基于BP神经网络的注塑成型工艺优化

以激光器支架为例,运用Moldflow软件进行模流分析,并设置了正交试验,以得到各因素水平的最佳组合,从而减小翘曲变形量,提高塑件质量,使其达到装配要求。然后根据所得数据建立了BP神经网络预测模型,再利用测试样本验证模型的准确性,结果发现仿真值与预测值的误差均在±3%以内。     

基于BP神经网络及PSO算法的食品输送齿轮注塑工艺参数优化研究

以食品输送系统的塑料齿轮为研究对象,首先利用正交试验法进行翘曲分析,得到最小翘曲量为1.952 mm。然后利用正交试验中的工艺参数和翘曲量分别作为输入层和输出层来构建一个三层的BP神经网络,经过训练和测试,得到一个性能较好的神经网络模型。最后利用这个模型计算粒子群优化(PSO)算法各粒子的初始适应度值,并以翘曲量为目标对工艺参数进行优化。优化得到的塑料齿轮最小翘曲量为1.853 mm,经过翘曲分析验证后得到翘曲量值为1.830 mm,误差1.2%,相比于正交试验法优化效果更好。     

基于Moldflow和代理模型的注塑工艺参数优化

以汽车悬架中的塑料连杆为研究对象,基于有限元数值模拟,利用Moldflow软件对连杆注塑过程进行模拟。通过极差分析,确定了模具温度、熔体温度、注射时间、保压时间和保压压力对缺陷的影响程度。通过拉丁超立方采样,基于径向基函数代理模型,建立了关键工艺参数与产品缺陷之间的对应关系,并通过序列二次规划法得到最优的工艺参数。结果表明:采用Multi-quadric函数的径向基函数代理模型的拟合精度最高,预测结果可信,优化后的制品性能显著提升。     

基于Moldflow的排水泵过滤网注塑工艺优化与模具设计

利用Moldflow对塑料排水泵过滤网的注塑成型过程进行仿真,通过对其结构分析制定了合理的浇口位置和冷却水路。利用三因素三水平正交试验,研究了熔体温度(A)、充填压力(B)和开模时间(C)对于塑件翘曲变形的影响,得出较优的工艺参数组合为A₁B₃C₃,即熔体温度220℃,充填压力80%,开模时间6 s,此时塑件的最大翘曲变形量为0.632 8 mm,与优化前相比降低了10.37%。最后依据Moldflow的分析结果,利用UG软件对注塑模具的结构进行了设计,根据塑件卡扣的结构特点,型腔采用整体式结构,型芯设计为组合式(主型芯+滑块)结构,并采用三组“斜导柱+滑块”式侧向抽芯机构解决脱模问题。为实现顺序脱模,借助尼龙塞以增加定模板与动模板之间的开模阻力,设计了内置式“小拉杆+拉杆套”结构的定距分型机构;考虑到塑件形状和模具结构与成本,设计了沿塑件侧壁轮廓排布的圆推杆脱模机构;为避免气纹、气穴等缺陷的形成,在型腔处设计了排气槽结构。该模具结构设计较为合理,可为其他结构相似塑件的模具设计提供有益参考和指导。     

基于BP-TGA算法的注塑成型工艺参数优化

以鼠标壳为实例,利用正交试验数据作为训练样本,以翘曲变形量为目标,经反复训练找出最佳BP网络模型作为注塑工艺参数组合优劣的评价系统。在BP网络模型的基础上,融入禁忌遗传算法作为优化算法(BPTGA算法)对注塑工艺参数组合进行优化,从而找出翘曲变形量最低的参数组合。仿真实验表明,通过BPTGA算法可高效、准确地在指定范围内找出最佳工艺参数组合,从而大大提高产品设计效率和制品质量。     

基于BP神经网络的无人机固定翼注塑成型工艺优化

为了解决无人机固定翼在注塑过程中工艺参数的优化选择问题,在考虑了熔体温度、模具温度、保压压力、保压时间、注射时间因素下,用模流分析软件Moldflow和正交试验相结合的方法对翘曲量、体积收缩率和缩痕指数进行了模拟分析,同时为了提高优化效率,根据正交试验数据建立了BP神经网络预测模型,并用模型对工艺参数进行了优化和实际生产验证。结果表明:优化后的塑件最大翘曲变形量、体积收缩率、缩痕指数分别优化了0.212 5 mm、1.26%、1.223%,提高了塑件质量。而且仿真值与模型的预测值基本吻合,相对误差在3%以内,验证了模型的可行性,为优化工艺参数方面的研究提供了理论依据。     

基于CAE的注塑工艺优化

运用模具CAE软件对所选塑料制品进行填充、冷却、翘曲仿真模拟,利用正交试验设计的方法分析得到工艺参数的最优组合,为模具的制作和注塑生产工艺的设计提供试验依据.     

基于Moldex3D的护目镜注塑成型工艺优化和缺陷改善研究

以护目镜为研究对象,基于Moldex3D模流软件进行分析,选用对实验影响最大且可调节性强的7个参数——模具温度、熔体温度、注射速度、注射压力、V/P切换点、保压压力、冷却时间,设计7因素3水平正交实验表.预测护目镜的保压流动残余应力、体积收缩率、热应力、总和条纹级数,从而对工艺参数进行优化.运用极差分析和灰关联度计算,...     

基于GA-BP-PSO算法的薄壁注塑件翘曲变形优化

以聚对苯二甲酸乙二酯(PET)的塑料瓶胚零件为例,通过Moldflow软件设计浇注系统和冷却系统并进行有限元分析以优化零件的翘曲变形量。选定熔体温度、模具温度、保压压力、保压时间和注射时间为5个影响因素,设计了L₁₆ (4⁵)的正交试验表。对正交实验数据进行了极差分析,得出了各因素对翘曲变形量的影响程度并获得较优工艺参数。通过GA-BP-PSO算法对工艺参数进一步优化,得到最佳工艺参数：熔体温度265℃、模具温度60℃、保压压力125 MPa、保压时间12.867 1 s、注射时间0.340 5 s。上述工艺参数对应的零件翘曲变形量为0.137 3 mm。最后通过Moldflow软件进行数值模拟,得到翘曲变形量为0.139 5 mm,较优化前的翘曲变形量0.179 6 mm,降低了22.33%。软件模拟值和经GA-BP-PSO算法得到的预测值仅相差1.60%,将优化后的工艺参数组合应用于实际生产中,所获得的产品符合生产要求,验证了GA-BP-PSO算法的准确性与可行性。     

基于Moldex 3D与正交试验的离心泵泵头注塑工艺优化

以商用离心泵泵头为研究对象,运用Moldex3D模流分析软件对其注塑成型过程进行了模拟。根据产品的结构特点设置了三种浇口方案,通过对注塑过程的模拟分析选出最佳方案来获得模具设计思路并预测制品成型后可能存在的质量问题。结果表明,平衡进浇方案的制品具有最好的综合性能,制品的翘曲变形量为1.588 mm,体积收缩率为2.444%。确认最佳浇口方案后,将充填时间(A)、保压时间(B)、冷却时间(C)和模具温度(D)作为实验因素,采用田口法构建五因素四水平的正交试验来获得最佳工艺参数,并使用极差和方差分析对结果进行置信度检测。以翘曲总位移结果为主要权重对象,通过极差分析确定了成型参数的最优组合为A1B1C1D1,方差分析则验证了极差分析的结果置信度高于99%。相较于初始方案,制品的翘曲变形量从1.588 mm降低至1.214 mm,降低了23.6%;冷却时间降低至10 s,降低了40%。得知模流分析技术的使用让产品的质量和生产效率都得到了明显的优化,为预测塑件性能、降低生产成本、提高生产效率提供了一种可行的方式。     

汽车轮眉注塑成型工艺分析及优化设计

对汽车轮眉的注塑成型过程进行了模拟分析。首先通过有限元软件ANSYS对轮眉进行载荷分析,得到轮眉的应力分布图和形变分布图。然后利用Moldfl ow软件模拟轮眉的注塑成型过程,设计了两种注塑成型方案,分别进行流变、冷却和翘曲模拟,分析轮眉的填充、保压、收缩和变形等情况,选择最优的注塑成型方案。再采用正交试验法分析影响轮眉翘曲变形的因素,寻找可使轮眉翘曲变形量最小的最优参数组合。结果表明:轮眉应力集中的位置在外表面拐角处;最优的注塑成型方案为单浇口浇注;各因素对翘曲变形的影响程度为保压时间保压压力熔体温度模具温度注射时间;最优工艺参数组合为熔体温度250℃、模具温度40℃、注射时间2.5 s、保压时间10 s、保压压力90 MPa。最优工艺条件下,轮眉的最大翘曲量可降至0.774 mm。     

基于CAE技术的塑料水杯注射成型分析与工艺优化

以日常生活用品塑料水杯为例,介绍了利用计算机辅助工程(CAE)分析软件辅助设计塑料注射成型过程中的浇注系统和冷却系统。在此基础上,针对初次填充冷却分析后,翘曲变形较大的问题,提出以翘曲变形结果为优化指标,保压时间、保压压力、模具温度三个工艺参数作为关键因素进行正交试验,从而确定各因子对产品翘曲变形的影响程度。最后,结合实际,选出一组最佳工艺参数,达到提高注射成型效率的目的。     

基于神经网络的车灯副反射器注塑工艺参数优化

利用正交试验方法,借助Mold Flow软件对车灯副反射器进行翘曲变形分析。利用BP神经网络建立注塑工艺参数(熔体温度、模具温度、注射时间、保压时间、冷却时间)与产品翘曲变形之间的关系。利用遗传算法对BP神经网络进行全局寻优,得到产品的最小翘曲变形,以此实现对注塑成型工艺参数的优化,进而减小产品翘曲变形,提高产品质量。     

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。     

注塑成型工艺参数的优化研究进展

在注塑成型过程中,通过合理设置注塑工艺参数可以得到高质量塑料制品。通常可以采用正交试验法对注塑成型工艺参数进行优化。通过对正交试验数据运用极差分析、耦合推广正交算法、灰色关联度分析法以及使用神经网络模型和遗传算法,可以获得注塑成型工艺参数的最优配置组合。     

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PSO-BP神经网络的轮胎负荷测量方法

研究基于粒子群优化（PSO）算法-BP神经网络的轮胎负荷测量方法。将采集的轮胎状态信息与提取到的加速度特征输入到BP神经网络,对轮胎负荷进行回归预测,使用PSO算法优化BP神经网络的权值与阈值,得到轮胎状态信息与轮胎负荷的关系。结果表明,采用PSO-BP神经网络预测轮胎负荷误差为1.865 6 %,PSO-BP神经网络预测精度较高,在转变工况条件下,预测误差为2.496%。