基于灰狼算法和正交试验的冰箱饰条参数优化

为了满足冰箱饰条出厂要求，改善饰条在冰箱中的装配难度以及使用寿命，对其工艺参数进行优化，进而改善其翘曲变形量。通过Moldflow建立产品的模型，设计其浇口与水路。利用正交试验设计，探究工艺参数对于冰箱饰条翘曲变形的影响程度；利用灰狼算法对其工艺参数进行优化，通过迭代寻找最小的翘曲变形量以及对应的工艺参数。结果表明：当模具温度为52℃、熔体温度为205℃、注射时间2.8 s、保压压力45 MPa、保压时间14 s以及冷却时间为26 s，冰箱饰条最大翘曲变形量为0.72 mm，较初始参数下的翘曲变形量减少了40%。通过实际生产进行验证，发现饰条的翘曲变形量满足出厂要求，为饰条的生产设计提供支持。     

注塑制品翘曲变形的数值模拟优化与预测

以电池后盖板为CAE模拟分析模型,利用正交试验设计方法,将减小制品翘曲变形量作为优化目标,得到各工艺参数对制品翘曲变形量的影响程度及最优化工艺参数组合。利用径向基函数RBF神经网络对制品翘曲量进行预测,建立了各工艺参数与制品翘曲变形之间非线性映射关系模型,并与BP神经网络进行了对比。结果表明:RBF神经网络模型,可以较准备地预测制品的翘曲变形,并且在精度、训练速度等方面优于BP网络。     

基于BP人工神经网络的异形透盖注塑件翘曲变形分析

首先采用CAE软件Moldflow MPI 6.0和正交试验,对异形透盖塑件在不同注射成型工艺参数下的翘曲变形量进行了模拟,然后利用BP人工神经网络建立了主要工艺参数和塑件翘曲变形量之间的数学模型,并通过模型对塑件翘曲变形量进行了预测,结果表明,所建立的模型具有较高的预测精度。     

基于神经网络与正交试验的塑件翘曲变形优化

针对塑件在注塑成型过程中出现的翘曲变形过大的问题,采用了人工神经网络、正交试验和数值模拟三者结合的方法改进了注塑成型的工艺参数,优化塑件的翘曲变形。首先以正交试验得到的数据作为神经网络的训练样本,建立了输入、输出分别为成型工艺参数与塑件翘曲变形量的神经网络模型,并用样本验证模型的准确度,从而提高了成型工艺参数的选择效率。其次,采用验证过的神经网络模型代替CAE模拟仿真来获得塑件的翘曲变形量,结合正交试验法,改进了注塑成型工艺参数,得到了塑件的最佳成型工艺参数组合,使塑件的最大翘曲变形量降低了61%。最后,通过对塑件的实际制造证实了优化方案的正确性。     

基于BP神经网络的注塑成型翘曲分析及工艺优化

首先通过成型窗口得到基本的成型工艺参数,经正交优化,设计出合理的工艺参数组合。其次通过moldflow软件,研究了不同工艺参数组合对电连接器孔盖板翘曲变形量的影响,经极差分析,确定了各工艺参数对翘曲变形量影响的敏感性。然后根据优化所得的最佳工艺参数制得合格的注塑件。最后基于设计和训练的BP神经网络模型,对翘曲变形量进行预测,并与仿真结果进行比较,具有良好的一致性。     

医用仪器盒盖翘曲变形分析及工艺参数优化

以医用仪器盒盖的翘曲变形为研究对象,运用Moldflow模拟分析,得出熔体收缩不均是引起塑件发生翘曲变形的主要原因;结合Taguchi正交设计,得出了以翘曲变形量最小为目标值的最佳工艺参数组合,使翘曲变形量减小为原始量的83.5%。运用变量分析确定工艺参数对翘曲变形量的影响,为实际生产选择合理的工艺参数提供指导。     

共注成型制品翘曲变形分析及其工艺参数的优化

基于Hele-shaw模型，通过有限元数值模拟技术，研究了工艺参数对共注成型制品翘曲变形影响规律，并根据注射成型原理揭示了翘曲变形的产生机理。同时，采用正交试验法得到了共注成型最小翘曲变形的最优工艺参数组合，在优化后工艺组合条件下制品的翘曲变形大约减小了40％。     

基于GA-ELM及遗传算法的注塑件成型工艺优化

以某电器扣盖壳体注塑成型工艺参数优化为例,对正交试验结果进行极差分析,得到各工艺参数对塑件翘曲变形量的影响程度顺序为保压时间＞模具温度＞注射时间＞熔体温度＞保压压力＞冷却时间.利用遗传算法优化后的极限学习机网络模型(GA-ELM)预测该塑件的翘曲变形量,得到训练好的GA-ELM模型可以很好反映6个工艺参数与翘曲变形量之...     

基于遗传算法的复杂薄壁件注塑成型工艺参数优化

以某复杂薄壁件为研究对象,建立其有限元模型,运用CAE对初始工艺下的塑件翘曲变形量进行分析,得到了该塑件的最大翘曲变形量。构建复杂薄壁件翘曲变形量优化数学模型,基于BP神经网络结合遗传算法对塑件数学模型进行优化求解,求解结果表明优化后的塑件最大翘曲变形量为0.2313mm,与初始工艺方案下塑件最大翘曲变形量0.2811mm相比,降低了21.53%,提高了塑件的成型质量,得到满足装配要求的塑件。进一步采用优化后得到的最优工艺参数进行实际生产验证,获得了满意的效果,证明了BP神经网络结合遗传算法优化工艺参数技术方法的可行性与可靠性。     

基于BP神经网络的高光无流痕成型工艺优化

在对高光无流痕成型深入研究的基础上,以OPPO手机外壳为例将正交试验方法和CAE模拟相结合,以翘曲变形量为主要评价指标,研究工艺参数对高光制品翘曲变形量的影响趋势,然后利用BP神经网络建立主要工艺参数和塑件翘曲变形量之间的数学模型,并通过模型对塑件翘曲变形量进行预测,并经实验验证了该方法的可靠性.新技术和新思路的运用,在控制OPPO手机外壳翘曲变形方面产生了良好的效果,对实践生产具有一定的指导意义.     

复杂壳体类塑料件气体辅助注射成型工艺参数优化研究

以21英寸彩电前壳作为研究对象,将Moldflow 2010作为CAE模拟试验平台,以熔体温度、模具温度、熔体注射时间、气体延迟时间、气体压力为关键工艺因素,考察了复杂壳体类塑料件气体辅助注射成型(GAIM)时制件的翘曲变形量和气体穿透情况。以正交试验设计方法为基础,利用遗传算法并结合径向基神经网络建立GAIM工艺参数优化系统,可用于工艺参数组合的快速确定,为GAIM过程中工艺参数优化提供了一种新的求解思路。     

基于信噪比与灰色关联分析的注塑工艺参数多目标优化

以分线器盖为研究对象,基于信噪比和灰色关联分析,提出了一种注塑工艺参数多目标优化方法.针对顶出时的体积收缩率和总翘曲变形量等质量指标要求,建立5因素4水平的正交试验,得到每组实验的质量指标数值及其对应的信噪比.对信噪比进行无量纲化处理后,计算各因素对质量指标的灰色关联系数和灰色关联度.对灰色关联度进行极差分析,得到最优...     

基于CAE与正交试验法的工艺参数对翘曲变形的影响分析

运用计算机辅助工程（CAE）数值模拟技术,对带金属嵌件打印机板在不同的注塑工艺条件下进行正交试验,结果表明,对x、y、z三方向翘曲变形影响最小的分别为模具温度、保压压力、保压压力;对应x、y、z三个方向显著影响因素分别为保压压力、模具温度、模具温度;通过优化和调整工艺参数,生产者可以根据实际生产需要,来减小产品x、y、z三方向的翘曲变形量满足品质要求。     

基于LM-BP神经网络的汽车AB柱内饰板注塑CAE优化分析

以某汽车内饰A、B柱上内饰板产品同模注塑为例,对产品的注塑工艺进行了优化设计,包括不同浇注系统的优化选用、已选定浇注系统的成型质量优化、成型工艺参数优化3个过程。在成型工艺优化中,对传统的BP神经网络进行了基于LM算法的结构改进,采用正交试验粗选优化工艺路径,改进后的LM-BP神经网络对细化优化工艺路径有着较好的预测功能。通过LM-BP神经网络辅助优选,得到了很好的产品注塑工艺组合参数,将之应用于实际注塑时,获得了质量良好的注塑产品,具有较强的设计实践指导意义。     

基于MSA矩的帘子布疵点识别算法研究

首先给出了仿射变换的定义,并在此基础上建立了一种新的仿射变换途径——多尺度自卷积变换,构造了一组仿射不变矩(MSA矩),给出了它的明确表达式,然后计算帘子布样本图像的MSA矩,以这些MSA矩为输入向量对BP神经网络进行训练,最后采用已训练的BP神经网络进行帘子布疵点识别。试验证明,这种方法可准确识别出帘子布断经、浆斑、劈缝、稀经和经线粘连等疵点。     

基于BP神经网络的中深孔爆破块度预测

利用神经网络极强的非线性动态处理能力,对开磷集团用沙坝矿中深孔爆破块度进行预测.选取岩体特性、炸药性能、爆破参数作为神经网络的输入层,平均块度和大块率作为输出层,建立神经网络预测模型,进行块度预测.对比神经网络预测和工业试验所得的数据,表明神经网络预测爆破块度能取得良好的效果.该方法对于优化中深孔爆破参数具有重要意义.     

Neural Network Modeling Applied to Polyacrylamide Based Hydrogels Synthetized By Single Step Process

This paper presents a series of experimental data obtained from the synthesis of polyacrylamide-based hydrogels and a general neural network methodology that accomplishes the modeling and optimization of the polymerization process.

Using direct neural network modeling, the variation of the main parameters in the synthesis of polyacrylamide-based hydrogels (polymerization yield and maximum swelling degree) was modeled in correlation with reactant concentrations, temperature, and reaction time. The predictions of the network, verified against initial training data and other testing data in the domain of the reaction conditions, were quite precise.

Inverse neural modeling determines, in a facile manner and with good results, the initial reaction conditions, which lead to a preestablished reaction yield and maximum swelling degree. This optimization method is more advantageous compared to a difficult classical procedure that requires a good mathematical model and an optimization solving technique.     

基于翘曲的注塑工艺优化与均值估计

运用MPI软件对所选塑料件在预先设定的各种注射成型工艺参数下进行CAE模拟仿真.利用TaguchiL27(3 13)正交实验表进行试验计划设计,并记录塑料件的最大翘曲量作为数据处理对象.最后对所得翘曲量进行相关统计学分析,得出各种工艺参数组合下最大翘曲量的置信区间及工艺参数的最佳组合,为下一步模具设计和注塑工艺设计提供计算和实验依据.     

基于灰色关联分析的注塑工艺多目标优化及PSO–SVM预测模型的建立

针对某电器活动上盖翘曲变形及体积收缩问题,对相关注塑工艺参数进行正交实验设计,在Moldflow中模拟分析,并对翘曲变形量及体积收缩率进行信噪比优化处理。利用灰色关联分析法得到翘曲变形量和体积收缩率的灰色关联度,通过对灰色关联度进行极差分析得到各注塑工艺参数对塑件综合目标(翘曲变形量及体积收缩率同时较小)的影响程度为:保压时间>注塑时间>模具温度>熔体温度>保压压力>冷却时间,同时由灰色关联度极差分析结果得出最优工艺参数组合,在最优工艺参数组合下的翘曲变形量相对于正交实验水平下最小翘曲变形量降低了11.8%,体积收缩率相对于正交实验水平下最小体积收缩率降低了5.9%。最后采用粒子群优化算法(PSO)优化后的支持向量机(SVM)神经网络模型对该塑件翘曲变形量及体积收缩率进行预测,通过与不优化的SVM神经网络及BP神经网络预测模型相比发现,PSO–SVM神经网络模型预测精度及稳定性都优于SVM及BP神经网络,可以用于塑件翘曲变形量和体积收缩率的协同优化,解决塑件实际翘曲变形及体积收缩问题。     

汽车A柱下饰板注射成型工艺仿真分析

采用正交试验和Moldflow数值模拟相结合的方法,对汽车A柱下饰板的注射成型过程进行了分析,研究了模具温度、熔体温度、注射时间和保压压力等工艺参数对残余应力和翘曲变形的影响。通过极差分析得到,熔体温度对翘曲变形影响最大,保压压力对残余应力影响最大,最佳工艺参数组合为模具温度40 ℃,熔体温度205 ℃,注射时间5 s,保压压力45 MPa;通过仿真分析与实际成型方案进行比较,汽车A柱下饰板的翘曲变形由3.847 mm降为3.121 mm,残余应力由66.95 MPa降为65.21 MPa。