基于灰色关联分析的注塑成型工艺多目标优化

针对复杂曲面构件注塑成型过程中体积收缩率、翘曲变形量和缩痕指数最小化等多目标优化问题,采用正交试验法设计了六因素五水平的聚甲醛叶轮注塑加工试验;基于灰色关联分析将多目标优化问题转化为单目标优化问题,利用主成分分析法确定体积收缩率、翘曲变形量和缩痕指数对灰色关联度的影响权重;通过对试验数据的回归分析,建立了灰色关联度与注塑成型主要工艺参数的二阶预测模型;基于各工艺参数对体积收缩率、翘曲变形量和缩痕指数影响规律的分析,确定了注塑工艺参数的优化方案。利用响应曲面求解注塑成型参数优化问题并进行注塑成型仿真实验,结果表明:由该优化方法获得的注塑成型工艺参数组合可以使制品的体积收缩率、翘曲变形量和缩痕指数均大幅减小。     

基于BP神经网络的无人机固定翼注塑成型工艺优化

为了解决无人机固定翼在注塑过程中工艺参数的优化选择问题,在考虑了熔体温度、模具温度、保压压力、保压时间、注射时间因素下,用模流分析软件Moldflow和正交试验相结合的方法对翘曲量、体积收缩率和缩痕指数进行了模拟分析,同时为了提高优化效率,根据正交试验数据建立了BP神经网络预测模型,并用模型对工艺参数进行了优化和实际生产验证。结果表明:优化后的塑件最大翘曲变形量、体积收缩率、缩痕指数分别优化了0.212 5 mm、1.26%、1.223%,提高了塑件质量。而且仿真值与模型的预测值基本吻合,相对误差在3%以内,验证了模型的可行性,为优化工艺参数方面的研究提供了理论依据。     

基于Taguchi与BPNN–PSO的薄壁注塑件翘曲变形优化

以家用空调遥控器前壳注塑件为例,在应用CAE模流分析确定塑件浇注系统和冷却系统的基础上,选取模具温度、熔体温度、注塑时间、保压时间和保压压力为设计变量,通过集成有限元模拟、Taguchi正交试验、BP神经网络(BPNN)以及粒子群优化算法(PSO)等来实现对薄壁塑件翘曲变形量的优化。优化后的工艺参数使得塑件翘曲变形量较优化前减少了37%,并应用Moldflow对优化工艺参数可靠性进行了模拟验证,结果显示,验证值和优化结果吻合度高,仅相差0.015 mm,表明所采用的薄壁塑件翘曲变形优化方法能显著减少注塑工艺参数调控过程对操作人员的经验依赖,具有较高的工程应用价值。     

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%。     

基于灰色关联度的车灯装饰框注塑工艺优化

以汽车前大灯装饰框为研究目标,在正交试验基础上,采用了信噪比和灰色关联分析法,针对注塑成型过程中各工艺参数对翘曲变形量和体积收缩率的影响进行分析,从而得到最优工艺参数组合。结果表明,使用信噪比和灰色关联度法,得到的翘曲值和体积收缩率分别比Moldflow系统推荐参数模拟结果减少31.3%和4.4%;该方法能有效降低注塑过程中的缺陷,提高塑件产品质量。     

基于神经网络的工艺参数对翘曲变形和收缩的影响研究

以拉伸和冲击试样(无缺口和有缺口)三种塑料零件的注射成型为例,以翘曲变形和收缩为评价指标,采用Taguchi方法及极差和方差分析方法,优化了模具温度、熔体温度、注塑压力、注塑时间、保压压力、保压时间和冷却时间,获得了最优的工艺参数组合。建立了神经网络模型,利用神经网络的预测功能,预测出变动单个工艺参数下的翘曲变形量和收缩率,研究了单个工艺参数对翘曲变形和收缩的影响,以指导生产实践。     

基于信噪比与灰色关联分析的注塑工艺参数多目标优化

以分线器盖为研究对象,基于信噪比和灰色关联分析,提出了一种注塑工艺参数多目标优化方法。针对顶出时的体积收缩率和总翘曲变形量等质量指标要求,建立5因素4水平的正交试验,得到每组实验的质量指标数值及其对应的信噪比。对信噪比进行无量纲化处理后,计算各因素对质量指标的灰色关联系数和灰色关联度。对灰色关联度进行极差分析,得到最优工艺参数组合。结果表明:与默认推荐的工艺参数相比,采用最佳工艺参数组合后,分线器盖顶出时的体积收缩率和总翘曲变形量分别降低了22.04%,39.47%,分线器盖成型质量提高,证明了基于信噪比的正交试验和灰色关联分析法在注塑成型工艺参数优化方面的有效性。     

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。     

基于灰色关联度和BP神经网络的多级注塑成型工艺参数优化

针对电动车头罩出现安装困难的问题,本实验以减小产品翘曲量和体积收缩率为优化目标。首先在正交试验的基础上,运用信噪比和灰色关联度分析得出初步最佳工艺参数;然后以初步最佳工艺参数为基础,影响产品质量最大的四个因素为调整手段,建立正交试验,导入已经训练好的BP神经网络中进行预测,得出最佳工艺参数;最后用CAE进行模拟验证,最佳工艺参数下翘曲量为1.540 mm,体积收缩率为6.709%,符合生产要求。提出的优化方法能够有效提高制品质量,缩短产品生产周期,为多级注塑成型工艺参数的优化提供了一种可靠的解决方案。     

基于模糊集的车用升降器开关面板注射成型保压曲线优化研究

研究了车用升降器开关面板制件产生翘曲变形的原因;通过选择保压曲线模型及参数进行正交实验设计并在Moldflow软件中进行模拟分析,得到了制件的翘曲变形量;通过对翘曲变形量进行极差分析,得到了极差分析优化法的最优工艺参数组合;利用模糊集（Vague 集）对体积收缩率标准差（δ）和最大体积收缩率（V_max）进行多目标优化,求取了Vague集优化法的最优工艺参数组合;并将不同优化方法得到的翘曲变形量进行了对比。结果发现,收缩不均是引起该制件翘曲变形的主要因素;极差分析优化法对应的翘曲变形量较正交实验中最小翘曲变形量降低了1.5 %,优化效果不明显;Vague集优化法对应的翘曲变形量较正交实验方案中最小翘曲变形量降低了26.5 %,制件内部压力分布无较大差异,优化效果优于极差分析法,很大程度上降低了该制件的翘曲变形程度。     

基于优劣解距离法⁃灰色关联分析的注射成型质量多目标优化

为提高座厕椅面板注射成型质量,将优劣解距离法（TOPSIS）与灰色关联分析相结合,提出了基于TOPSIS的灰色关联综合评价模型。首先,优化并确定了塑件浇注系统,然后进行正交试验设计,选择模具温度、熔体温度,注射时间、保压压力、保压时间为试验因素,以翘曲变形量、缩痕指数、体积收缩率为评价指标,运用Moldflow软件进行模拟分析;根据正交试验数据,利用基于指标相关性的指标权重确定（CRITIC）法确定了各评价指标权重系数,采用基于TOPSIS的灰色关联综合评价方法,将多目标优化转化为单目标优化问题,获得了塑件的最佳注塑工艺参数组合。结果表明,优化后的塑件体积收缩率降低14.6 %、缩痕指数降低43.3 %,翘曲变形量与优化前基本一致,塑件综合质量显著提高。     

基于MPI和灰色关联异型出风罩注塑参数优化

针对某异型出风罩注塑成型工艺,以聚碳酸酯/丙烯腈-丁二烯-苯乙烯共聚物(PC/ABS)工程塑料合金为填料,运用Moldflow软件对其注塑过程进行模流分析,通过田口实验设计研究了熔体温度、保压时间、保压压力、注射时间和模具温度对塑件收缩率和翘曲变形量的影响,得到它们对塑件收缩率的影响次序为:保压时间>熔体温度>保压压力>注射时间>模具温度,对翘曲变形量的影响次序为:保压压力>注射时间>熔体温度>保压时间>模具温度。基于灰色关联分析,获得了最优组合工艺参数,即:熔体温度280℃、模具温度为65℃、注塑时间2.1 s、保压时间11 s、保压压力21 MPa。优化后的仿真结果表明,塑件的体积收缩率为6.523%、翘曲变形量为0.80 mm,比灰色关联次序中位组合的样本数据分别降低6.9%和15.8%,并获得最大注射压力为20.34 MPa、最大锁模力为3.25×10^5 N,为后期模具的设计和注塑参数设定提供了有力的参考,缩短了模具开发周期。     

基于灰色关联和Kriging模型的汽车饰件注塑工艺优化

为减小某汽车内饰件注塑成型质量缺陷,提出了基于灰色关联分析和Kriging代理模型的注塑成型质量多目标优化方法。以塑件的Z方向翘曲变形值、体积收缩率、缩痕指数为优化目标,影响了塑件成型质量的熔体温度、模具温度、保压压力、保压时间等注塑工艺参数,应用最优拉丁超立方试验设计方法结合模流分析进行数据采样,基于灰色关联分析(GRA),将多目标优化问题转化为单目标优化问题,利用层次分析法(AHP)确定各优化目标对灰色关联度的影响权重,建立灰色关联度与各工艺参数之间的Kriging代理模型,采用自适应粒子群算法(APSO)在代理模型内进行全局寻优,得到最佳工艺参数组合。结果表明,Kriging代理模型的预测值与实际结果基本吻合,优化后,Z方向翘曲变形值、体积收缩率、缩痕指数分别为0.268 6 mm、2.235%、0.397 1%,与优化前相比,分别降低了1.21%、30.11%、68.53%,因此,提出的方法能实现注塑成型质量多目标优化。     

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...     

基于正交试验法的汽车保险杠注塑成型工艺参数多目标优化研究

以某汽车保险杠为研究对象,应用Moldflow有限元分析,以注塑成型质量中的翘曲量和体积收缩率为质量指标,采用CAE模拟技术结合正交试验,分析熔体温度、模具温度、注射时间、保压时间和保压压力对制品质量的影响规律。用极差分析法分别得到翘曲变形和体积收缩变形的最优工艺参数组合。最后利用多目标综合平衡法,选出兼顾最小的翘曲变形和体积收缩率的工艺参数组合,并对该工艺组合方案进行模拟验证。     

基于灰色关联理论的汽车门锁注塑工艺优化

以汽车门锁为研究对象,运用正交试验法结合Moldflow模拟分析软件,以减少成型过程中的翘曲变形量和体积收缩率为目标函数,选取冷却时间、熔体温度、模具温度、保压时间、保压压力这5个因素为主要试验因素,利用灰色关联系统理论,建立了参数与塑件质量的灰色关联度模型,获得最优的注塑参数组合,将最优工艺参数应用到实际生产中,得到了符合要求的合格产品。     

基于正交试验的注塑成型质量多目标影响因素研究

显示器盖板属于薄壁注塑件,在生产中容易出现翘曲、体积收缩等缺陷。针对此问题,研究注塑工艺参数对其质量的影响。基于Pro/E软件建立显示器盖板的三维模型,并将其导入Moldflow软件进行注塑成型仿真。采用正交试验的方法研究了不同的熔体温度、模具温度、保压压力、保压时间和冷却时间等条件下产生的翘曲、体积收缩。通过极差分析确定显示器盖板的最佳工艺参数组合;通过方差分析确定各个因素对翘曲、体积收缩的影响程度。对最佳工艺参数组合进行实际生产验证,有效降低了塑件的翘曲、体积收缩率,提高了制品成型质量,为同类问题提供了参考方向。     

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。     

基于收缩平衡的精密注塑产品翘曲优化方法

为解决聚合物注塑产品的收缩翘曲问题,文章提出了一种以数值模拟为手段,对所有网格节点体积收缩率值进行最小化的平衡的优化方法,从而改善产品的翘曲程度。首先,建立注射模具有限元模型,以节点体积收缩率标准差为目标,将通过正交模拟试验得到的节点收缩数据,导入Matlab进行网格节点的体积收缩率标准差运算,最终,采取极差分析,得到注射工艺参数的重要程度顺序为:保压压力、熔体温度、保压时间、模具温度和冷却时间,并得到最佳的注射工艺参数组合。优化注射实验结果表明,节点体积收缩率标准差越小,产品收缩时发生的翘曲程度越小,文章中优化后产品最大变形量仅为0. 073 8 mm,翘曲量约减小了8倍,验证了该优化方法的有效性。