基于BP网络的注塑件翘曲变形工艺参数优化研究

利用BP神经网络对注塑工艺参数及其相对应的翘曲变形量样本进行训练，得到了描述工艺参数到翘曲量映射关系的人工神经网络（ANN）模型；验证了此模型的准确性；得出了工艺参数与注塑件翘曲变形量的内在联系，为以后的参数优化以及翘曲量预测起到重要的指导作用。     

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。     

基于BP神经网络的注塑成型翘曲分析及工艺优化

首先通过成型窗口得到基本的成型工艺参数,经正交优化,设计出合理的工艺参数组合。其次通过moldflow软件,研究了不同工艺参数组合对电连接器孔盖板翘曲变形量的影响,经极差分析,确定了各工艺参数对翘曲变形量影响的敏感性。然后根据优化所得的最佳工艺参数制得合格的注塑件。最后基于设计和训练的BP神经网络模型,对翘曲变形量进行预测,并与仿真结果进行比较,具有良好的一致性。     

基于BP神经网络的双色塑件翘曲变形量预测

以某遥控器前壳双色塑件注塑成型为例,以该塑件在注塑成型过程中的翘曲变形量为研究目标,提出了一种结合AMI数值模拟、正交试验和BP神经网络的双色塑件翘曲变形量快速、准确的预测方法。首先建立了基于AMI数值模拟的CAE模流分析模型,并对注塑成型工艺参数及翘曲变形量进行数值模拟分析;之后结合正交试验设计法使AMI软件数值模拟结果在指定的工艺参数范围内实现了离散分布;最后以正交试验数据为基础建立BP神经网络预测模型,通过Matlab训练网络使其满足误差精度要求,从而达到准确预测新工艺参数下翘曲变形量的目的。结果表明:训练出的BP神经网络模型具有很高的预测精度,能够满足对该双色塑件翘曲变形量准确、快速的预测要求。     

基于BP人工神经网络的异形透盖注塑件翘曲变形分析

首先采用CAE软件Moldflow MPI 6.0和正交试验,对异形透盖塑件在不同注射成型工艺参数下的翘曲变形量进行了模拟,然后利用BP人工神经网络建立了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了预测,结果表明,所建立的模型具有较高的预测精度。     

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Moldflow和BP神经网络的网络通信中继器注塑模具工艺优化

以某型号网络通信中继器为实例,分析了其外形结构及尺寸,选择了合适的材料及注塑工艺参数,基于Moldflow软件对塑件的最大翘曲变形量进行了分析。基于正交试验法,以最大翘曲变形量为指标对注塑工艺参数进行优化,分析结果表明:模具表面温度和熔体温度对塑件的最大翘曲变形影响显著,并且优化后的工艺参数使塑件的最大翘曲变形量降低了14.13%。基于BP神经网络,采用MATLAB软件对塑件的最大翘曲变形量进行了预测,结果表明:所建立的神经网络具有较高的预测精度,能够应用于注塑成型过程中的塑件最大翘曲变形量预测,以提高模具设计和生产的效率。     

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 神经网络的塑料齿轮玩具注射成型优化分析

以某塑料拼插齿轮玩具为研究对象,采用自然平衡法设计1模144腔注塑模具。对有限元模型进行合理简化,并采用Moldflow软件进行塑料齿轮注射成型过程中的流动和翘曲分析。针对初始方案中出现的熔接痕和翘曲等缺陷,建立齿轮玩具BP 人工神经网络模型,通过BP神经网络算法训练各工艺参数,并对体积收缩率和总翘曲量进行预测。将训练后较优的工艺参数组合应用于注射成型后,使得该塑料齿轮熔接痕分布改变,翘曲变形量明显降低。     

基于神经网络技术的注塑成型注射压力和熔体温度预测

建立了基于径向基函数网络的注塑成型注射压力和熔体温度的预测模型，与BP神经网络模型和CAE结果进行了对比。结果表明，径向基函数网络在精度、训练速度等方面优于BP网络。     

BP神经网络在注射成型工艺参数优化中的作用

本文研究的是注射工艺参数对塑件翘曲变形的影响。通过CAE模拟计算,以工艺参数为输入参数,以翘曲量为输出参数,构建BP神经网络模型。以CAE分析结果作为训练样本和检测样本,分析BP神经网络在工艺参数优化方面的作用。     

车用CD托架CAE注塑工艺参数优化分析

以汽车CD托架注塑成型为例,结合生产实际问题,构建了产品CAE分析模型,运用Moldfl ow2015软件对产品材料推荐的注塑成型工艺参数进行了初步仿真,对注塑过程中的翘曲、熔接痕、气穴等缺陷成因进行了分析,并给出了质量改善优化目标,提出了一种结合Taguchi试验法、BP神经网络预测的注塑成型工艺寻优方法,并对寻优结果进行了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,产品翘曲量降低至1.192 mm,产品较佳的注塑成型工艺参数为:料温为225℃,模温为60℃,注塑压力为70 MPa,注塑时间为1.3 s,第一保压压力为80 MPa,第一保压时间为12 s,第二保压压力为30 MPa,第二保压时间为3 s,冷却时间为15 s,型腔随形水路C1,C2冷却水的温度均为30℃。提出的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RBF网络模型气辅成型工艺参数的优化

针对气辅成型过程中多个工艺参数的优化配置问题,提出了气辅成型工艺参数径向基函数(RBF)网络预测模型。该模型基于均匀设计思想,以RBF网络为基础,用正交最小二乘训练法对基函数的中心、方差和RBF网络权值进行优化,提高了网络预测模型对气辅成型制品质量指标的预测可靠性。以挂式空调前面板为例,对其进行CAE仿真分析,结果表明,该优化模型可实现对制品质量指标的快速预测,为工艺参数进一步优化奠定了基础。     

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CAE和神经网络的注射成型工艺参数优化

通过CAE数值模拟计算,研究了注射成型工艺参数对翘曲变形的影响,以工艺参数为输入参数,以翘曲变形量作为输出参数,构建神经网络模型。以CAE分析结果作为训练样本和校验样本,结合正交实验方法对注塑工艺参数进行优化。这种方法把CAE模拟技术、正交实验技术和神经网络技术有机结合,可以明显缩短优化工艺参数的时间,提高工艺设计效率,能获得比单纯使用正交实验和有限元分析更好的结果。