基于Kriging与GA的双层变模温注射成型收缩控制策略

高温、高压的成型条件,使双层变模温制品的成型收缩对工艺参数的变化极为敏感,双层变模温制品的成型收缩控制策略成为提高制品质量的关键。以某空调遥控器前盖双层变模温成型工艺开发为例,探讨并制定了其成型收缩的控制策略。确定了考量成型收缩的多目标评价体系及参数变量,以拉丁超立方取样设计试验,并利用数值模拟软件进行充模、保压及冷却等过程模拟获取试验数据,建立了基于Kriging代理模型的变量与评价指标间的数学关系;利用遗传算法对数学关系进行迭代,寻找最优成型收缩的评价指标及变量组合;最后,将模拟及生产试验对研究策略的科学有效性进行验证。     

锰黄铜合金高温变形及本构模型研究

采用THERMECMASTOR-Z热模拟试验机,在变形温度650~800℃、应变速率0.01~10 s-1的条件下,进行了锰黄铜高温流变行为的相关研究。采用Arrhenius的双曲正弦模型,建立了锰黄铜流变应力与变形温度、应变速率之间的本构模型。结果表明:锰黄铜为正应变敏感材料,其流变应力随应变速率的增加而升高,随变形温度的增加而降低。该研究为锰黄铜热成形加工工艺的制定提供了理论依据。     

基于Kriging模型与遗传算法结合的RHCM成型工艺参数优化

为了提高高光无痕注塑成型(rapid heat cycle molding,RHCM)制品综合品质,提出了一种基于Kriging模型与遗传算法(genetic algorithm,GA)结合的工艺参数优化策略.将该策略应用于某空调柜机出风面板成型,以正交实验法规划实验,通过CAE分析获取实验样本数据,借助数据归一化法、线性加权法、直观分析法等数据处理方法,得到了对RHCM成型影响显著的工艺参数依次为保压时间、冷却时间、熔体温度、加热时间.然后引入Kriging建模理论,建立了RHCM成型制品综合品质与主要成型工艺参数的近似模型,采用GA对建立的近似模型在可行解空间搜寻最优解.得到的最优工艺参数为:加热时间36.9 s,熔体温度182.9℃,保压压力88.5 MPa,冷却时间51.3 s.最后,通过CAE分析和生产试制分别验证了该优化策略的可行性和合理性.     

前馈神经网络与遗传算法相结合解决曲轴中心缩孔

引言缩痕与孔洞是塑件成型时一种常见的缺陷。当制件外层材料冷却固化后,心部材料开始冷却,心部收缩把制件表层拉向制件内部,引起缩痕,如果制件表层的刚度足够大,则将在制件内部产生孔洞而不是缩痕[1]。关于塑件成型过程中的缩痕、翘曲、收缩等缺陷问题,许多学者提出了工艺参数设计的单目标和多目标优化模型,如Kriging模型、BP神经网络、响应面法、支持向量回归等,针对这些模型,采用的优化求解算法主要有:遗传算法、粒子群法、蚁群算法等。申长雨等[2]采用神经网络与混合遗传算法结合优化注塑成型工艺,改善了制品的体收缩