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。     

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。     

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。     

基于DOE实验的汽车塑件CAE优化与注塑模具设计

以某汽车塑件为例,针对其结构及分型复杂、注塑难等问题,基于DOE实验和CAE分析对其注塑所需工艺参数进行了仿真和优化。通过浇口位置和数量的优化,获得了理想的浇口设置;通过浇注系统的优化及成型窗口分析,获得了合理的流动分析工艺参数;对流动分析工艺参数进行正交试验优化,找出了产品注塑存在的潜在缺陷问题,经进一步对针阀控制进行寻优,解决了熔接线过长过多、充填不平衡、气孔较多等问题;通过翘曲和冷却分析的优化,最终获得了产品注塑成型所需的合理工艺参数,设计了一副结构合理的注塑模具,提高了模具生产效率。     

基于GRA-RBF神经网络的汽车手套箱成型工艺优化

以汽车手套箱翘曲问题的解决为例,针对产品翘曲变形问题,运用CAE有限元分析对其注塑工艺进行了仿真分析,首先优化并确定了产品的浇注方案,进一步的保压、冷却及翘曲分析表明,保压和冷却能得到有效保证,但翘曲变形大为产品注塑的主要质量问题。依据CAE分析的产品翘曲的分离因素结果,运用GRA灰色关联分析法并结合RBF神经网络对其工艺影响因素进行权重取值,调整后的GRA-RBF神经网络对工艺参数因素水平与翘曲变形量之间的关系具有较为准确的预测,依据此神经网络模型,得到产品注塑的优化工艺参数,获得了高质量的注塑产品,降低模具制造成本,有效缩短了模具生产周期。     

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。     

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。     

功能键膜片成型工艺的BP神经网络优化设计

介绍了功能键触摸盖的模内注射成型(IMD)工艺过程,设计了一种膜片高压预成型模具和一种两板式膜片模内注射成型模具,解决了 IMD成型工艺中膜片良品率低的难题.借助于正交试验和神经网络预测,应用计算机辅助工程(CAE)分析获得了膜片预成型的优化工艺参数,将优化结果应用于实践后,膜片成型和注射件的良品率分别提高到了 82....     

医用皮囊注塑模具的CAE优化设计

针对软塑料制品——医用皮囊在注射成型过程中形成的顶部变形缺陷问题,运用Moldflow的MPI(MoldflowPartInsight)软件进行了准确的CAE模拟和分析,并在模拟结果的基础上对注塑模具进行优化设计,得到改善成型缺陷的新方案。新方案的CAE模拟结果显示能够有效解决原有的成型缺陷问题,从而验证了优化方案的可行性。运用CAE技术可以为提高精密制品质量和优化成型工艺提供有效的指导和辅助手段。     

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。     

基于灰色关联度和BP神经网络的多级注塑成型工艺参数优化

针对电动车头罩出现安装困难的问题,本实验以减小产品翘曲量和体积收缩率为优化目标。首先在正交试验的基础上,运用信噪比和灰色关联度分析得出初步最佳工艺参数;然后以初步最佳工艺参数为基础,影响产品质量最大的四个因素为调整手段,建立正交试验,导入已经训练好的BP神经网络中进行预测,得出最佳工艺参数;最后用CAE进行模拟验证,最佳工艺参数下翘曲量为1.540 mm,体积收缩率为6.709%,符合生产要求。提出的优化方法能够有效提高制品质量,缩短产品生产周期,为多级注塑成型工艺参数的优化提供了一种可靠的解决方案。     

工艺参数对输液瓶瓶坯注塑性能的影响分析

基于传热学和塑料加工流变学理论,建立熔体在模具型腔中流动的数学模型,对聚丙烯(PP)250 mL输液瓶瓶坯注塑工艺参数对注塑成型性能的影响规律进行了研究。根据正交试验原理,建立由熔体温度、保压压力、模具温度和保压时间等工艺参数共同作用的正交试验,利用Moldflow软件对输液瓶瓶坯的成型过程进行流动模拟,并通过极差分析法和方差分析法获得了最优工艺参数组合。并在此条件下进行试模检验,得到的瓶坯品质合格,尺寸满足公差要求。