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。     

基于神经网络的注塑成型工艺优化

介绍了一种基于CAE把Taguchi实验设计方法和神经网络结合使用的注塑成型工艺优化方法，并通过一个简单的实例对该方法的可行性进行了验证。结果表明：神经网络结合Taguchi实验设计方法的优化算法，可以对注射成型过程中的注射压力最大值进行优化和预测；在进行最少次实验的结果上给出最佳实验因素水平组合，确定出最佳实验条件，并将实验因素对实验目标的影响大小排序，由此获得较重要的实验因素，从而进行注塑成型工艺优化及控制。     

基于BP网络的注塑件翘曲变形工艺参数优化研究

利用BP神经网络对注塑工艺参数及其相对应的翘曲变形量样本进行训练，得到了描述工艺参数到翘曲量映射关系的人工神经网络（ANN）模型；验证了此模型的准确性；得出了工艺参数与注塑件翘曲变形量的内在联系，为以后的参数优化以及翘曲量预测起到重要的指导作用。     

基于RBF神经网络断路器注塑成型工艺优化

塑壳断路器一般通过注塑成型工艺制得。在注塑成型过程中,模具温度、熔体温度、保压压力以及保压时间均对制件的翘曲变形产生一定的影响。以模具温度、熔体温度、保压压力以及冷却时间作为研究参数,以翘曲变形量作为研究目标,采用最优拉丁超立方抽样法抽取合适的样本,建立RBF神经网络模型,结合遗传算法对制件的翘曲变形量进行优化,得到最佳的成型工艺参数组合。结果表明：四个因素的影响程度大小为模具温度>冷却时间>保压压力>熔体温度。当模具温度为50℃、熔体温度为250℃、保压压力为60 MPa以及冷却时间为10 s时,制件的翘曲变形量最小为2.307 7 mm,相较未优化前降低1.294 2 mm,制件成型质量得到明显改善。     

基于Moldflow和正交试验法的塑料杯注塑工艺参数优化

以某一塑料杯为研究对象,采用正交试验法设计试验方案,使用Moldflow对其进行翘曲模拟分析。以熔体温度、模具温度、注射时间、保压时间、保压压力为试验因素,分析其对翘曲变形量的影响规律,旨在获取最小翘曲变形量,找到最优的工艺参数组合,再次模拟验证得到翘曲变形量为0.066 0 mm。通过分析,有效减小翘曲变形,并且发现5因素对翘曲变形影响程度为:保压时间熔体温度模具温度注射时间保压压力,进而提高了制品的尺寸精度和使用性能,为实际注塑工艺参数的设置提供了正确理论指导。     

BP神经网络在注射成型工艺参数优化中的作用

本文研究的是注射工艺参数对塑件翘曲变形的影响。通过CAE模拟计算,以工艺参数为输入参数,以翘曲量为输出参数,构建BP神经网络模型。以CAE分析结果作为训练样本和检测样本,分析BP神经网络在工艺参数优化方面的作用。     

基于翘曲分析的注塑模工艺参数的优化

结合CAE及Taguchi DOE技术,研究工艺参数对注塑制品翘曲量的影响。采用了有交互作用的L16(215)正交表设计实验以及没有交互作用的L9(34)正交表设计实验,研究了因素如熔体温度、模具温度、保压压力、保压时间和注塑时间对翘曲影响的显著性。对所选参数,保压压力和熔体温度对注塑制品的翘曲量影响最大。通过两次正交设计实验,使手机上壳制品的翘曲量减少了34.23 %,提高了制品品质。     

基于改进的BP神经网络的注塑成型翘曲优化设计

注塑成型是制造塑料产品应用最广泛的一种方法。整个注塑成型过程一般分为注射、保压和冷却3个阶段。成型过程中的翘曲变形是注塑制品一种严重的缺陷。由于注塑制品质量主要受工艺条件影响,所以如何确定最佳工艺条件来减少翘曲变形成为改进注塑制品质量的一个关键。以模具温度、熔体温度、注射时间、保压时间、保压压力和冷却时间为设计变量,运行Moldflow软件进行制品的翘曲变形分析,用BP神经网络模型来建立翘曲变形与设计变量的函数关系,加权形式的期望提高加点准则实现序列的迭代优化设计。这种加点准则能调整局部和全局搜索,在保证计算效率的同时提高对全局最优解的逼近程度。通过实例验证,所提出的优化方法能有效地减小注塑制品的翘曲变形。     

基于计算机仿真的注塑成型工艺优化研究

为了优化注塑成型工艺,研究了注塑成型的数学模型,以及产生翘曲形变的原因,在此基础上利用Moldflow软件对薄壁件塑料注塑成型过程中的宽浇口平板进行了仿真实验,并采用了无定型塑料丙烯腈-丁二烯-苯乙烯共聚物+聚碳酸酯(ABS+PC)对其进行注射、保压、冷却等流程模拟,选定了保压压力、熔体温度、冷却时间、模具温度、注射时间、保压时间等主要工艺参数,并通过方差比较的方法对这些工艺参数进行了评价,最终确定了注塑成型的优化方案。通过实验得出了ABS+PC的最优工艺参数组合,有效降低薄壳制件的翘曲量并优化了其制品性能。     

导管接头注塑成型工艺参数优化

以医用导管接头为研究对象,对其注塑成型过程在Moldflow软件中进行模拟,通过极差分析得到工艺参数对导管接头体积收缩率的影响趋势和最佳工艺参数,建立以注塑工艺参数为输入量,塑件的体积收缩率为输出量的BP神经网络模型,并进行训练与测试.结合遗传算法对导管接头的注塑工艺参数进行优化,获得最佳工艺参数为:熔体温度226℃、...     

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。     

基于Mold?ow和BP神经网络的汽车后视镜外壳注塑工艺优化

为解决汽车后视镜外壳的注塑翘曲缺陷问题,利用Moldflow对正交试验16组参数水平组合的成型过程进行模拟,得到各因素对翘曲变形量的影响程度,然后采用BP神经网络预测的方法得到最佳工艺参数组合为:模具温度70℃、熔体温度210℃、注射时间1.4 s、保压时间16 s及保压压力100 MPa。     

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RBF网络模型气辅成型工艺参数的优化

针对气辅成型过程中多个工艺参数的优化配置问题,提出了气辅成型工艺参数径向基函数(RBF)网络预测模型。该模型基于均匀设计思想,以RBF网络为基础,用正交最小二乘训练法对基函数的中心、方差和RBF网络权值进行优化,提高了网络预测模型对气辅成型制品质量指标的预测可靠性。以挂式空调前面板为例,对其进行CAE仿真分析,结果表明,该优化模型可实现对制品质量指标的快速预测,为工艺参数进一步优化奠定了基础。     

基于EBF神经网络和粒子群算法的注射成型优化设计

基于拉丁超立方设计建立了椭球基（EBF）神经网络模型描述注塑工艺参数与翘曲值间的函数关系,将EBF神经网络模型与Kriging模型对比,说明EBF神经网络模型可以准确地描述注塑工艺参数与翘曲值之间的函数关系,并结合多目标粒子群算法对工艺参数进行优化,并与邻域培植遗传算法优化结果对比,说明多目标粒子群算法的优点。结果表明,基于EBF神经网络模型和粒子群优化算法可以使塑料出水管翘曲值减小11.64 %,同时使保压时间和冷却时间总和减小了2.13 s,从而在出水管批量生产过程中减少了生产时间。