基于智能优化算法的注塑成型缺陷多目标优化

通过以注塑成型过程中的最大熔接线相遇角和最小翘曲变形为目标函数,以熔体温度、模具温度、注射时间、保压压力、保压时间和冷却时间等工艺参数为设计变量,建立了优化注塑成型缺陷的多目标优化模型。采用基于混合人工神经网络代理模型和改进多目标粒子群优化的优化方法对多目标优化模型进行求解。以打印机上盖为例,采用正交试验方法和Moldflow软件获得的试验结果训练混合神经网络代理模型,并对其成型缺陷进行了优化。所有结果表明,所给出的优化方法能够得到合理的多目标优化Pareto解,并同时优化了注塑制品的熔接线相遇角和翘曲变形。将得到的优化工艺参数进行Moldflow实验,可知上述2种缺陷分别优化了17.2%和13.6%。     

基于径向基函数神经网络和多岛遗传算法的注射成型质量控制与预测

针对现有多参数、多目标注塑工艺优化应用的遗传算法、粒子群算法等寻优算法存在的实施难度大、求解时间长等缺点,提出基于最优拉丁超立方试验设计方法并结合径向基函数(RBF)神经网络模型和多岛遗传算法(MIGA)对注射成型质量进行控制与预测。以充电宝下盖塑件的体积收缩率和缩痕指数为优化控制目标,以模具温度、熔体温度、保压时间、保压压力、冷却时间为试验因素,应用最优拉丁超立方试验设计方法获得试验样本,基于模流分析获得试验结果,构建试验因素与优化控制目标之间的RBF神经网络模型,基于MIGA在试验因素给定的水平范围内获得了一组最优注塑工艺参数组合并给出了优化控制目标的预测值。模拟试验结果证明,预测值与模拟试验结果基本吻合,提出的方法能实现注塑成型质量的控制与预测,减少了寻找最优工艺参数组合的时间,提高了塑件的生产效率。     

基于神经网络技术的塑料齿轮模型工艺参数优化

针对塑料模型注塑成型优化过程中工艺参数多、计算准确度低、工程模拟量大的特点。以塑料齿轮零件为例,通过引入BP神经网络技术,结合Moldflow软件建立注塑成型工艺参数优化模型。以体积收缩率和翘曲变形量为注塑工艺评定目标函数,选择熔体温度、保压压力、保压时间、模具表面温度为训练样本,建立4~4正交试验表,由相对方差分析评价模型的分析结果,给出优化后的工艺参数,指导工程实际应用。研究结果表明,通过BP神经网络对初始工艺参数进行训练,模型训练预测值与模拟值相对误差在3%以下,满足预测精度要求,经过对正交试验表样本进行训练,确定优化工艺参数为:熔体温度220℃、保压压力50 MPa、保压时间15 s,模具温度70℃。由Moldflow模型验证指出优化后的工艺参数组合能减少塑料件的注塑缺陷,提升塑料件的使用性能。     

变刚度圆柱壳屈曲分析及铺丝路径优化

为提高变刚度圆柱壳的抗屈曲性能,设计两种铺丝方案并运用径向基函数代理模型优化两种铺丝方案中的参数。将ABAQUS和ANSYS的计算结果进行对比,验证ABAQUS建模的可靠性;运用ABAQUS分别对外压荷载、内压荷载、外压轴压组合荷载和内压轴压组合荷载下的变刚度圆柱壳进行屈曲分析,并由MATLAB实现径向基函数代理模型优化算法,优化铺丝方案中的设计参数。结果表明:对比铺设角度线性变化的铺设方案,铺设角度非线性变化有利于提高内压轴压组合荷载下圆柱壳的抗屈曲性能;对于内压轴压组合荷载下的圆柱壳,增大参数m和n可以提高优化后的屈曲荷载;两种铺丝方案优化后的屈曲临界荷载和铺丝路径十分接近,验证了代理模型优化的准确性。径向基函数代理模型优化复杂铺丝方案中的参数是可行的,其优化结果可为纤维变角度铺丝构件提供一定的参考。     

基于CAE的注塑模浇口与保压优化设计

通过Moldflow软件，对平板形塑料件注塑过程中的流动、翘曲情况进行数值模拟。通过设置不同的浇口数量、位置和保压压力、保压时间，分析了注塑压力、熔接线分布、翘曲变形量和缩水缺陷等情况，优化了浇口数量、位置和保压压力、保压时间以减少注塑缺陷和塑料件变形；并结合分析结果指导模具设计及注塑过程工艺参数的设定。     

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。     

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。     

基于CAE的注塑模浇口与保压优化设计

通过Moldflow软件，对平板形塑料件注塑过程中的流动、翘曲情况进行数值模拟。通过设置不同的浇口数量、位置和保压压力、保压时间，分析了注塑压力、熔接线分布、翘曲变形量和缩水缺陷等情况，优化了浇口数量、位置和保压压力、保压时间以减少注塑缺陷和塑料件变形；并结合分析结果指导模具设计及注塑过程工艺参数的设定。     

基于CAE的注塑件结构及成型工艺参数优化

应用CAE软件模拟注塑件的成型过程,分析制件潜在的质量缺陷,通过优化制件结构及浇注系统改善了制件成型质量;结合正交试验方法,通过流动＋翘曲分析对模具温度、熔体温度、注射时间、保压压力和保压时间等注塑工艺参数进行优化,获得最佳工艺参数组合,为生产合格制品提供理论依据。     

ABS自动化设备电子元器件外壳注塑成型工艺优化研究

为解决注塑制件成型过程翘曲变形问题,采用Moldflow软件对自动化设备电子元器件外壳注塑过程进行模流分析,但是模拟分析需要的样本数量较多,整个模拟过程缓慢。为了解决这一问题,采用拉丁超立方抽样方法对制件进行随机取样,建立RBF神经网络代理模型。通过模拟退火算法对代理模型进行全局寻优,对制件模具温度、熔体温度、保压压力以及冷却时间进行多目标优化,以制件的翘曲变形量为响应目标,获得最佳的工艺参数组合。结果表明：代理模型R²为0.920 98,模拟值与预测值基本一致,误差为0.84%。通过模拟退火算法优化后,最佳的成型工艺参数保压压力为59 MPa,冷却时间为18 s,模具温度为50℃,熔体温度为240℃,此时制件翘曲量最小为0.538 5 mm,通过该方法为改善制件翘曲变形提供参考。