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。     

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的汽车副仪表箱体平衡注塑优化分析

针对塑件体积大,形状不规则难以进行平衡注塑的问题,结合计算机辅助工程（CAE）辅助分析手段,通过对3次浇注方案的调整和平衡注塑优化,将塑件的翘曲变形有效地控制降到15 mm左右,避免了基于经验设置浇注系统可能导致模具报废的潜在风险;在基于翘曲变形得到控制的基础上,通过进一步的料温、保压参数、冷却参数的优化调整,获得了塑件的最佳注射成型工艺参数为：料温245 ℃,模温60 ℃,保压分2段保压,分别为90 MPa/16 s,70 MPa/9 s,冷却时间为60 s。通过试模检验,所优化的工艺参数能完全满足本塑件的量产要求。     

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。     

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。     

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Taguchi与BPNN–PSO的薄壁注塑件翘曲变形优化

以家用空调遥控器前壳注塑件为例,在应用CAE模流分析确定塑件浇注系统和冷却系统的基础上,选取模具温度、熔体温度、注塑时间、保压时间和保压压力为设计变量,通过集成有限元模拟、Taguchi正交试验、BP神经网络(BPNN)以及粒子群优化算法(PSO)等来实现对薄壁塑件翘曲变形量的优化。优化后的工艺参数使得塑件翘曲变形量较优化前减少了37%,并应用Moldflow对优化工艺参数可靠性进行了模拟验证,结果显示,验证值和优化结果吻合度高,仅相差0.015 mm,表明所采用的薄壁塑件翘曲变形优化方法能显著减少注塑工艺参数调控过程对操作人员的经验依赖,具有较高的工程应用价值。     

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。     

薄壁件注塑翘曲变形综合优化分析

以薄壁塑件为研究对象,将Moldflow模流分析工艺参数优化与ANSYS模具结构分析综合研究塑件翘曲变形,并进行工艺参数及冷却方式的优化。结果表明,保压压力是该薄壁塑件注塑时翘曲变形影响最显著的因素,模具温度对翘曲变形影响很小;通过优化可以得到最优的冷却管道布局和最优的注塑工艺参数;综合优化真实考虑到了由于模具变形而引起的塑件变形,并显著地减小了塑件翘曲变形。     

基于CAE和T-S神经网络的储物箱注塑工艺优化

针对塑件翘曲变形过大而导致塑件注塑失效的问题,通过运用CAE分析得出了影响翘曲变形过大的主要因素为收缩不均;采用正交试验方法获得了初步优化后参数,为Tθ(230℃)Ts(65℃)PI(70 MPa)ti(3.5 s)Ph1(60 MPa)th1(10 s)Ph1(75 MPa)th1(12 s)tc(6 s),对应的翘曲值为5.53 mm。在此基础上,再次运用GSO算法对改进的T-S模糊神经网络进行预测,得到了进一步优化的翘曲值,为3.49 mm,对应优化后的工艺参数为Tθ(230℃)Ts(68℃)PI(70 MPa)ti(4 s)Ph1(65 MPa)th1(8 s)Ph1(75 MPa)th1(14 s)tc(4 s),将优化后的工艺参数应用于实际注塑后,塑件的实效问题得到了有效解决,具有较强的实践参考价值。     

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。     

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Moldflow的解决LED显示屏前壳的翘曲问题

塑件翘曲变形问题一直是困扰注塑行业的一大问题,传统的解决方案是先制模然后通过反复试模来解决模具的翘曲变形问题。现在通过Moldflow模流分析软件可以精确的分析、预测塑件的翘曲变形,并通过预测结果来改变模具的设计结构和工艺条件最终优化模具。     

基于Moldflow的温控器外壳注塑工艺优化

选取聚碳酸酯(PC)和丙烯腈-丁二烯-苯乙烯(ABS)共聚物作为填充材料,运用Moldflow软件对某温控器外壳注塑成型过程进行模流分析,得到PC和ABS的填充、翘曲变形分析结果,表明PC更适于生产温控器外壳。通过设计正交实验,探究了各工艺参数对翘曲量的影响。结合极差分析得出,影响塑件质量的顺序为:保压时间、熔体温度、保压压力、模具表面温度,并得到最优工艺参数,即模具表面温度为95℃,熔体温度为285℃,保压时间为11 s,保压压力为130 MPa。优化后,塑件的体积收缩率和最大翘曲量为2.311%,0.927 mm,分别降低了54.75%和40.69%,结果表明,优化后的工艺参数减小了翘曲量。