注塑制品翘曲变形的数值模拟优化与预测

以电池后盖板为CAE模拟分析模型,利用正交试验设计方法,将减小制品翘曲变形量作为优化目标,得到各工艺参数对制品翘曲变形量的影响程度及最优化工艺参数组合。利用径向基函数RBF神经网络对制品翘曲量进行预测,建立了各工艺参数与制品翘曲变形之间非线性映射关系模型,并与BP神经网络进行了对比。结果表明:RBF神经网络模型,可以较准备地预测制品的翘曲变形,并且在精度、训练速度等方面优于BP网络。     

气辅注射成型工艺参数正交试验CAE模拟设定

介绍了气辅注射成型中的CAE分析方法;阐述了气辅制品缺陷与工艺参数的关系;运用正交试验方法对待定气辅成型工艺参数进行合理的实验设计,采用塑料成型过程模拟仿真软件MoldflowPlasticInsight5.0对气辅成型塑料周转箱制品进行FLOW-COOL-FLOW分析,代替传统试模方法,并对CAE后处理结果进行综合分析,得到一组优化的工艺参数组合。该组气辅成型工艺参数组合可作为实际生产中的气辅成型工艺参数设定值。     

人工神经网络在注塑制品质量优化中的应用进展

大部分复杂的塑料制品均采用注射成型生产。注塑制品质量的预测和制品质量的优化是注射成型过程中的重要步骤。人工神经网络(ANN)作为人工智能最常用的方法已经被应用到注射成型中,但是,仍存在训练成本较高、构建模型复杂等缺陷。ANN预测模型可以拟合注塑过程,并且,优化注塑制品质量。以工艺参数和过程参数作为输入数据的ANN预测模型不仅可以预测注塑制品质量,还可以结合智能优化算法优化注塑工艺参数。并且,对减少ANN预测模型训练成本的方法进行了综述。最后,总结了ANN预测模型在注塑制品优化中的进展和发展方向。     

基于Kriging代理模型的气辅注射成型工艺优化

针对气辅成型工艺设定及控制的复杂性,使用Kriging代理模型近似拟合气辅成型工艺参数与气体穿透长度之间的非线性函数关系,建立起Kriging代理模型与APSO算法相结合的优化策略。应用所建立的优化方案,以气体的穿透深度为优化的目标,模拟了某汽车后视镜的气辅成型工艺优化过程。算例表明,基于Kriging代理模型与APSO算法耦合的优化策略可以在小样本情况下获取较高的求解精度和较快的收敛速度。     

RBF网络模型在预测函数控制中的应用

对三容液位系统的非线性复杂特点,利用RBF网络对系统建立预测模型,着重分析了RBF网络结构的选取、模型参数辨识以及网络优化的问题.通过预测函数控制验证了RBF网络模型在非线性系统建模中的优越性.     

基于Taguchi的气体辅助注射成型工艺参数优化

运用Taguchi试验结合MPI模拟技术,以带筋板类零件的气体辅助注射成型为例,以模具型腔有无短射、气指程度和气道气体穿透率为质量指标,分析模具温度、熔体注射温度、熔体预注射量、气体延迟时间、气体注射压力以及气体注射时间等工艺参数对气体辅助注射成型制品质量的影响规律。运用变量分析确定工艺参数对质量指标的影响度。最后利用加权综合评分法,获得最优的工艺参数组合,为气辅工艺设计提供指导。     

气辅成型模具与工艺的优化

运用MoldFlow软件对把手零件的气辅注塑成型过程进行CAE分析,结合气辅成型原理优化了浇口、进气口的位置,总结了气辅CAE的工作流程,分析了各工艺参数对产品壁厚、气道长度的影响,并调整参数,得到了满足设计要求的制品。     

基于BP神经网络和遗传算法的机箱壳注塑工艺参数多目标优化

以注射成型机箱壳为例,构建制品CAE分析模型,运用Moldfl ow仿真分析,预测制品缺陷,并选定了优化因素与指标;运用Taguchi试验法和CAE仿真获得数据样本,通过模糊加权综合评分将多目标问题转化为单目标优化;建立了BP神经网络集预测模型,映射了工艺参数与质量指标的非线性关系;采纳遗传算法进行全局寻优,得到试验范围内的最优工艺参数:模具温度为66.3℃,熔体温度为227℃,填充时间为4.6 s,保压压力为填充压力的109%,保压时间为10.2 s,冷却时间为22.7 s。对优化结果进行CAE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,实现了制品质量指标的多目标优化。该优化设计方法能有效提高制品质量,缩短生产周期。     

浅谈气辅成型过程中工艺参数对制品性能的影响

本文结合国内外对气辅成型工艺的研究。比较了气辅成型和传统的注射成型成型制件的优缺点。通过讨论在气辅成型过程中,熔体预注射量、气体延迟时间和气体压力等工艺参数对制品性能的影响,揭示了影响制品性能的内在因素取向机理在气辅成型和传统的注射成型成型的不同及气辅成型技术研究发展的趋势。     

汽车门把手气辅注塑工艺模拟分析

利用Moldflow软件,使用田口法对汽车门把手进行气辅成型模拟分析,以气道长度为质量指标进行研究,预测其缺陷,寻求较佳的工艺参数组合及各工艺因素的影响程度和影响趋势.经实际验证与模拟分析结果一致,为同类产品提供参考.     

复杂壳体类塑料件气体辅助注射成型工艺参数优化研究

以21英寸彩电前壳作为研究对象,将Moldflow 2010作为CAE模拟试验平台,以熔体温度、模具温度、熔体注射时间、气体延迟时间、气体压力为关键工艺因素,考察了复杂壳体类塑料件气体辅助注射成型(GAIM)时制件的翘曲变形量和气体穿透情况。以正交试验设计方法为基础,利用遗传算法并结合径向基神经网络建立GAIM工艺参数优化系统,可用于工艺参数组合的快速确定,为GAIM过程中工艺参数优化提供了一种新的求解思路。     

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。     

Melt index prediction by RBF neural network with an ICO‐VSA hybrid optimization algorithm

Melt index (MI) is considered as one of the most significant parameter to determine the quality and the grade of the practical polypropylene polymerization products. A novel ICO‐VSA‐RNN (RBF neural network with ICO‐VSA algorithm) MI prediction model is proposed based on radial basis function (RBF) neural network and improved chaos optimization (ICO), and variable‐scale analysis (VSA), where the ICO is first added and then combined with the VSA to overcome the defects of ICO and VSA, then the parameters of the RBF neural network are optimized with them. At last, the RBF neural network model for MI prediction model is developed. Further researches on the optimal RBF neural network model of MI prediction are carried out with the data from a real industrial plant, and the prediction results show that the performance of this prediction model is much better than the RBF neural network model without optimization. © 2012 Wiley Periodicals, Inc. J Appl Polym Sci, 2012     

Melt index prediction by RBF neural network optimized with an adaptive new ant colony optimization algorithm

Melt index (MI) is a crucial indicator in determining the product specifications and grades of polypropylene (PP). The prediction of MI, which is important in quality control of the PP polymerization process, is studied in this work. Based on RBF (radial basis function) neural network, a soft‐sensor model (RBF model) of the PP process is developed to infer the MI of PP from a bunch of process variables. Considering that the PP process is too complicated for the RBF neural network with a general set of parameters, a new ant colony optimization (ACO) algorithm, N‐ACO, and its adaptive version, A‐N‐ACO, which aim at continuous optimizing problems are proposed to optimize the structure parameters of the RBF neural network, respectively, and the structure‐best models, N‐ACO‐RBF model and A‐N‐ACO‐RBF model for the MI prediction of propylene polymerization process, are presented then. Based on the data from a real PP production plant, a detailed comparison research among the models is carried out. The research results confirm the prediction accuracy of the models and also prove the effectiveness of proposed N‐ACO and A‐N‐ACO optimization approaches in solving continuous optimizing problem. © 2010 Wiley Periodicals, Inc. J Appl Polym Sci, 2010     

气体辅助注射成型工艺参数优化研究

为了解决气体辅助注射成型(GAIM)中制品所出现的缺陷,采用数值模拟方法对影响制品质量的工艺参数进行了优化研究.首先,建立GAIM过程的数学模型,得出影响GAIM制品质量的主要工艺因素;随后,利用数值模拟法分析熔体预注射量、熔体/气体延迟时间、充气压力与熔体注射温度等关键工艺因素与GAIM制品缺陷的关系;最后,基于数值模拟分析结果,对GAIM制品的工艺参数进行了优化选择与设定.     

基于气体穿透效果数值模拟的气体辅助注射成型工艺优化

对气体辅助注射成型工艺进行分析，阐述了气体辅助注射成型的关键技术要求在分析熔料流动、气体穿透物理模型的基础上，探讨了气体辅助注射成型数值分析的实现原理运用MPI／Gas模块对一T型支架进行了气体辅助注射成型CAE分析，模拟不同工艺条件下的气体穿透效果，确定了合理的工艺参数。     

CAE技术在汽车仪表板气辅注射成型中的应用

根据汽车仪表板的结构及性能要求,利用 CAE 软件 Moldflow/MPI 模拟了汽车仪表板气体辅助注射成型的充填过程,预测其成型质量,结合实际生产条件优化出合理的气辅注射成型工艺参数。经实验研究,在优化的工艺条件下气体能较理想地穿透熔体,所生产的汽车仪表板质量能满足用户的需求。     

应用软计算优化气辅注射成型工艺

气体辅助注射成型由于气体的引入使工艺更为复杂,增加了工艺变量,参数选取更为困难。本文基于CAE数值模拟试验结果,采用软计算方法,集成人工神经网络和生物进化遗传算法优化成型工艺,实现了气体辅助注射成型试验样品气体穿透长度的最大化。数值模拟与试验结果一致     

基于RBF神经网络的制浆蒸煮终点预测模型

为稳定纸浆质量,实现蒸煮终点的精确预测,建立基于RBF网络的终点预测模型,通过与BP模型的比较,可知基于RBF网络的蒸煮终点预测模型具有较好的快速性及准确性.