基于BP神经网络的汽车内饰面板注塑成型工艺参数优化

以汽车内饰件中立柱上面板注塑成型为例,建立了模流CAE分析模型,运用Moldflow 2015软件对注塑成型工艺参数进行仿真,对注塑过程中的翘曲原因进行了分析;结合塑件的翘曲优化目标,提出了一种结合Tugachi正交试验法、BP神经网络、Matlab数值分析改善产品翘曲变形的注塑成型工艺参数寻优方法,基于此方法对注塑成型工艺参数进行了多次优化,并对优化结果进行了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,塑件最小翘曲量能降低至1.497 mm,对应的注塑成型工艺参数为:T_θ(205℃)、T_s(40℃)、P_I(60 MPa)、t_i(2.2 s)、P_(h1)(85 MPa)、t_(h1)(11.5 s)、P_(h2)(30 MPa)、t_(h2)(7 s)、t_c(20 s),将最终寻优所得参数输入注塑机,经试模验证后,产品注塑翘曲得到改善,与CAE分析预期值接近;提出的注塑参数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。     

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CAE和BP神经网络的塑件气孔及注塑工艺优化分析

针对除霜格栅塑件注塑后由于气孔较多而引起的开裂、凹陷等问题,对气孔产生的成因进行了分析。在排除材料、模具影响因素后,针对注塑成型工艺因素中的注塑速度和注塑压力对气孔问题产生的影响,在基于CAE仿真分析的基础上,将注塑速度和注塑压力转化成相应的螺杆转速控制因素,结合正交试验法对控制因素进行分层,通过BP神经网络构建控制因素与气孔数量的非线性控制关系,通过BP神经网络的预测作用,寻优出气孔最少的控制因素水平组合,并将之反馈于CAE仿真进行验证计算,检验结果表明,所寻优出的工艺参数水平组合能将气孔数量控制在较低的数量上。通过上述寻优,找到了改善塑件气孔的注塑工艺方案,对BP神经网络应用于注塑成型的优化具有很好的参考价值。     

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GRNN神经网络的汽车塑件工艺优化设计

针对汽车多媒体面板注塑成型过程中降低试模成本及缩短模具制造周期的要求,运用CAE仿真手段对产品模具结构设计前的潜在注塑品质问题进行了分析检验,CAE分析结果表明,通过对浇注系统进行成型窗口优化获得的成型工艺参数还不能完全满足产品的实际注塑需要,特别是熔接线和翘曲问题不能满足制品的品质要求。因而,在运用正交优化手段对注塑成型工艺参数进行调整的基础上,运用GRNN神经网络对工艺参数进行了预测和优化处理。从而构建了针对性的神经网络预测模型,样本检验后,以此为基础,对较优的工艺参数进行二次正交密化,并用GRNN神经网络进行了模拟预测,预测后优选的工艺参数组合能较好地实现产品的无缺陷注塑生产。将GRNN神经网络与模流CAE优化分析相结合,对解决注塑品质多维缺陷问题具有非常好的预测指导作用。     

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MPI和正交试验的翘曲变形研究

结合田口玄一博士提出的正交试验法,运用CAE模流分析软件对注塑成型过程进行模拟试验,得出各注射工艺参数与塑件翘曲变形之间的关系,获得比较理想的成型工艺参数。     

某汽车行李箱尾门槛板成型CAE优化分析

汽车行李箱尾门槛板内饰件因其注塑量大,流道流程长,因而采用热流道模成型较为适宜。模具设计中,浇口位置和冷却方式的选择对产品的成型质量起到关键作用。利用MoldFlow软件对浇注系统、冷却系统及成形工艺的设定进行了两种方案的有限元模拟分析。通过CAE模流分析,对塑件在模具中的浇口位置和冷却方案进行了优化,改善了模具成型中如翘曲变形、熔接痕等潜在的缺陷,获得了合理的热流道注射模设计结构,提高了塑件成型质量,有效地缩短了汽车行李箱尾门槛板内饰件注塑模具的研制周期。     

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。     

基于CAE和神经网络的汽车进气格栅注塑成型优化

针对汽车进气格栅产品结构复杂、注塑质量难以保证的问题,采用CAE仿真分析技术对其浇注系统设计进行了改进,改进后的浇注系统采用热流道嘴多点浇注系统,各热流道嘴采用针阀进行时序控制。通过运用神经网络寻优最佳注塑工艺参数、热流道嘴时序开启时间参数,获得了较好的工艺参考参数,解决了产品熔接线和翘曲变形的质量问题,缩短了产品成型周期。实践表明,采用CAE和神经网络分析优化后的产品注塑质量合格,满足了塑料制品成型的高效、精益化生产的需求。     

基于LM-BP神经网络的汽车AB柱内饰板注塑CAE优化分析

以某汽车内饰A、B柱上内饰板产品同模注塑为例,对产品的注塑工艺进行了优化设计,包括不同浇注系统的优化选用、已选定浇注系统的成型质量优化、成型工艺参数优化3个过程。在成型工艺优化中,对传统的BP神经网络进行了基于LM算法的结构改进,采用正交试验粗选优化工艺路径,改进后的LM-BP神经网络对细化优化工艺路径有着较好的预测功能。通过LM-BP神经网络辅助优选,得到了很好的产品注塑工艺组合参数,将之应用于实际注塑时,获得了质量良好的注塑产品,具有较强的设计实践指导意义。     

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。     

基于综合平衡法的注塑工艺参数多目标优化设计

结合正交试验法和模流分析软件Moldflow,对不同工艺条件下的汽车轮轴盖塑件成型过程进行模拟分析,运用多目标综合平衡法,对塑件成型后的体积收缩率、翘曲变形量和表面气穴3个目标值进行综合评判。通过对各成型工艺参数的极差分析和方差分析,确定熔体温度、模具温度、保压压力、冷却时间等注塑工艺参数对目标值的影响程度分,析得出最优的注塑工艺参数组合方案。生产实践证明塑件质量得到了有效的改善。     

基于Moldflow优化分析的轿车内饰出风口面板注塑模设计

针对某轿车内饰出风口面板复杂的塑件结构特征,注塑模设计经验难以解决成型风险的问题,结合CAE技术进行了浇口位置、浇注系统的优化分析与设计,找出了较优的浇注系统;通过对浇注方案的多次成型优化,最后确定了塑件的注塑成型工艺参数;通过针对性地结合CAE分析结果,高效设计出塑件成型模具,并得到实践上的验证;塑件缺陷风险消除,成型可靠。模具结构设计合理,工作稳定,可为同类塑件的模具生产实践提供有益参考。     

汽车卡扣注塑成型的模具设计及工艺优化

以汽车卡扣注塑成型为研究对象,建立了塑件CAE分析模型,通过对塑件模具结构2种设计方案的填充、保压、冷却等成型过程进行模拟仿真分析,优化了浇口位置和模具结构设计方案。结合塑件的成型工艺参数优化目标,设计了以动态变压和保压方式为试验因子的Tugachi试验方案,并研究了网格尺寸条件对分析结果产生的影响及其处理方式。结果表明:网格质量对塑件顶出时最大体积收缩率产生了影响,差值最大为5. 6%。优化后的注塑成型工艺参数为:熔体温度200℃,充填时间2. 2 s,模具温度20℃,冷却时间为30 s; 2种网格条件得到,顶出时最大体积收缩率分别为8. 364%和8. 679%,与优化前的试验数据相比,分别降低了12. 64%和9. 8%,并优于Moldflow成型窗口分析模块的计算结果。     

汽车保险杠冷热流道结合注塑成型工艺CAE优化分析

结合CAE分析软件,通过对汽车前端保险杠塑料件进行浇口位置和数量、浇注系统和冷却系统的前期优化分析,确定了最佳注塑成型工艺参数,将工艺参数转换成注塑机能操作的参数后,进行保压分析,获得了确保塑料件注塑成型质量并最终应用于生产的注塑操作工艺卡;通过优化塑料件注塑成型工艺方法和参数,有效消除了塑料件的翘曲变形等缺陷,提高了塑件成型质量和试模效率,缩短了模具的研制周期和生产成本。     

基于MPI平台随身听面板注塑成型优化设计

运用MoldflowMPI软件对随身听面板的注塑成型进行仿真，获得流动过程中的流动前沿温度、最大注射压力、注射时间等参数，预测注塑成型质量。通过比较四种不同浇注系统注塑成型流动模拟结果，得出了浇注系统的最优布局以及合理的工艺参数；同时仿真冷却效果，优化了模具冷却管道设计。根据以上的分析结果，确定了最佳的注射模结构和成型工艺，成功地避免了塑件注塑成型出现的缺陷，为生产优质塑件提供了强有力的保障。