基于Kriging代理模型和MOPSO算法的注塑成型质量多目标优化

为减少CAE分析时间,提高寻优计算效率,提出基于Kriging代理模型并结合多目标粒子群算法(MOPSO算法)对塑件的注塑成型质量进行多目标优化。以塑件的翘曲变形量、缩痕指数为优化目标,以影响塑件成型质量的模具温度、熔体温度、保压时间、保压压力、注射时间、冷却时间等注塑工艺参数为试验影响因素,应用最优拉丁超立方试验设计方法结合模流分析(MFI分析)建立分析样本,基于Isight参数优化软件构建优化目标与影响因素之间的Kriging代理模型,基于MOPSO算法在代理模型内进行全局寻优,获得了一组使塑件翘曲变形量和缩痕指数最小的最优工艺参数组合并给出了优化目标的预测值。结果表明,Kriging代理模型的预测值与模拟试验结果基本吻合,优化后的翘曲变形量降低15. 3%、缩痕指数降低19. 7%,本文提出的方法能有效、快速实现注塑成型质量的多目标优化,为工程实践提供了有益的参考价值。     

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RBF神经网络断路器注塑成型工艺优化

塑壳断路器一般通过注塑成型工艺制得。在注塑成型过程中，模具温度、熔体温度、保压压力以及保压时间均对制件的翘曲变形产生一定的影响。以模具温度、熔体温度、保压压力以及冷却时间作为研究参数，以翘曲变形量作为研究目标，采用最优拉丁超立方抽样法抽取合适的样本，建立RBF神经网络模型，结合遗传算法对制件的翘曲变形量进行优化，得到最佳的成型工艺参数组合。结果表明：四个因素的影响程度大小为模具温度>冷却时间>保压压力>熔体温度。当模具温度为50℃、熔体温度为250℃、保压压力为60 MPa以及冷却时间为10 s时，制件的翘曲变形量最小为2.307 7 mm，相较未优化前降低1.294 2 mm，制件成型质量得到明显改善。     

基于代理模型和NLPQL算法的注塑成型质量控制与预测

为快速求得满足塑件成型质量要求的一组最优注塑工艺参数组合,减少注塑生产时操作人员的调试次数,提高塑件成型质量以及生产效率,提出基于多元二阶响应面代理模型和非线性序列二次规划(NLPQL)算法对注塑成型质量进行控制与预测。以某型无线对讲机的塑料外壳为分析对象,应用拉丁超立方抽样法并结合模流分析建立试验样本,构建试验优化目标同试验因素之间的二阶响应面代理模型,基于NLPQL算法在代理模型内进行全局寻优,求得了一组满足塑件成型质量的最优工艺参数组合,NLPQL算法给出了该塑件翘曲量和缩合指数的预测值。试验结果证明了提出方法的有效性,为其他塑件的注塑成型质量控制提供了一套有益的理论方法。     

基于最优拉丁超立方抽样方法和NSGA–Ⅱ算法的注射成型多目标优化

提出应用最优拉丁超立方抽样的方法并结合响应面模型和带精英策略的非支配排序遗传算法(NSGA–Ⅱ算法)实现注射工艺多目标优化,缩短寻找最优工艺参数的时间,提高塑件生产效率。以充电宝上盖塑件的体积收缩率、缩痕指数为优化目标,以模具温度、熔体温度、保压时间、保压压力、冷却时间作为影响因素。通过模流分析获得优化目标值;建立体积收缩率、缩痕指数与影响因素之间的响应面模型并通过复相关系数评价了响应面模型的有效性;基于NSGA–Ⅱ算法在响应面模型内自主寻优,获得了满足塑件注塑成型质量的一组最优工艺参数组合。优化后的体积收缩率为5.584%,比优化前的体积收缩率6.337%降低了11.88%;优化后的缩痕指数为1.458%,比优化前的缩痕指数1.681%降低了13.27%,优化效果明显。     

基于神经网络和遗传算法的工艺参数优化

以翘曲变形和收缩为质量指标,采用正交试验法、神经网络模型和遗传算法,优化了模具温度、熔体温度、注塑压力、注塑时间、保压压力、保压时间和冷却时间,获得了工艺参数的最优配置组合,提高了制品质量。利用最优配置组合的工艺参数进行了注塑成型试验,并通过测量验证了CAE模拟的正确性。     

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。     

基于灰色关联和Kriging模型的汽车饰件注塑工艺优化

为减小某汽车内饰件注塑成型质量缺陷,提出了基于灰色关联分析和Kriging代理模型的注塑成型质量多目标优化方法。以塑件的Z方向翘曲变形值、体积收缩率、缩痕指数为优化目标,影响了塑件成型质量的熔体温度、模具温度、保压压力、保压时间等注塑工艺参数,应用最优拉丁超立方试验设计方法结合模流分析进行数据采样,基于灰色关联分析(GRA),将多目标优化问题转化为单目标优化问题,利用层次分析法(AHP)确定各优化目标对灰色关联度的影响权重,建立灰色关联度与各工艺参数之间的Kriging代理模型,采用自适应粒子群算法(APSO)在代理模型内进行全局寻优,得到最佳工艺参数组合。结果表明,Kriging代理模型的预测值与实际结果基本吻合,优化后,Z方向翘曲变形值、体积收缩率、缩痕指数分别为0.268 6 mm、2.235%、0.397 1%,与优化前相比,分别降低了1.21%、30.11%、68.53%,因此,提出的方法能实现注塑成型质量多目标优化。     

CAE技术在注塑工艺参数优化中的应用

以标签打印机的塑料把手为研究对象,分析了该塑件的注塑成型工艺。采用Pro/E三维软件建立了塑件模型,利用Moldflow软件确定最优浇口位置,并运用DOE面心立方试验对塑件注塑成型过程进行分析模拟,获得翘曲变形量的最显著影响因素;同时分析了翘曲变形量与熔体温度、注射时间、充填压力、保压时间等之间的耦合关系,获得了最优工艺参数,然后经开模、后续加工等工序得到合格的塑件产品。     

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。     

基于回归分析的汽车扶手箱下盖板注射成型工艺优化

以汽车扶手箱下盖板为研究对象,研究了保压压力、保压时、冷却时间、模具温度以及注塑温度五个注塑工艺因素对大型薄壁塑料件翘曲变形的影响.利用拉丁超立方抽样设计试验方案,基于Moldflow软件确定浇口位置、设置浇注系统和冷却系统,并对注射成型过程进行模拟仿真.通过对25组试验进行回归分析获得二阶回归模型,并结合遗传算法全局...     

基于径向基神经网络的导光条注塑工艺优化

以汽车前组合灯导光条为例,选择最优拉丁超立方抽样方法得到样本.选取熔体温度、模具温度、保压时间、保压压力和冷却时间5个参数为输入层,以最小体积收缩率与最小缩痕指数为输出层,构建径向基(RBF)神经网络模型.建立的模型经检验,拟合度高,误差小,可以替代仿真程序.应用Isight优化模块,得到一组最优注塑工艺参数组合,实际...     

轿车手套箱箱体注塑成型CAE优化分析

分析了某轿车内饰手套箱箱体的结构特征,根据该塑件的结构特征进行了模塑成型工艺分析,为获得塑件最优成型方案,降低生产成本,通过Moldflow软件进行了塑件注塑成型CAE优化分析,对塑件的浇口位置、浇注系统、充填、保压、冷却时间及翘曲变形进行了优化,获得了塑件最佳注塑成型工艺参数,该CAE优化分析结果得到了实际验证,塑件成型质量良好,为同类汽车塑件成型的CAE优化分析提供有益参考。     

基于CAE和RBF神经网络的注塑工艺优化分析

针对某汽车塑件注塑成型时成型末端翘曲量较大导致尺寸变差的问题,结合注塑成型CAE工艺分析后发现,引起产品充填末端翘曲变形大的主要原因为注塑后冷却收缩不均,针对此问题,将CAE仿真分析和RBF神经网络的预测分析相结合,对注塑工艺参数中的保压工艺和冷却工艺进行了优化设计,CAE分析方案采用(冷却+填充+保压+翘曲),RBF神经网络采用聚类法和梯度算法,应用改善翘曲的L_(27)(38)设计试验方案进行神经网络训练和检验,应用混合正交法(L_(36)(2*6 3*2))进行二次水平密化优选参数,通过优化,找到了改善翘曲的注塑工艺方案,优化的注塑工艺方案能较好的指导产品的批量生产,对其它同类注塑产品的生产有较好的实践参考意义。     

基于神经网络和遗传算法的薄壳塑件注塑工艺优化

散热器外壳是电子产品散热器的主要零件之一,由于壁薄,在注塑成型中经常出现壁厚不均、翘曲变形和熔接痕等缺陷。针对该问题,以熔体温度、模具温度、冷却时间、注射压力、注射时间、保压压力和保压时间7个工艺参数为输入量,注塑件的翘曲量作为输出量,建立RBF神经网络模型;利用均匀试验所得的数据作为样本对神经网络进行训练和测试,得到注塑工艺参数与塑件翘曲变形量之间的非线性映射关系。结合遗传算法对工艺参数进行优化,获得最佳的工艺参数为:熔体温度234. 4℃、模具温度31. 5℃、冷却时间23. 8 s、注射压力128. 3 MPa、注射时间4. 7 s、保压压力93. 0 MPa、保压时间14. 1 s,获得预测的最小翘曲变形值为0. 331 875 mm,并使用优化后的工艺参数进行试验。试验结果表明,优化后产品的最大翘曲变形量降低至0. 318 9 mm,与优化前均匀试验所得的0. 378 1 mm相比,得到了明显的改善,降低了15. 7%。     

基于正交试验的塑料接线盒翘曲变形优化控制

注塑成型是一个具有多变量的复杂成型工艺过程,采用正交试验合理安排注塑工艺过程中进行多因素试验,通过分析各因素对试验结果的影响,确定工艺参数优化组合。对塑料接线盒的翘曲变形进行了优化控制研究。通过正交试验设计,从影响翘曲变形的6个工艺参数的角度分析了对塑件X、Y、Z 3个方向的翘曲变形量的影响,得到塑件翘曲变形最佳的注塑工艺参数组合:模具温度45℃、熔体温度190℃、保压时间35 s、保压压力120%、注射时间1. 5s、冷却时间13 s。通过试模,可知注塑出的塑件质量优良,符合客户要求。通过正交试验进行了塑件注塑质量优化控制,可针对不同试验指标,进行不同的试验因素分析,避免大量无序的试验成本,并且能够有效地解决了问题,可推广应用到其它塑件成型。     

基于计算机辅助设计的夹芯注塑成型可视化分析

为优化交换器夹芯注塑成型工艺,提升交换器结构的应力效果,保证交换器质量,对基于计算机辅助设计的夹芯注塑成型可视化分析进行研究。以ABS作为交换器夹芯注塑材料,结合交换器塑件的结构特点,基于Pro/E软件设计交换器夹芯注塑成型模具,将模具注塑成型工艺参数输入卷积神经网络模型,预测交换器夹芯注塑成型翘曲结果,以最小翘曲结果为目标函数,经遗传算法获取最优注塑成型工艺参数。将Pro/E软件设计的交换器夹芯注塑模具和求解获取的最优注塑成型工艺参数输入Moldflow平台,实现交换器夹芯注塑过程中工艺仿真以及可视化分析。结果表明：当模具温度为65℃、熔体温度为240℃、保压压力65 MPa、保压时间为6 s、充模流速为159 cm³/s时,交换器夹芯注塑成型产生的翘曲变形结果最低,为0.722 mm。交换器夹芯注塑内部流场的熔体流速均在80～100μm/ms范围内,平衡程度较好。采用优化后的工艺参数完成交换器夹芯注塑成型,可提升交换器的受力能力。     

基于CAE的扶手后盖翘曲变形注塑参数优化设计

借助CAE技术,对塑件的注塑成型进行了流动分析,潜在的成型缺陷在于塑件注塑成型翘曲变形大,通过调整注塑成型工艺参数,先对料温和模温进行优化,获得了较好的翘曲优化效果,再通过保压工艺的参数优化,将翘曲变形控制在2.052 mm以下,有效地保证了塑件的成型效果。优化获得的最终注塑成型工艺为:模温60℃,料温240℃,保压控制为40 MPa-15 s,25 MPa-5 s,冷却时间28 s。实践表明:经CAE分析后,该塑件的外观质量、尺寸、装配性能等均满足生产要求,具有较好的参考价值。     

基于CAE与RBF神经网络的固定体塑件注塑工艺优化

针对保险杠固定体塑件注塑成型困难的问题,运用CAE仿真分析手段,首先对其采用3个点浇口进行浇注的方案模拟,得出了影响塑件注塑成型困难的主要问题:塑件中间部位设置的加强筋位置处,料流流动发生多次改变和多重叠加,导致注塑时熔体在此区域产生紊流和回旋滞留。将浇注系统优化为采用5个点浇口浇注方案,能有效消除中间部位所产生的紊流和回旋滞留问题。结合CAE仿真手段和RBF神经网络的预测功能,对5点浇注方案进行注塑成型工艺参数的优化。获得塑件注塑较合理的工艺参数组合为:料温(Tθ)=229℃,模温(Ts)=51℃,注塑压力(pI)=43 MPa,注塑时间(ti)=6. 64 s,第一段保压压力(ph1)=62 MPa,第一段保压时间(th1)=9 s,第二段保压压力(ph2)=38 MPa,第二段保压时间(th2)=5. 5 s,第三段保压压力(ph3)=32 MPa,第三段保压时间(th3)=4. 5 s,冷却水进口温度(Tw)=27℃,冷却液流速(Vw)=3. 2 L/min,冷却时间(tc)=18 s。经实际注塑试验,塑件的注塑效果良好,有效地解决了实际生产问题。