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。     

基于神经网络和遗传算法的薄壳件注塑成型工艺参数优化

本文建立了基于神经网络和遗传算法并结合正交试验的薄壳件注塑成型工艺参数优化系统。正交试验法用来设计神经网络的训练样本，人工神经网络有效的创建了翘曲预测模型；遗传算法完成了对影响薄壳塑件翘曲变形的工艺参数（模具温度、注射温度、注射压力、保压时间、保压压力和冷却时间等）的优化，并计算出了它们的优化值，按该参数进行试验，效果良好，可以有效地减小薄壳塑件翘曲变形，其试验数值与计算数值基本相符，说明所提出的方法是可行的。     

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...     

基于神经网络和遗传算法的薄壳件注塑成型工艺参数优化

建立了基于神经网络和遗传算法并结合正交试验的薄壳件注塑成型工艺参数优化系统。正交试验法用来设计神经网络的训练样本，人工神经网络有效的创建了翘曲预测模型；遗传算法完成了对影响薄壳塑件翘曲变形的工艺参数（模具温度、注射温度、注射压力、保压时间、保压压力和冷却时间等）的优化，并计算出了它们的优化值。按该参数进行试验，效果良好，可以有效地减小薄壳塑件翘曲变形，其试验数值与计算数值基本相符，说明所提出的方法是可行的。     

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。     

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。     

基于正交实验的薄壁塑件翘曲变形模拟分析

以薄壁塑件为对象,研究了模具温度、熔体温度、保压时间及注射压力等工艺参数对该薄壁塑件成型翘曲的影响规律,并用正交实验法优化成型工艺方案,获得最小的翘曲塑件.结果表明,熔体温度和保压时间对塑件翘曲变形影响较为显著,模具温度对塑件翘曲基本没有显著的影响.     

基于BP 神经网络的塑料齿轮玩具注射成型优化分析

以某塑料拼插齿轮玩具为研究对象,采用自然平衡法设计1模144腔注塑模具。对有限元模型进行合理简化,并采用Moldflow软件进行塑料齿轮注射成型过程中的流动和翘曲分析。针对初始方案中出现的熔接痕和翘曲等缺陷,建立齿轮玩具BP 人工神经网络模型,通过BP神经网络算法训练各工艺参数,并对体积收缩率和总翘曲量进行预测。将训练后较优的工艺参数组合应用于注射成型后,使得该塑料齿轮熔接痕分布改变,翘曲变形量明显降低。     

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。     

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EBF神经网络和粒子群算法的注射成型优化设计

基于拉丁超立方设计建立了椭球基（EBF）神经网络模型描述注塑工艺参数与翘曲值间的函数关系,将EBF神经网络模型与Kriging模型对比,说明EBF神经网络模型可以准确地描述注塑工艺参数与翘曲值之间的函数关系,并结合多目标粒子群算法对工艺参数进行优化,并与邻域培植遗传算法优化结果对比,说明多目标粒子群算法的优点。结果表明,基于EBF神经网络模型和粒子群优化算法可以使塑料出水管翘曲值减小11.64 %,同时使保压时间和冷却时间总和减小了2.13 s,从而在出水管批量生产过程中减少了生产时间。     

基于神经网络和遗传算法的塑料热压成型多目标优化

论述了人工神经网络和遗传算法在塑料热压成型工艺优化中的应用,首先利用人工神经网络建立热压成型工艺参数与零件性能之间关系的数学模型,然后用遗传算法对工艺参数优化。根据多目标函数优化问题的单目标化思想,对优化后的单目标进行分解,得到最优工艺参数条件下的塑料热压产品性能,从而为建立和控制塑料热压成型工艺参数提供了一种行之有效的方法。     

采用RFR-GA算法的薄壁注塑件质量多目标优化

汽车内饰件可由注塑加工获得,但成型过程中塑件产生的翘曲、体积收缩较大,针对该问题,以某汽车薄壁注塑件为例,研究了其注塑工艺参数的优化方法.通过以注塑过程中的最小翘曲和最小体积收缩率为目标函数,以注塑温度、模具温度、注射压力、保压压力、保压时间以及冷却时间等参数作为设计变量,构建了多目标全局优化模型.利用Moldflow...     

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。