基于CAE和BP神经网络的塑件气孔及注塑工艺优化分析

针对除霜格栅塑件注塑后由于气孔较多而引起的开裂、凹陷等问题,对气孔产生的成因进行了分析。在排除材料、模具影响因素后,针对注塑成型工艺因素中的注塑速度和注塑压力对气孔问题产生的影响,在基于CAE仿真分析的基础上,将注塑速度和注塑压力转化成相应的螺杆转速控制因素,结合正交试验法对控制因素进行分层,通过BP神经网络构建控制因素与气孔数量的非线性控制关系,通过BP神经网络的预测作用,寻优出气孔最少的控制因素水平组合,并将之反馈于CAE仿真进行验证计算,检验结果表明,所寻优出的工艺参数水平组合能将气孔数量控制在较低的数量上。通过上述寻优,找到了改善塑件气孔的注塑工艺方案,对BP神经网络应用于注塑成型的优化具有很好的参考价值。     

基于BP神经网络的显示仪框注塑CAE优化分析

以汽车显示仪框的注塑成型为例,构建了该汽车塑件两种浇注方案的CAE分析模型,得到了最佳浇注方案,运用Moldflow软件对塑件的注塑成型工艺参数进行了仿真,并对塑件注塑过程中的翘曲、熔接痕、气穴等缺陷成因进行了分析,给出了质量改善优化目标,最后提出了一种新的结合Tugachi试验法、BP神经网络预测的注塑成型工艺寻优方法,并对寻优结果进行了CAE模流分析验证。结果表明:神经网络预测结果与CAE模流分析结果相近,运用Tugachi正交试验分析、BP神经网络、CAE模流分析相结合的方法,能获得较佳的注塑成型工艺参数,使汽车塑件的注塑质量得到明显改善。     

基于神经网络和遗传算法的薄壳塑件注塑工艺优化

散热器外壳是电子产品散热器的主要零件之一,由于壁薄,在注塑成型中经常出现壁厚不均、翘曲变形和熔接痕等缺陷。针对该问题,以熔体温度、模具温度、冷却时间、注射压力、注射时间、保压压力和保压时间7个工艺参数为输入量,注塑件的翘曲量作为输出量,建立RBF神经网络模型;利用均匀试验所得的数据作为样本对神经网络进行训练和测试,得到注塑工艺参数与塑件翘曲变形量之间的非线性映射关系。结合遗传算法对工艺参数进行优化,获得最佳的工艺参数为:熔体温度234. 4℃、模具温度31. 5℃、冷却时间23. 8 s、注射压力128. 3 MPa、注射时间4. 7 s、保压压力93. 0 MPa、保压时间14. 1 s,获得预测的最小翘曲变形值为0. 331 875 mm,并使用优化后的工艺参数进行试验。试验结果表明,优化后产品的最大翘曲变形量降低至0. 318 9 mm,与优化前均匀试验所得的0. 378 1 mm相比,得到了明显的改善,降低了15. 7%。     

基于DOE实验的汽车塑件CAE优化与注塑模具设计

以某汽车塑件为例,针对其结构及分型复杂、注塑难等问题,基于DOE实验和CAE分析对其注塑所需工艺参数进行了仿真和优化。通过浇口位置和数量的优化,获得了理想的浇口设置;通过浇注系统的优化及成型窗口分析,获得了合理的流动分析工艺参数;对流动分析工艺参数进行正交试验优化,找出了产品注塑存在的潜在缺陷问题,经进一步对针阀控制进行寻优,解决了熔接线过长过多、充填不平衡、气孔较多等问题;通过翘曲和冷却分析的优化,最终获得了产品注塑成型所需的合理工艺参数,设计了一副结构合理的注塑模具,提高了模具生产效率。     

基于CAE与RBF神经网络的固定体塑件注塑工艺优化

针对保险杠固定体塑件注塑成型困难的问题,运用CAE仿真分析手段,首先对其采用3个点浇口进行浇注的方案模拟,得出了影响塑件注塑成型困难的主要问题:塑件中间部位设置的加强筋位置处,料流流动发生多次改变和多重叠加,导致注塑时熔体在此区域产生紊流和回旋滞留。将浇注系统优化为采用5个点浇口浇注方案,能有效消除中间部位所产生的紊流和回旋滞留问题。结合CAE仿真手段和RBF神经网络的预测功能,对5点浇注方案进行注塑成型工艺参数的优化。获得塑件注塑较合理的工艺参数组合为:料温(Tθ)=229℃,模温(Ts)=51℃,注塑压力(pI)=43 MPa,注塑时间(ti)=6. 64 s,第一段保压压力(ph1)=62 MPa,第一段保压时间(th1)=9 s,第二段保压压力(ph2)=38 MPa,第二段保压时间(th2)=5. 5 s,第三段保压压力(ph3)=32 MPa,第三段保压时间(th3)=4. 5 s,冷却水进口温度(Tw)=27℃,冷却液流速(Vw)=3. 2 L/min,冷却时间(tc)=18 s。经实际注塑试验,塑件的注塑效果良好,有效地解决了实际生产问题。     

基于BP神经网络的汽车音响塑件模具成型工艺优化研究

通过对某汽车音响塑件模具进行工艺方案设计,采用Moldflow软件对正交试验中各工艺方案组合进行模流分析,获得体积收缩率、充填时间、总翘曲量等目标函数值。将获得的数据作为样本进行BP神经网络训练,使BP神经网络预测值与Moldflow模拟值之间的吻合程度提高,即欲提高BP神经网络模型的预测精度,可以通过样本训练的多输入和多输出来实现。同时采用训练好的BP神经网络预测最优工艺参数,从而获得最佳工艺参数组合为:注射速率45 cm~3/s,模具温度57℃,保压压力121 MPa,保压时间17 s。通过试模,获得合格的汽车音响塑件模具。     

基于CAE技术的汽车塑件注塑成型过程中遗传算法的应用探讨

由于注塑件的质量主要受工艺条件的影响,如何确定最优的工艺条件自然成为提高注塑件质量的关键。随着计算机技术的不断发展,基于计算机辅助工程(CAE)技术的塑件注塑模具设计和工艺参数优化逐渐成为行业主流,而遗传算法作为一种重要的多参数优化算法,在其中扮演着重要角色。通过对塑件注塑成型工艺和相关的CAE技术进行介绍,进一步阐述了遗传算法在汽车塑件注塑成型参数优化过程中的重要应用。     

基于遗传算法优化的BP神经网络预测混凝土抗压强度

针对传统BP神经网络预测能力的不足,采用遗传算法优化的BP神经网络预测混凝土28d抗压强度,并建立了GA-ANN预测模型。一方面对模型输入项进行灰色关联分析,找出对强度影响的重点关联因素;另一方面,研究了模型在不同输入项组合、不同训练组和输出组数、不同网络隐含层节点数的操作条件下,其预测精度有何变化,找出了最优的上述操作条件,减少了预测误差。     

基于CAE的厚壁塑件注塑工艺参数优化

利用Moldflow软件对某厚壁塑料制件的注射成型过程进行分析,选取反映制品收缩与翘曲的多个评价指标,结合正交实验法,优化充填时间、熔体温度、保压时间、保压压力、冷却时间等工艺参数,通过均值分析与极差分析研究各因素对各评价指标的影响,并通过综合评分法得到一组最佳的工艺参数。结果表明,增加保压时间与保压压力能减小产品的收缩和翘曲,且得出的最佳工艺组合为注射时间为2.5 s,熔体温度为280 ℃,保压时间为130 s,保压压力为110 MPa,冷却时间为40 s,该工艺下产品的质量疏松度、体积收缩率、平面误差、翘曲分别降低了6.66 %、7.90 %、12.5 %、20.83 %,产品整体成型品质得到有效提高。     

基于BP神经网络和遗传算法的硫化工艺参数优化

采用BP神经网络建立硫化工艺参数与性能指标的网络模型,以神经网络预测的性能输出作为目标函数的求解方法,以遗传算法作为硫化工艺参数的优化方法,建立硫化工艺参数的优化系统.对橡胶联轴器硫化工艺参数优化的实际应用效果表明,优化后可大大提高橡胶制品的质量.     

基于GRNN神经网络的汽车塑件工艺优化设计

针对汽车多媒体面板注塑成型过程中降低试模成本及缩短模具制造周期的要求,运用CAE仿真手段对产品模具结构设计前的潜在注塑品质问题进行了分析检验,CAE分析结果表明,通过对浇注系统进行成型窗口优化获得的成型工艺参数还不能完全满足产品的实际注塑需要,特别是熔接线和翘曲问题不能满足制品的品质要求。因而,在运用正交优化手段对注塑成型工艺参数进行调整的基础上,运用GRNN神经网络对工艺参数进行了预测和优化处理。从而构建了针对性的神经网络预测模型,样本检验后,以此为基础,对较优的工艺参数进行二次正交密化,并用GRNN神经网络进行了模拟预测,预测后优选的工艺参数组合能较好地实现产品的无缺陷注塑生产。将GRNN神经网络与模流CAE优化分析相结合,对解决注塑品质多维缺陷问题具有非常好的预测指导作用。     

基于BP神经网络的双色塑件翘曲变形量预测

以某遥控器前壳双色塑件注塑成型为例,以该塑件在注塑成型过程中的翘曲变形量为研究目标,提出了一种结合AMI数值模拟、正交试验和BP神经网络的双色塑件翘曲变形量快速、准确的预测方法。首先建立了基于AMI数值模拟的CAE模流分析模型,并对注塑成型工艺参数及翘曲变形量进行数值模拟分析;之后结合正交试验设计法使AMI软件数值模拟结果在指定的工艺参数范围内实现了离散分布;最后以正交试验数据为基础建立BP神经网络预测模型,通过Matlab训练网络使其满足误差精度要求,从而达到准确预测新工艺参数下翘曲变形量的目的。结果表明:训练出的BP神经网络模型具有很高的预测精度,能够满足对该双色塑件翘曲变形量准确、快速的预测要求。     

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CAE和神经网络的汽车进气格栅注塑成型优化

针对汽车进气格栅产品结构复杂、注塑质量难以保证的问题,采用CAE仿真分析技术对其浇注系统设计进行了改进,改进后的浇注系统采用热流道嘴多点浇注系统,各热流道嘴采用针阀进行时序控制。通过运用神经网络寻优最佳注塑工艺参数、热流道嘴时序开启时间参数,获得了较好的工艺参考参数,解决了产品熔接线和翘曲变形的质量问题,缩短了产品成型周期。实践表明,采用CAE和神经网络分析优化后的产品注塑质量合格,满足了塑料制品成型的高效、精益化生产的需求。     

基于HsCAE和BP神经网络汽车饰件工艺优化

结合车用饰件高质量的成型问题,对饰件注塑工艺参数进行了分析优化.首先,基于华塑CAE软件对塑件进行正交试验分析优化,选择翘曲、缩水和残余应力3个指标,结合各指标权重进行综合分析并评分,得到了最小综合评分为0.063.然后,利用正交试验样本建立了 6-10-3的BP神经网络,通过训练获得一个拟合度较高网络模型.最后,利用...     

基于改进遗传算法的双向BP神经网络控制

针对因果系统提出一种双向神经网络,在相邻两层神经元之间建立反向连接,以直接把被控系统先前时刻的状态变量引入到网络中;设计了一种自适应调整遗传算法交叉率和变异率的规则;结合遗传算法和神经网络的优点,给出了一种基于遗传算法的双向神经网络控制方案,该方案兼有遗传算法的强全局搜索能力和神经网络的鲁棒性和自学习能力。仿真结果表明,该算法能使种群基因保持多样性,有效抑制了算法的早熟收敛;基于该算法的控制系统调整时间短、准确度高,具有良好的抗干扰能力,能满足实时性和稳定性要求。     

基于遗传算法优化的BP神经网络气化用煤灰流动温度预测模型

采用遗传算法优化的BP神经网络建立煤灰流动温度预测模型,模型以灰成分及酸碱质量比、硅铝质量比等组合参数作为输入变量,以煤灰流动温度作为输出量,对126组来自中国北部地区的煤灰样数据进行训练与测试,并建立常规BP神经网络模型,研究了各输入变量对网络模型预测精度的影响并对比与常规BP神经网络模型的预测能力。结果表明：不同输入层变量的GA-BP神经网络模型对训练集和测试集样本数据都具有较好的学习和泛化能力,所有预测结果相对平均预测误差均不超过4%。酸碱质量比和硅铝质量比参数作为神经网络输入层的添加,虽略微提高模型对训练样本的拟合程度,但也导致验证时过拟合现象的发生,模型对新样本的拟合优度下降。采用SiO₂,Al₂O₃,Fe₂O₃,CaO,MgO和Na₂O+K₂O的质量分数6个参数作为输入变量的GA-BP模型最为适合,其对测试集数据的预测相对平均误差为3.45%,低于常规BP神经网络模型3.79%的误差。     

基于CAE和RBF神经网络的注塑工艺优化分析

针对某汽车塑件注塑成型时成型末端翘曲量较大导致尺寸变差的问题,结合注塑成型CAE工艺分析后发现,引起产品充填末端翘曲变形大的主要原因为注塑后冷却收缩不均,针对此问题,将CAE仿真分析和RBF神经网络的预测分析相结合,对注塑工艺参数中的保压工艺和冷却工艺进行了优化设计,CAE分析方案采用(冷却+填充+保压+翘曲),RBF神经网络采用聚类法和梯度算法,应用改善翘曲的L_(27)(38)设计试验方案进行神经网络训练和检验,应用混合正交法(L_(36)(2*6 3*2))进行二次水平密化优选参数,通过优化,找到了改善翘曲的注塑工艺方案,优化的注塑工艺方案能较好的指导产品的批量生产,对其它同类注塑产品的生产有较好的实践参考意义。     

基于Kriging代理模型和遗传算法的塑件品质优化

采用Kriging代理模型和遗传算法对产品成型工艺参数进行优化。根据成型工艺对产品的影响情况,选取6个工艺参数作为设计变量,使用拉丁超立方随机产生16种设计方案。通过数值模拟得到对应的收缩率和翘曲值,建立代理模型,采用遗传算法进行寻优,得到最优设计变量组合。研究结果表明,模流分析结果与代理模型预测值具有很好的一致性,两者误差小于5.1%。优化后的翘曲值降低了62.7%,收缩率降低了22.9%,产品品质得到明显改善。     

遗传算法优化BP神经网络的水泥窑温度预测模型研究

水泥窑内温度的控制效果直接决定水泥熟料的质量.由于回转窑煅烧具有大滞后、非线性、多变量等复杂特性,并且各个因素之间存在相互联系和不确定性,这给回转窑温度的控制带来了困难.本文利用BP神经网络建立回转窑温度预测模型,并利用遗传算法对模型进行优化,将优化前后的仿真结果对比后发现,使用遗传算法优化后的BP神经网络回转窑温度预...