,获得预测的最小翘曲变形值为0. 331 875 mm,并使用优化后的工艺参数进行试验。试验结果表明,优化后产品的最大翘曲变形量降低至0. 318 9 mm,与优化前均匀试验所得的0. 378 1 mm相比,得到了明显的改善,降低了15. 7%。     

曲面薄板注塑成型翘曲数值模拟及优化

利用Moldflow的MPI/Warp分析模块对曲面薄板塑件注射成型冷却过程进行数值模拟,预测其成型后的翘曲变形.通过正交试验法对影响塑件翘曲变形的工艺参数进行优化,确定影响该塑件翘曲变形的主要因素为材料收缩性能,其次为模具温度、注射保压冷却时间和熔体温度,并给出工艺优化方案.所获得结果可以用于指导和优化实际生产工艺.     

基于DNNNSGA-Ⅱ策略的注塑结构及工艺参数多目标优化

为保证注塑制品的质量与精度要求，以检测仪外壳的翘曲变形量和体积收缩率为优化目标，采用有限元分析软件Moldflow对其进行模拟分析。选取熔体温度、模具温度、注射压力、保压压力、保压时间、冷却时间6个工艺参数及结构参数(浇口直径)作为输入量，翘曲变形量和体积收缩率作为输出量，建立深度神经网络(DNN),并且，对网络进行改进。将混合水平正交试验得到的数据作为样本，对神经网络进行训练和测试，得到输入量和输出量之间的非线性映射关系。结合非支配排序遗传算法(NSGA-Ⅱ)对浇口直径及工艺参数进行优化，优化后，塑件的翘曲变形量为0.368 4 mm,体积收缩率为6.236%,与优化前相比，分别降低了67%、39%。     

采用RFR-GA算法的薄壁注塑件质量多目标优化

汽车内饰件可由注塑加工获得,但成型过程中塑件产生的翘曲、体积收缩较大,针对该问题,以某汽车薄壁注塑件为例,研究了其注塑工艺参数的优化方法。通过以注塑过程中的最小翘曲和最小体积收缩率为目标函数,以注塑温度、模具温度、注射压力、保压压力、保压时间以及冷却时间等参数作为设计变量,构建了多目标全局优化模型。利用Moldflow软件结合正交试验获得的试验结果训练随机森林回归模型,采用遗传算法对多目标模型进行全局寻优,获得最佳成型工艺参数,即对其成型缺陷进行了优化。结果表明,所提出的优化方法能够得到全局最优解,并同时优化了该汽车薄壁注塑件的翘曲和体积收缩率。将得到的最佳成型工艺参数进行Moldflow试验,可知翘曲和体积收缩率分别优化了74.6%和42.7%。将获得的最佳注塑成型工艺参数进行生产验证,结果表明生产出的薄壁汽车件成型质量较好,满足生产要求。     

基于灰色关联分析的注塑工艺多目标优化及PSO–SVM预测模型的建立

针对某电器活动上盖翘曲变形及体积收缩问题,对相关注塑工艺参数进行正交实验设计,在Moldflow中模拟分析,并对翘曲变形量及体积收缩率进行信噪比优化处理。利用灰色关联分析法得到翘曲变形量和体积收缩率的灰色关联度,通过对灰色关联度进行极差分析得到各注塑工艺参数对塑件综合目标(翘曲变形量及体积收缩率同时较小)的影响程度为:保压时间>注塑时间>模具温度>熔体温度>保压压力>冷却时间,同时由灰色关联度极差分析结果得出最优工艺参数组合,在最优工艺参数组合下的翘曲变形量相对于正交实验水平下最小翘曲变形量降低了11.8%,体积收缩率相对于正交实验水平下最小体积收缩率降低了5.9%。最后采用粒子群优化算法(PSO)优化后的支持向量机(SVM)神经网络模型对该塑件翘曲变形量及体积收缩率进行预测,通过与不优化的SVM神经网络及BP神经网络预测模型相比发现,PSO–SVM神经网络模型预测精度及稳定性都优于SVM及BP神经网络,可以用于塑件翘曲变形量和体积收缩率的协同优化,解决塑件实际翘曲变形及体积收缩问题。     

汽车储物盒导轨的翘曲变形分析及改进

汽车储物盒导轨注塑时易发生翘曲变形,通过对导轨局部翘曲变形的原因分析,结合注塑的特点,提出了改进方案;考虑材料的分子排列聚集态及功能特性对翘曲变形的影响,选择聚甲醛（POM）材料;采用正交试验设计方法,以导轨的成型工艺参数：模具温度、注射时间、保压压力和冷却时间为实验因子,翘曲变形量为实验目标,运用Moldflow软件对试验方案进行模拟分析,得到导轨的最优成型工艺参数,注塑结果表明,导轨在x向和z向翘曲变形量均已控制在0.5 mm以内,满足生产要求。     

注塑工艺参数对聚碳酸酯车灯面罩翘曲变形的影响

采用正交实验方法,利用Moldflow软件对汽车的车灯面罩进行注塑模拟,系统地分析了注塑中熔体温度、模具温度、注射时间、保压压力和保压时间等工艺参数对聚碳酸酯（PC）车灯面罩翘曲变形的影响规律和机理,并确定了车灯面罩的最佳工艺参数值。将所确定的最佳工艺参数导入Moldflow软件进行分析,发现车灯面罩的翘曲变形量明显下降。     

基于RBF神经网络和遗传算法的注塑成型质量控制与预测

针对注塑产品容易产生翘曲和缩痕的问题,以某检测仪外壳为研究对象,运用RBF神经网络模型和遗传算法,对注塑成型质量进行控制与预测。基于正交试验方案,运用Moldflow有限元分析软件获得试验结果;利用样本数据建立试验因素与响应值之间的RBF神经网络模型,并用最优拉丁超立方抽样技术,获得样本点对模型精度进行检验;运用带精英策略的非支配排序遗传算法(NSGA-Ⅱ)对注塑成型工艺参数进行多目标优化,达到有效控制和预测翘曲变形、体积收缩率和缩痕指数的目的,并经模拟和试模验证误差较小。结果表明,运用RBF神经网络模型和遗传算法对注塑成型质量进行控制与预测,生产出检测仪外壳最大翘曲变形量为0.394 mm,外观无缩痕。     

基于神经网络和遗传算法的注射成型工艺优化

论述人工神经网络和遗传算法在塑料注射成型工艺优化中的应用,首先利用人工神经网络建立注射成型工艺参数与塑件翘曲量之间关系的数学模型,然后用遗传算法对工艺参数优化.其中由正交法设计得到实验样本,由数值模拟软件计算得到塑件翘曲量,将其作为优化目标.按优化后的工艺参数进行实验,获得较高质量的塑料制品,从而为建立和控制注射模工艺参数提供一种行之有效的途径.     

基于BP神经网络的导管接头注塑工艺参数优化

以医用介入导管接头为研究对象,基于塑料成型理论在Moldflow软件中进行导管接头模流分析,通过正交实验极差分析,确定了注塑工艺参数对导管接头缩痕指数的影响趋势,得到最佳工艺参数组合。针对实际生产中出现的缩痕缺陷,建立导管接头缩痕指数的BP神经网络参数模型,并用遗传算法进行优化,同时对结果进行仿真模拟,得到缩痕指数为0.0752%,此时的最佳注塑工艺参数为熔体温度238℃、模具温度71℃、注塑压力68 MPa、注塑时间0.61 s、保压压力27 MPa、保压时间24 s,其结果比极差分析法的优化结果(0.088%)减少了14.5%。将遗传算法优化BP神经网络后的注塑工艺参数组合应用于导管接头加工试生产,得到产品外观无明显熔接痕,表面质量良好,满足企业设计要求。     

BP神经网络与GA算法相结合的空调风叶翘曲均匀性优化

以模具温度、熔体温度、注射时间、保压时间、保压压力5个因素为设计变量,空调风叶叶片尖部Z轴坐标最大差值为目标变量,采用田口方法进行实验设计并根据实验方案进行CAE模拟,根据模拟结果采用BP神经网络构建设计变量与目标变量之间的数学关系模型,并利用GA算法对数学模型进行全局最优求解。求得最优工艺参数为：模具温度45 ℃、熔体温度205 ℃、注射时间1.8 s、保压时间6 s、保压压力50 MPa。模拟验证得到优化工艺参数下的目标变量为0.08 mm,低于各个实验设计方案,且风叶各叶片翘曲均匀性得到提高。     

注塑成型工艺参数对汽车保险杠翘曲变形的影响研究

结合Moldflow模拟分析软件和正交实验设计,通过对汽车保险杠的注射成型过程的数值模拟,系统分析了熔体温度、模具温度、注射时间、保压压力和保压时间等工艺参数对制件翘曲变形的影响规律.研究得到了最佳工艺参数组合方案,导人Moldflow软件分析后发现保险杠的翘曲变形得到明显改善;并通过实际的注塑成型实验验证了Moldflow分析结果.     

基于CAE的厚壁塑件注塑工艺参数优化

利用Moldflow软件对某厚壁塑料制件的注射成型过程进行分析,选取反映制品收缩与翘曲的多个评价指标,结合正交实验法,优化充填时间、熔体温度、保压时间、保压压力、冷却时间等工艺参数,通过均值分析与极差分析研究各因素对各评价指标的影响,并通过综合评分法得到一组最佳的工艺参数。结果表明,增加保压时间与保压压力能减小产品的收缩和翘曲,且得出的最佳工艺组合为注射时间为2.5 s,熔体温度为280 ℃,保压时间为130 s,保压压力为110 MPa,冷却时间为40 s,该工艺下产品的质量疏松度、体积收缩率、平面误差、翘曲分别降低了6.66 %、7.90 %、12.5 %、20.83 %,产品整体成型品质得到有效提高。