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BP神经网络的显示仪框注塑CAE优化分析

以汽车显示仪框的注塑成型为例,构建了该汽车塑件两种浇注方案的CAE分析模型,得到了最佳浇注方案,运用Moldflow软件对塑件的注塑成型工艺参数进行了仿真,并对塑件注塑过程中的翘曲、熔接痕、气穴等缺陷成因进行了分析,给出了质量改善优化目标,最后提出了一种新的结合Tugachi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,运用Tugachi正交试验分析、BP神经网络、CAE模流分析相结合的方法,能获得较佳的注塑成型工艺参数,使汽车塑件的注塑质量得到明显改善。     

Ipad平板电脑面壳成型CAE优化分析

电子消费产品平板电脑面壳外饰件因其注塑量大,外观要求高,特别是几何形位公差要求较高,在注塑成型工艺中一直是个加工工艺难点。模具设计中,浇口位置、进胶方式以及成型工艺的选择及精确制定将对产品的成型质量起到关键作用。利用MoldFlow软件对浇注系统、成型工艺的工艺参数设定进行了逐步优化分析和调整。通过优化,调整了产品进胶方式,通过优化注塑成型工艺方法和参数,改善了产品的翘曲变形缺陷,获得了合理的模具结构设计,提高了塑件成型质量和效率,有效地缩短了模具的研制周期和降低了生产成本。     

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。     

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。     

PVC-U管件注塑模具浇注系统的优化

针对3种类型PVC—U管件注塑模具的常用浇注系统在管件成型中经常出现的产品表面及浇口周围存在流动斑纹、分层等难以解决的问题,对PVC—U管件注塑模具浇注系统进行了优化设计。结果表明,经优化设计的浇注系统虽然复杂,且模具的加工费高,但在注塑工艺上简化许多,同时解决了从工艺上难以解决的注塑缺陷,使产品的表观及内在质量都有提高。     

Optimization for Injection Molding Process Conditions of the Refrigeratory Top Cover Using Combination Method of Artificial Neural Network and Genetic Algorithms

The process conditions have important influence on final part quality in injection molding, and how to get optimum process conditions is the key to improving part quality. Sinkmarks on the surfaces of injection-molded parts is one of the problems that limit the overall success of injection molding technology, and the presence of sinkmarks significantly impairs the surface quality of injection molded parts. A combination method of artificial neural network and genetic algorithms is proposed to optimize the injection molding process, and the processing parameters of a refrigeratory top cover are optimized using the combining method to minimize the sinkmarks on the part. The results indicate the combining method is an effective tool for the process optimization of injection molding.     

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。     

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...     

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。     

复杂壳体类塑料件气体辅助注射成型工艺参数优化研究

以21英寸彩电前壳作为研究对象,将Moldflow 2010作为CAE模拟试验平台,以熔体温度、模具温度、熔体注射时间、气体延迟时间、气体压力为关键工艺因素,考察了复杂壳体类塑料件气体辅助注射成型(GAIM)时制件的翘曲变形量和气体穿透情况。以正交试验设计方法为基础,利用遗传算法并结合径向基神经网络建立GAIM工艺参数优化系统,可用于工艺参数组合的快速确定,为GAIM过程中工艺参数优化提供了一种新的求解思路。     

基于GRNN-NSGA的带嵌件注塑件多目标优化

带嵌件的注塑产品成型过程相较于传统注塑产品较为复杂,产品成型周期和产品质量难以预测。针对这一问题,以带嵌件的静电检测盒为例,运用广义神经网络(GRNN)和非支配排序遗传算法(NSGA-Ⅱ),对注塑成型过程进行控制与优化。以熔体温度、模具温度、注射时间、冷却时间、保压压力和保压时间为输入层,体积收缩率、X方向翘曲变形、Z方向翘曲变形作为输出层,建立GRNN模型。利用正交试验设计得到的样本对神经网络模型进行训练和测试,运用NSGA-Ⅱ对建立的模型进行优化,最终三个目标值分别降低了30.96%、22.76%、15.62%,表明该方法可以对注塑成型过程进行预测和控制。     

车载蓝牙外壳高光无痕注射CAE分析及参数优化

以车载蓝牙外壳为例,研究了局部密孔制件与普通制件高光注射成型的区别。利用Moldflow软件结合正交方法、数值模拟和数据处理技术,对高光无痕注射成型工艺进行了模拟分析。针对高光成型指标(翘曲变形、体积收缩率和熔接痕),研究了模具温度对高光制品品质的影响,得出高光制品品质随温度的升高而改善。并在此基础上模拟了熔体温度等多因素对高光制品体积收缩率和翘曲变形的影响,优化了工艺参数。     

Moldflow在计算器外壳成型工艺优化中的应用

针对计算器外壳在企业生产过程中存在的具体问题,运用数值模拟技术、正交试验设计理论和神经网络理论优化塑件的工艺成型参数,并获得较为理想的最佳工艺参数组合。本文深入讨论了熔体温度、模具温度、注射时间、保压压力、保压时间、冷却时间六个因素对塑件整体翘曲变形和体积收缩率的影响。     

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。