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。     

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。     

Taguchi DOE实验设计法注射成型工艺参数优化

将CAE技术与DOE技术相结合,可在较少的分析次数下自动获得优化工艺,从而改善注塑制品的质量。以一工业用注塑制品为例,采用Taguchi DOE实验方法进行实验分析,研究了工艺参数对注塑制品体积收缩率变化和翘曲变形的影响,获得的优化工艺参数可使其体积收缩率变化和翘曲变形达到最小。结合CAE模拟分析结果,通过样件试制对优化的工艺参数进行了验证。     

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。     

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。     

基于反翘曲变形技术的空调导风板优化分析

针对某企业生产的空调导风板出现翘曲变形的问题,提出一种基于反翘曲变形技术和正交优化试验的降低翘曲值的方法。首先,运用反翘曲变形技术,有效改善了导风板Z向和Y向翘曲值;在此基础上,结合Moldflow软件,运用正交优化方法对影响制件成型的主要工艺参数进行了优化,并获得最佳工艺参数组合,进一步降低了制件表面翘曲值。研究结果表明,CAE模拟结果符合产品要求;实际试模结果显示,制件表面无变形,符合产品装配质量要求。     

薄壁塑件注射成型翘曲变形的工艺优化

本文以注射成型照相机前壳为研究对象,以注塑成型中的翘曲量为优化目标,利用正交试验结合CAE模拟技术,研究模具温度、熔体温度、注射时间、保压时间、保压压力和冷却时间对制品翘曲的影响规律。用均值分析法得到最小翘曲变形的一组优化工艺参数组合,并进行CAE模拟验证。再运用方差分析确定各个工艺参数对翘曲变形的影响程度。     

薄壁塑件注射成型翘曲变形的工艺优化

本文以注射成型照相机前壳为研究对象,以注塑成型中的翘曲量为优化目标,利用正交试验结合CAE模拟技术,研究模具温度、熔体温度、注射时间、保压时间、保压压力和冷却时间对制品翘曲的影响规律。用均值分析法得到最小翘曲变形的一组优化工艺参数组合,并进行CAE模拟验证。再运用方差分析确定各个工艺参数对翘曲变形的影响程度。     

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CAE的机箱前面板注塑工艺评判

以机箱前面板为例,通过Taguchi试验并结合CAE分析,研究了模具温度、熔体温度、保压压力和保压时间等工艺参数对制品翘曲变形的影响规律,并获得了最优工艺参数组合,使翘曲变形量减小至原始量的68.1%。运用变量分析确定了工艺参数对翘曲变形的影响程度,为工艺参数的选择提供了指导。     

基于Moldflow和DOE技术的翘曲变形工艺优化

文章采用CAE模拟软件Moldflow结合DOE试验技术对开关上盖进行填充、保压、冷却以及翘曲的模拟分析,研究模具温度、熔体温度、保压压力和保压时间等不同成型工艺参数对翘曲指标的影响,通过对试验结果运用极差和方差进行分析,在试验范围内获得最佳成型工艺参数组合.     

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。     

微孔泡沫塑料注射成型工艺优化

结合CAE和TaguchiDOE技术研究了工艺参数对注射成型微孔(丙烯腈/丁二烯/苯乙烯)共聚物(ABS)泡沫塑料泡孔直径的影响。结果表明,CAE和TaguchiDOE技术是研究工艺参数对制品质量的影响并优化工艺参数的有效工具;在所研究的工艺范围内,熔体温度和注射时间对泡孔直径有较强的影响;而注塑压力和模具温度对泡孔直径的影响较弱;通过减少注射时间、提高熔体温度和注塑压力可增大泡孔直径。     

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。     

基于翘曲分析的注塑模工艺参数的优化

结合CAE及Taguchi DOE技术,研究工艺参数对注塑制品翘曲量的影响。采用了有交互作用的L16(215)正交表设计实验以及没有交互作用的L9(34)正交表设计实验,研究了因素如熔体温度、模具温度、保压压力、保压时间和注塑时间对翘曲影响的显著性。对所选参数,保压压力和熔体温度对注塑制品的翘曲量影响最大。通过两次正交设计实验,使手机上壳制品的翘曲量减少了34.23 %,提高了制品品质。     

复杂结构光学元件注射成型工艺参数优化

利用Taguchi试验设计法,以成型过程中的保压压力、保压时间、注射时间、熔体温度、模具温度5个工艺参数作为影响因素,设计了L27试验矩阵进行CAE仿真实验.以减小透镜注塑件翘曲变形为目标,通过计算信噪比,获得了最优工艺参数组合,为下一步工艺设计提供计算和实验依据.