基于CAE的书立注塑模设计及成型工艺优化

通过对塑料书立的结构和工艺性分析,并参考Moldflow对浇口位置选择、填充和冷却分析的结果进行了模具设计;以减少塑件翘曲变形为目标,采用正交试验方法,对工艺参数进行了CAE仿真试验,在试验范围内得到了最优成型工艺参数组合。结果表明,应用CAE技术可缩短模具开发周期,提高模具设计质量。     

薄壁件注塑翘曲变形综合优化分析

以薄壁塑件为研究对象,将Moldflow模流分析工艺参数优化与ANSYS模具结构分析综合研究塑件翘曲变形,并进行工艺参数及冷却方式的优化。结果表明,保压压力是该薄壁塑件注塑时翘曲变形影响最显著的因素,模具温度对翘曲变形影响很小;通过优化可以得到最优的冷却管道布局和最优的注塑工艺参数;综合优化真实考虑到了由于模具变形而引起的塑件变形,并显著地减小了塑件翘曲变形。     

基于翘曲变形的薄壁塑件成型工艺优化

基于Moldflow软件,对PC、ABS和PC+ABS三种材料薄壁塑件——键盘后盖的翘曲变形进行了数值模拟。按照影响翘曲变形的工艺参数设计了正交模拟试验方案,并完成了翘曲变形的正交模拟试验。据正交模拟实验结果、用极差分析法分析了各工艺参数对翘曲变形的影响程度,得到了最佳工艺参数组合。为类似薄壁塑件的注射成型提供理论和方法指导。     

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Moldflow智能控制电柜手柄注射模工艺参数的优化设计

运用注塑模具分析软件Moldflow对EDS2880智能控制电柜用手柄制件在注塑成型过程中的注塑翘曲变形工艺参数进行了优化。主要通过将UG创建的CAD模型导入CAE软件、进行网格划分和缺陷修改、按设计要求在Moldflow软件中创建浇注系统和冷却系统,并对其进行注射、保压、冷却、翘曲分析等注塑仿真试验,对各个试验环节结果进行分析。通过正交试验法安排注塑仿真试验,获得各种不同参数条件下塑件的翘曲变形量,将这些翘曲变形量进行极差分析排序,获得不同工艺参数影响塑件注塑翘曲变形的程度,最后按产生翘曲变形最小的原则进行工艺参数的组合,得出优化工艺参数,满足了客户需求。     

基于遗传算法的复杂薄壁件注塑成型工艺参数优化

以某复杂薄壁件为研究对象,建立其有限元模型,运用CAE对初始工艺下的塑件翘曲变形量进行分析,得到了该塑件的最大翘曲变形量。构建复杂薄壁件翘曲变形量优化数学模型,基于BP神经网络结合遗传算法对塑件数学模型进行优化求解,求解结果表明优化后的塑件最大翘曲变形量为0.2313mm,与初始工艺方案下塑件最大翘曲变形量0.2811mm相比,降低了21.53%,提高了塑件的成型质量,得到满足装配要求的塑件。进一步采用优化后得到的最优工艺参数进行实际生产验证,获得了满意的效果,证明了BP神经网络结合遗传算法优化工艺参数技术方法的可行性与可靠性。     

基于BP神经网络的高光无流痕成型工艺优化

在对高光无流痕成型深入研究的基础上,以OPPO手机外壳为例将正交试验方法和CAE模拟相结合,以翘曲变形量为主要评价指标,研究工艺参数对高光制品翘曲变形量的影响趋势,然后利用BP神经网络建立主要工艺参数和塑件翘曲变形量之间的数学模型,并通过模型对塑件翘曲变形量进行预测,并经实验验证了该方法的可靠性.新技术和新思路的运用,在控制OPPO手机外壳翘曲变形方面产生了良好的效果,对实践生产具有一定的指导意义.     

基于BP神经网络的汽车内饰面板注塑成型工艺参数优化

以汽车内饰件中立柱上面板注塑成型为例,建立了模流CAE分析模型,运用Moldflow 2015软件对注塑成型工艺参数进行仿真,对注塑过程中的翘曲原因进行了分析;结合塑件的翘曲优化目标,提出了一种结合Tugachi正交试验法、BP神经网络、Matlab数值分析改善产品翘曲变形的注塑成型工艺参数寻优方法,基于此方法对注塑成型工艺参数进行了多次优化,并对优化结果进行了CAE模流分析验证。结果表明:神经网络预测结果与CAE模流分析结果相近,塑件最小翘曲量能降低至1.497 mm,对应的注塑成型工艺参数为:T_θ(205℃)、T_s(40℃)、P_I(60 MPa)、t_i(2.2 s)、P_(h1)(85 MPa)、t_(h1)(11.5 s)、P_(h2)(30 MPa)、t_(h2)(7 s)、t_c(20 s),将最终寻优所得参数输入注塑机,经试模验证后,产品注塑翘曲得到改善,与CAE分析预期值接近;提出的注塑参数优化设计方法能有效降低模具试模成本,缩短模具生产周期。     

基于神经网络与正交试验的塑件翘曲变形优化

针对塑件在注塑成型过程中出现的翘曲变形过大的问题,采用了人工神经网络、正交试验和数值模拟三者结合的方法改进了注塑成型的工艺参数,优化塑件的翘曲变形。首先以正交试验得到的数据作为神经网络的训练样本,建立了输入、输出分别为成型工艺参数与塑件翘曲变形量的神经网络模型,并用样本验证模型的准确度,从而提高了成型工艺参数的选择效率。其次,采用验证过的神经网络模型代替CAE模拟仿真来获得塑件的翘曲变形量,结合正交试验法,改进了注塑成型工艺参数,得到了塑件的最佳成型工艺参数组合,使塑件的最大翘曲变形量降低了61%。最后,通过对塑件的实际制造证实了优化方案的正确性。     

基于BP神经网络遗传算法的汽车塑件CAE优化分析

以汽车内饰中立柱本体注射成型为例,基于Moldflow中CAE分析基础上,对塑件注塑所需的成型工艺参数进行了仿真,并分析了塑件翘曲成因,给出了翘曲改善优化目标。结合注塑工艺规律,借助于Tugachi正交试验法、BP神经网络遗传算法、Matlab数值分析对塑件注射成型工艺参数协同进行优化,并对优化结果进行了CAE比对验证。结果表明:神经网络预测推荐的工艺参数能有效将翘曲结果控制在质量误差范围内,提出的优化设计方法能有效降低模具试模成本,改善塑件成型质量。