基于模拟的注塑模浇注系统及成型工艺参数优化研究

论文摘要

注塑成型是塑料加工最普遍的成型方法。随着工业的发展以及注塑成型技术的广泛应用,塑料制品的使用已经几乎渗透到各个行业中。塑料制品的广泛使用使得生产厂家对塑料制品质量愈来愈重视。翘曲变形是影响塑料制品质量最重要的因素之一,故可以通过改善塑料制品的翘曲变形量来保证塑料制品的质量,翘曲变形量的改善可以通过调整浇注系统和成型工艺参数。因此,浇注系统和成型工艺参数的优化具有实际的工程应用价值。本文以框形零件为研究对象,基于大量的试验数据和数值模拟分析的方法,结合Moldflow、正交试验法(Orthogonal Experiment Method)、人工神经网络(Artificial Neural Network)和遗传算法(Genetic Algorithm),对塑件制品质量的提高进行深入研究。首先,根据浇注系统建立的原则,对框形零件建立了不同浇注系统的成型方案,利用Moldflow软件对不同的成型方案进行模拟分析。对框形零件不同成型方案的模拟结果进行比较,得出了最优的成型方案,即得到框形零件优化的浇注系统。其次,对引起框形零件翘曲变形量的成型工艺参数进行研究,通过正交试验表和方差分析的方法确定了要研究的成型工艺参数,选取影响框形零件翘曲变形量的成型工艺参数:模具温度、熔体温度、保压压力和保压时间,每个成型工艺参数选取了4个不同水平值。结合正交试验表L16(44)对4因素4水平的试验进行分析,并对试验数据处理得到了所进行试验安排中的最佳工艺参数组合。并且描述了各个成型工艺参数对翘曲变形量的影响规律。本文结合BP神经网络和遗传算法在所选成型工艺参数全局范围内找到最佳成型工艺参数组合,为了能够建立稳定可靠的BP神经网络,对4因素4水平的试验进行全组合试验,共得到44=256组试验数据。利用试验数据,对在算法和网络结构改进的BP神经网络进行训练并检验,检验结果证明了建立的BP神经网络可靠性。利用BP神经网络的预测性能,预测其他成型工艺参数组合下框形零件的翘曲变形量,结合预测的翘曲变形量分析了成型工艺参数之间的交互作用对翘曲变形量的影响以及各个成型工艺参数对翘曲变形量的影响。最后,利用遗传算法在全局范围内搜索最优解的能力,结合框形零件的实际模型和试验结果,确定与之相适的遗传算法各参数,并结合已建立的BP神经网络,在各设定的成型工艺参数范围内搜索最优成型工艺参数组合,最终优化结果与试验值的比较显示了遗传算法在全局范围内搜索成型工艺参数组合的正确性。研究表明,浇注系统和成型工艺参数的优化对翘曲变形量的改善效果显著,使得框形零件的翘曲变形大大降低,有效地提高了框形零件的质量。除了能够减小翘曲变形量之外,还能够降低塑件制品的生产成本,提高竞争力。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 引言
• 1.2 注塑成型技术的原理
• 1.3 翘曲变形量的影响因素
• 1.3.1 浇注系统对塑件质量影响的研究进展
• 1.3.2 成型工艺参数对塑件质量影响的研究进展
• 1.4 选题的依据和意义
• 1.5 课题的研究内容及技术路线
• 1.6 本章小结
• 第二章 基于 Moldflow 的框形零件浇注系统优化
• 2.1 概述
• 2.2 Moldflow 分析流程
• 2.3 成型材料的选择及浇注系统的建立
• 2.3.1 成型材料的选择
• 2.3.2 浇注系统的建立
• 2.4 塑料熔体在成型过程中的流动行为
• 2.4.1 塑料熔体在圆管中的流动行为
• 2.4.2 塑料熔体在圆锥管道中的流动行为
• 2.4.3 塑料熔体在平行板间的流动行为
• 2.4.4 流动缺陷
• 2.5 Moldflow 中的塑料熔体黏度模型
• 2.6 Moldflow 模拟结果的分析
• 2.7 框形零件在成型过程中产生翘曲的原因
• 2.8 本章小结
• 第三章 试验设计与数据处理
• 3.1 注塑过程中的成型工艺参数
• 3.2 试验目的
• 3.3 试验设备与试验材料
• 3.3.1 试验设备
• 3.3.2 试验材料
• 3.4 框形零件翘曲变形量的测量方法
• 3.5 框形零件的成型试验方法与步骤
• 3.5.1 框形零件的试件制备
• 3.5.2 成型工艺参数及其水平的确定
• 3.5.3 正交试验数据分析
• 3.6 全组合试验数据分析
• 3.7 本章小结
• 第四章 人工神经网络模型建立及应用
• 4.1 人工神经网络的发展
• 4.2 人工神经网络的建立
• 4.2.1 人工神经元模型
• 4.2.2 BP 神经网络模型结构
• 4.3 BP 神经网络模型设计
• 4.3.1 网络层数的确定
• 4.3.2 隐含层神经元数和激励函数的确定
• 4.3.3 训练函数及自适应学习函数的选择
• 4.3.4 动量系数mc和学习速率lr的选择
• 4.4 BP 神经网络的工作过程
• 4.5 BP 神经网络模型改进
• 4.6 试验样本数据的选取及预处理
• 4.7 MATLAB 神经网络工具箱
• 4.8 BP 神经网络的训练及检验
• 4.9 BP 神经网络模型的预测
• 4.9.1 各成型工艺参数对翘曲变形量的影响
• 4.9.2 成型工艺参数之间的交互作用对翘曲变形量的影响
• 4.10 本章小结
• 第五章 遗传算法的应用
• 5.1 遗传算法的发展
• 5.2 遗传算法的设计
• 5.2.1 确定问题参数集
• 5.2.2 参数编码
• 5.2.3 初始化种群设定
• 5.2.4 适应度函数的设计
• 5.2.5.遗传操作的设计和参数设定
• 5.3 遗传算法计算推导
• 5.3.1 模式定理
• 5.3.2 动态分析
• 5.4 MATLAB 遗传算法工具箱
• 5.5 遗传算法优化成型工艺参数
• 5.6 本章小结
• 第六章 总结与展望
• 6.1 总结
• 6.2 研究展望
• 附录
• 参考文献
• 攻读学位期间本人出版或公开发表的论著、论文
• 致谢