基于神经网络技术的塑料齿轮模型工艺参数优化

针对塑料模型注塑成型优化过程中工艺参数多、计算准确度低、工程模拟量大的特点。以塑料齿轮零件为例,通过引入BP神经网络技术,结合Moldflow软件建立注塑成型工艺参数优化模型。以体积收缩率和翘曲变形量为注塑工艺评定目标函数,选择熔体温度、保压压力、保压时间、模具表面温度为训练样本,建立4~4正交试验表,由相对方差分析评价模型的分析结果,给出优化后的工艺参数,指导工程实际应用。研究结果表明,通过BP神经网络对初始工艺参数进行训练,模型训练预测值与模拟值相对误差在3%以下,满足预测精度要求,经过对正交试验表样本进行训练,确定优化工艺参数为:熔体温度220℃、保压压力50 MPa、保压时间15 s,模具温度70℃。由Moldflow模型验证指出优化后的工艺参数组合能减少塑料件的注塑缺陷,提升塑料件的使用性能。     

汽车音响面板热流道注射成型工艺优化研究

针对某汽车音响面板在注射成型过程中易发生翘曲变形的现象,在该塑件工艺分析和翘曲变形预测理论分析的基础上,利用UG和Moldflow构建了该塑件的三维模型和分析模型,设计了以翘曲变形值最小为实验目标和以充填时间A、熔体温度B、模具温度C、保压压力D和保压时间E为因子的正交实验方案,并运用Moldflow进行了注射成型工艺模拟实验。通过对实验结果进行极差和方差分析得出,对塑件的翘曲变形量影响程度从大到小依次为DBACE,保压压力占比65.76%,最优工艺参数为充填时间1.4 s、熔体温度250℃、模具温度60℃、保压压力64 MPa、保压时间11 s,其翘曲变形值为0.549 7 mm,比用推荐工艺参数的翘曲变形值减少了24.84%。实践表明,采用该优化工艺生产的塑件,翘曲变形小,无熔接痕,质量优良,易于装配。     

基于Mold?ow和BP神经网络的汽车后视镜外壳注塑工艺优化

为解决汽车后视镜外壳的注塑翘曲缺陷问题,利用Moldflow对正交试验16组参数水平组合的成型过程进行模拟,得到各因素对翘曲变形量的影响程度,然后采用BP神经网络预测的方法得到最佳工艺参数组合为:模具温度70℃、熔体温度210℃、注射时间1.4 s、保压时间16 s及保压压力100 MPa。     

汽车CD面板成型工艺优化设计

应用UG10.0构建了某汽车音响塑件的三维数学模型,应用Moldflow Plastics Insight 2014对其浇口位置进行模拟分析, 确定了最佳浇口位置;为优化汽车音响塑件的注塑工艺,利用 Moldflow 软件进行了流动、冷却和翘曲等方面的模拟,探讨了收缩、翘曲变形等缺陷产生的主要原因。通过成型窗口的参数优化功能进行成型工艺模拟,在熔体流动速率、模具温度、保压压力、保压时间4个工艺参数的可行区间内,分别确定3个值,构建正交化模拟试验,利用极差法确定最优加工参数组合,提高了制品质量,缩短了汽车音响面板模具设计、制造周期。     

基于Moldflow和BP神经网络的薄壳注塑件预测

基于Moldflow平台,通过正交试验研究了一模两腔薄壳注塑件成型工艺参数对翘曲量的影响。以流动速率、保压压力、保压时间、熔体温度和模具温度五个工艺参数为输入,注塑件翘曲量参数作为输出,在Matlab神经网络工具箱中建立三层BP神经网络;利用Moldflow正交试验所得工艺参数与翘曲量的数据作为训练样本对神经网络进行训练,得到注塑工艺参数与注塑件翘曲量之间的非线性映射关系,并验证该神经网络的泛化能力。结果表明,该神经网络能较好地预测薄壳注塑件翘曲量。     

导管接头注塑成型工艺参数优化

以医用导管接头为研究对象,对其注塑成型过程在Moldflow软件中进行模拟,通过极差分析得到工艺参数对导管接头体积收缩率的影响趋势和最佳工艺参数,建立以注塑工艺参数为输入量,塑件的体积收缩率为输出量的BP神经网络模型,并进行训练与测试。结合遗传算法对导管接头的注塑工艺参数进行优化,获得最佳工艺参数为:熔体温度226℃、模具温度47℃、注射压力73 MPa、注射时间0.72 s、保压压力19 MPa、保压时间21 s,得到体积收缩率为12.75%,与优化前极差分析所得的13.13%相比,降低了2.89%。将遗传算法优化后的工艺参数组合应用于产品试生产,得到产品表面质量良好,满足企业的设计要求。     

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。     

工艺参数对模内覆膜注塑件翘曲变形的影响

利用Moldflow软件对模内覆膜笔记本壳体注射成型过程进行模拟,通过正交试验设计研究了工艺参数对覆膜制品翘曲变形影响的显著性差异,并对试验结果进行方差分析和验证。研究表明,保压压力和熔体温度对覆膜注塑件翘曲变形的影响最显著,其它工艺参数的影响不显著。通过工艺参数优化,获得了最优的工艺参数组合是模具温度75℃,熔体温度270℃,注射时间3 s,保压压力65 MPa,保压时间14 s,薄膜厚度0.1 mm。经过进一步的模拟仿真验证,获得最优参数组合下的翘曲变形值是所有试验中最小的,该结果与预测结果一致。     

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CAE和DPA-BP神经网络的面板成型工艺参数优化

针对塑件潜在的缺陷问题,结合CAE辅助分析,对塑件基于经验设定的浇注系统进行了流动仿真分析,CAE分析结果显示,塑件常发生的8种缺陷中,在材料所推荐的工艺参数下,4种潜在的质量缺陷发生的概率比较高,对注塑所需的参数进行多种参数正交寻优,优化组合后,通过进一步结合DPA-BP神经网络预测方法,寻优获得了塑件的较佳注塑工艺参数,塑件的最佳注塑成型工艺参数为:料温235℃,模温55℃,保压分两段保压(为85 MPa-6 s,45 MPa-5 s),冷却时间60 s。实际生产验证表明,通过神经网络寻优的工艺参数,能有效地保证塑件的成型性能,有效降低了模具设计周期,降低了模具生产的潜在风险。     

基于遗传算法的注塑成型工艺参数优化

以某杯形塑件为例,设计了随形冷却水道模具。在Moldflow软件模拟注塑成型过程的基础上,利用正交试验法分析了熔体温度、注射压力、保压压力和保压时间等工艺参数对制品成型周期的影响。通过遗传算法和Moldflow获得的最佳注塑工艺参数为熔体温度180℃,注射压力22 MPa,保压压力16 MPa,保压时间8 s,成型周期14. 11 s。在最佳工艺参数组合下进行注塑成型试验,平均注塑成型周期为14. 19 s。结果表明,模拟结果和试验结果之间相接近。将数值模拟和遗传算法相结合,可以有效提高运算速度和优化效率。     

基于BP神经网络的汽车内置储物盒注塑成型优化

以某汽车内置储物盒为研究对象,结合聚合物流变学的基本理论,采用Moldflow软件对汽车内置储物盒注塑成型进行模流分析。建立多输入-多输出的BP神经网络拓扑模型,以模流分析得到的充填时间、体积收缩率和总翘曲量等作为BP神经网络的训练样本,采用拟牛顿算法对网络模型进行训练。通过预测值和模拟值的对比,发现训练后BP神经网络模型的相对误差较小,并具有很好的预测能力。以此网络模型对其它各工艺参数组合进行预测,得到了较优的工艺参数匹配关系。并进行试模加工,得到了合格的汽车内置储物盒制件。     

塑料旋钮注射成型工艺优化

研究对象为塑料旋钮,以翘曲变形量和体积收缩率为优化目标并设计正交实验,选取模具温度、熔体温度、注射时间、保压压力和保压时间为影响因素。运用Moldflow软件进行仿真,得到翘曲优化的最佳组合。针对正交实验优化对体积收缩不敏感的情况,采用BP神经网络训练后进行二次寻优。对比Moldflow仿真结果满足工程精度,得到同时满足最佳翘曲和最小体积收缩率的最佳优化组合参数。结合正交实验和BP神经网络预测的方法减少了运算时间提高了分析效率。     

基于BP神经网络的导管接头注塑工艺参数优化

以医用介入导管接头为研究对象,基于塑料成型理论在Moldflow软件中进行导管接头模流分析,通过正交实验极差分析,确定了注塑工艺参数对导管接头缩痕指数的影响趋势,得到最佳工艺参数组合。针对实际生产中出现的缩痕缺陷,建立导管接头缩痕指数的BP神经网络参数模型,并用遗传算法进行优化,同时对结果进行仿真模拟,得到缩痕指数为0.0752%,此时的最佳注塑工艺参数为熔体温度238℃、模具温度71℃、注塑压力68 MPa、注塑时间0.61 s、保压压力27 MPa、保压时间24 s,其结果比极差分析法的优化结果(0.088%)减少了14.5%。将遗传算法优化BP神经网络后的注塑工艺参数组合应用于导管接头加工试生产,得到产品外观无明显熔接痕,表面质量良好,满足企业设计要求。     

基于Moldflow和正交试验设计的注射成型工艺参数的优化

以保护盖为研究对象,采用Moldflow软件对其注射成型过程进行了数值模拟,结合正交试验设计方法,研究了熔体温度、模具表面温度、成型时间、保压时间与保压压力5个工艺因素对塑件体积收缩率和翘曲变形量的影响。通过对模拟结果的信噪比分析和方差分析,获得了各因素的最佳水平,进而获得了最优工艺参数组合。对最优组合工艺参数的注射成型进行模拟试验,验证了采用正交试验设计优化注射成型工艺参数的有效性。     

基于径向基函数神经网络和多岛遗传算法的注射成型质量控制与预测

针对现有多参数、多目标注塑工艺优化应用的遗传算法、粒子群算法等寻优算法存在的实施难度大、求解时间长等缺点,提出基于最优拉丁超立方试验设计方法并结合径向基函数(RBF)神经网络模型和多岛遗传算法(MIGA)对注射成型质量进行控制与预测。以充电宝下盖塑件的体积收缩率和缩痕指数为优化控制目标,以模具温度、熔体温度、保压时间、保压压力、冷却时间为试验因素,应用最优拉丁超立方试验设计方法获得试验样本,基于模流分析获得试验结果,构建试验因素与优化控制目标之间的RBF神经网络模型,基于MIGA在试验因素给定的水平范围内获得了一组最优注塑工艺参数组合并给出了优化控制目标的预测值。模拟试验结果证明,预测值与模拟试验结果基本吻合,提出的方法能实现注塑成型质量的控制与预测,减少了寻找最优工艺参数组合的时间,提高了塑件的生产效率。     

基于极差分析法与GA-ELM的电器连接器壳体注射成型工艺优化

以某电器连接壳体为例,借助Moldflow软件对正交试验方案组合进行模拟,对正交试验模拟结果进行极差分析,得到各工艺参数对塑件翘曲变形量的影响程度为:保压时间>模具温度>注射时间>熔体温度>保压压力。极差分析得到的最优工艺参数组合对应的翘曲变形量与正交试验方案中最小翘曲变形量相比降低了6.7%。关键点采用遗传算法优化后的预测模型(GA-ELM)对塑件翘曲变形量进行预测。由于传统极限学习算法(ELM)的权值和阈值随机产生,网络系统预测稳定性及精度较差,故通过GA全局寻优能力寻找最佳的权值和阈值,得到GA-ELM。选择正交试验前80%样本作为训练集训练ELM与GA-ELM模型,通过样本后20%作为测试集验证ELM与GA-ELM模型预测精度。对比分析可看到:使用GA-ELM预测模型比直接使用ELM预测模型预测结果有更高预测精度及稳定性。此GA-ELM模型可用来预测该塑件翘曲变形量。对同类模具设计优化提供一定的思路及理论参考。     

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。     

空调面板残余应力的分析及工艺优化

为了解决空调塑料面板残余应力过大的问题,提出了结合优化的BP神经网络与遗传算法的方法来优化成型工艺参数。以残余应力为目标变量,模具温度、熔体温度、保压压力、保压时间四个参数为设计变量。采用优化的BP神经网络进行全局最优求解,得到最优工艺参数组合:模具温度为38℃,熔体温度为256℃,保压时间为6s,保压压力100MPa。最优工艺参数组合通过模拟仿真,得出的结果达到了预期效果,将其应用于实际工厂生产,有效减少了由于残余应力过大引起的缺陷。