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。     

电连接器接触件注塑成型翘曲变形的优化分析

结合正交试验法和数值分析,以最大翘曲量为质量指标,研究了不同工艺条件下某Y型电连接器接触件注塑成型过程,通过对翘曲变形的极差分析,确定了熔体温度、模具温度、注射时间、保压压力、保压时间等工艺参数对翘曲变形的影响敏感性。利用BP(back propagation)人工神经网络,建立主要工艺参数和塑件翘曲变形量之间的数学模型,并进行了预测。结果表明:所建立的数学模型具有较高的预测精度,从而达到以较少的试验实现注塑成型工艺的优化与控制。     

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。     

基于改进神经网络的注塑工艺参数优化

以鼠标壳为实例,利用正交试验数据得到训练样本。以减小翘曲变形量为目标,运用竞争型神经网络的预测功能,实现注塑成型工艺参数控制。为进一步提高注塑成型质量,采用遗传算法完成工艺参数的优化,并得到最优解。最后,进行相关实验验证。结果表明:优化后,塑件翘曲变形量降低了23.67%,实验结果和预测结果基本吻合,在一定程度上提高了塑件的成型质量。     

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。     

双色注塑成型工艺参数多目标优化

以某双色塑料扣为例,针对总翘曲变形量、第一射和第二射的平均体积收缩率等多个质量指标要求,运用正交试验法和综合评分法,通过Moldflow软件进行双色注塑模拟仿真,优化双色注塑成型工艺参数。建立5因素4水平的正交试验矩阵获得原始质量指标数据,并对其进行标准化处理和线性组合计算,得到综合得分值。经均值和极差分析,得到影响质量指标的显著因素和最优工艺参数组合。试验结果表明符合工艺参数的优化目标,为双色塑件成型提供了依据。     

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.     

基于数值模拟和回归正交试验设计的注塑成型工艺研究

以注塑成型为基础,采用数值模拟和回归正交试验设计相结合的方法,建立了手机面框注塑成型过程中熔体温度、注射时间、速度/压力切换、保压时间、保压压力与翘曲变形之间的回归方程,得出各注塑工艺参数对塑件翘曲变形的影响规律,并通过回归方程进行了翘曲变形回归预测,从而确定工艺参数的最优组合。结果表明:由该回归方程建立的数学模型非常显著,回归预测结果可信度高。