z t'T T~
1・匕•匕•匕
机械与模具
苏通I黄瑶］倪君杰？魏翔宇I
(1.江苏大学材料科学与工程学院，江苏镇江.212013,2.镇江成功高科技有限公司，江苏镇江,212028)
摘要：以汽车前组合灯导光条为例，选择最优拉丁超立方抽样方法得到样木.选取熔体温度、模具温度、保压时间、保压压力和冷却时间5个参数为输人层，以最小体积收缩率与最小缩痕指数为输出层，构建径向基(RBF)神经网络模型。建立的模型经检验，拟合度高，谋差小.可以替代仿真程序.应用Isight优化模块，得到一组最优注塑工艺参数组合，实际模拟结果和预测结果基本吻合，有效提高了成型质量。 关键词：导光条注塑工艺径向基神经网络最优拉丁超立方参数优化
DOI：10.19690/j.issn1004-3055.20200188
*»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»»、Radial Basis Neural Network-Based Light Guide Strip
Injection Molding Process Optimization
Su Tong1Huang Yao1Ni Junjie2Wei Xiangyu1
(1.School of Material Science and Engineering,Jiangsu University,Zhengjiang,
Jiangsu,212013；2.Zhengjiang Success Group Co.,Ltd.,Zhengjiang,Jiangsu,212028)
Abstract:Taking the light guide strip of automobile front combination lamp of the car as an example,the optimal Latin hypercube sampling method was selected to obtain samples.The five parameters of melt temperature,mold temperature,holding time, holding pressure and cooling time were selected as the input layer,and the smallest volume shrinkage rate and the smallest sink mark index were used as the output layer to construct a RBF neural network model.The established model has been tested and has a high degree of fit and small error,which can replace the simulation program.The Isight optimization module was used to obtain a set of optimal injection molding process1 parameter combinations.The actual value is basically consistent with the predicted value ,which effectively improves the molding quality.
Key words:light guide strip；injection molding process；Radial Basis Function neural network；optimal Latin hypercube；parameter optimization
光导作为LED的间接照明形式，无需其他额外设计，给予光源便可有很好的照明效果，简化了制造流程。作为透明工程塑料，光导对于成型质量、外形和装配精度都有很高的要求，加工岀的塑件需要无气泡、无缩痕、无翘曲变形等。中国听书网
大量学者就如何消除此类注塑缺陷做了相关研究。张鲁滨等工以塑料叶轮为例通过MIV算法筛选将模型的误差控制到7%；Nguyen T K 等⑵以框架部件为例进行田口法方差分析和信噪
收稿日期：2020-07-04；修改稿收到日期：2020-11-11。
作者简介：苏通（1997-），硕士，主要研究方向是大型复杂
注塑模具设计及注塑产品仿真模拟。E-mail：k78902@
outlook,com o
比分析，得出保压压力对框架部件翘曲变形量的影响最大；Allan M「『通过Taguchi试验设计和方差分析确定最小收缩的最佳条件。
在相关研究的基础上.下面针对光导产品，以汽车前组合灯导光条为例进行论述。采用最优拉丁超立方抽样，根据样本计算机辅助工程（CAE）模拟结果以及所构建近似模型对工艺参数优化，得到了一组最优参数，并利用这组工艺参数注塑出高质量的产品。
1材料成型与方法
1.1光导件分析
汽车前组合灯导光条是透明厚壁塑件，材料是聚碳酸酯（PC），牌号是Lexan143R，图1为导光条三维图示意。导光条最大外形尺寸是150mmX 215mm X200mm，厚度相对比较均匀，约10mm。导光条正面为V字型的凹槽.使得光源照射达到全反射的效果。背面为LED灯槽，用于固定光源，细小特征较多，容易出现缩痕等缺陷。侧面有多处卡扣.用于灯具装配，要求高装备精度。
C
（a）正面（b）背面
图1导光条三维图示意DUTTAPHRYNUS MELANOSTICTUS
1.2方法与思路
导光条工艺参数优化是一个多目标非线性问题。采用近似模型的设计，通过构建数学模型，来逼近一组独立变量和响应变量以得到优化参数。可略过使用仿真程序所耗用时间，优化效率增加•求解时间缩短。以下选择径向基（RBF）神经网络模型，具有较强的逼近复杂非线性函数的能力。1.3初步模拟
将导光条3D模型导入Moldflow软件，并设置好网格使得匹配率在85%以匕。基于经验法以及试错法，初步选取工艺参数模拟。模具温度设置95°C，熔体温度设置300°C，冷却时间设置20s，其余参数均采用软件默认值。进行“填充+保压+翘曲”分析得到模拟结果，初步模拟体积收缩率（X）为10.880%，缩痕指数（Y）为7.845%。2试验设计
试验应用Isight进行参数设计和结果分析。为取得均匀性好的样本，选择最优拉丁超立方设计⑷，因子与响应值的拟合结果真实且精确。该方法改进了随机拉丁超立方设计的均匀性，试验点均匀分布在设计空间中。其原理是在N个变量（维度）中，将每个变量分为M个概率相同（均匀等分）的区间，在这些区间中随机抽样，保证每个因子的每个水平只被研究一次。
对目标值影响较大的参数作为试验因素：熔体温度（A）为280〜320°C.模具温度（B）为70〜120°C，保压时间（C）为6~14s，保压压力（D）为50-110MPa，冷却时间（E）为16〜30s。选取对导光条成型效果影响较大的X以及丫为目标值。
3近似模型
3.1结果分析
对试验设计的条件进行抽样，获得25组数据，并通过Moldflow软件进行模流分析得到优化目标值，试验样本及结果如表1所示。
表1最优拉丁超立方试验数据
试验号
A/r B/°C
试验因素
C/s D/MPa E/s
目标值
X/%Y/% 12831151296219.893 6.614 228783121052010.030 6.714 330412011671911.1007.458 242948471072510.450 6.503 25288781462249.982 6.878 3.2构建神经网络模型
采用表1所得结果构建近似模型，选择RBF 神经网络模型，并开始初始化。Isight软件中，神经网络是三层前向网络结构⑺，分别是输入层、中间层（隐层）、输出层。
将试验影响因素A.B.C.D.E作为输入矢量，映射入一个新空间，即从输入层到中间层（隐层），此过程是非线性变换。再线性映射到输出层，输出层在新空间达成线性加权.输出矢量是两个目标值X、Y。由此，可得到如图2所示RBF神经网络模型.平滑因子设置为0.1.基函数类型选择Radial，输入节点数5个，输出节点数2个。RBF函数是实值函数，常见有高斯函数、多二次函数和逆二次函数等，本研究选择高斯函数。
透析器复用机
A
图2神经网络结构及参数
3.3近似模型精度检验
通过最优拉丁超立方抽样得到13组检测样本，检验所构建RBF神经网络模型的精度，以保证近似模型的精确性。13组样本具体数据见表2。
表2检验样本
试验号
试验因素目标值
A/r B/"C C/s D/MPa E/s X/%Y/%1
1292103111102710.370 6.749 2303826752010.990 6.875 328288955229.543 6.629 4310988502011.4907.952
禅修学院1130510514951911.4007.538 12320759722111.9608.346 1328187892199.392 6.381
RBF神经网络模型常用评价值有两种，分别是拟合度系数(R')以及均方根误差(RMSE)q R2愈趋近1.RMSE愈趋近0，代表模型的可信度越高.能够替代仿真程序。两种评价指标的计算公式分别见式(1)和式(2)。
£(j,—y,)2
应=1_----------------(1)
S(》，-•>)?
RMSE=肿•—y，(2)
式(1)和式(2)中："是试验次数;j；是平均值;■是模型预测值；y，是实际模拟值。
通过Isight软件误差分析模块，对X的误差进行分析，用是0.97002.RMSE是0.05489。对丫的误差分析.用是0.93206,RMSE是0.08459O可以看出，应皆大于下限0.90,RMSE 皆小于上限0.2，说明所构建模型是可信的。实际模拟结果以及预测结果的关系如图3所示，横坐标代表13组预测值，纵坐标代表13组实际值。从图3可清晰看岀，分布趋近于一条直线，证明该模型可以较好地解释了试验。
9.39.810.310.811.3H1.8 6.2 6.77.27.78.28.7
预测值/%预测值/%
(a)体积收缩率(b)缩痕指数
图3实际值和预测值关系
4参数优化与生产验证
利用Isight软件的优化模块对试验参数进行优化，得到如表3所示的一组参数值，其中X和Y 为预测目标值。
表3优化后工艺参数组合
试验因素预测目标值
A/r B/r C/s D/MPa E/s X/%Y/% 280.09&547.1568102.140459.5501 6.2252
将得到的这组优化参数A、B、C、D、E作
为试验参数，在Moldflow中做CAE分析，得到实际模拟值X和了分别为9.330%和6.179%，可以看岀预测值与实际值误差较小，优化后得到的预测数据和实际模拟数据吻合
度较高.可以确认所构建RBF神经网络模型的有效性。
应用优化后的参数进行实际模拟，结果见图4。
缩痕指数
=6.251[%]
体积收缩率
时间=29.49[s]
(a)体积收缩率(b)缩痕指数
图4优化后模拟结果破伤风抗毒素
采用优化后的工艺参数进行实际注塑生产，随机挑选一件产品进行质量验证。经检测，产品背面LED灯条安装顺利(见图5)。对安装好灯条的产品进行点亮检测，产品没有可见缩痕；利用三坐标测量仪测量后，产品无翘曲变形，塑件质量满足需求。
5结论
a)采用最优拉丁超立方设计抽样，结合Moldflow软件进行CAE分析，得到均匀且有效的数据样本并构建RBF神经网络模型。经验证，两个目标值的模流分析结果与预测结果高度吻合。证明应用的最优拉丁超立方设计结合RBF神经网络模型对导光条塑件注塑工艺参数优化的方法行之有效。
b)经优化后得到一组最佳工艺参数，即A 为280.0°C,B为9&54°C,C为7.1568s,D 为102.14MPa,E为18.045s。优化后X为9.330%，比初始模拟数据(10.880%)缩小了14.246%，优化后了为6.179%，比初始模拟数据(7.845%)缩小了21.236%，优化效果显著。参数应用于生产得到的产品符合质量要求。
c)通过建立RBF神经网络模型，得到了最佳参数组合，节省了生产时间和材料.降低了生产试错成本。
参考文献
[1]张鲁滨.黄海松.姚立国.基于BP神经网络和MIV算法的
注塑件工艺参数优化研究[J].塑料科技,2018,46(12)：94-99.
[2]NGUYEN T K,HWANG C J,LEE B K.Numerical
investigation of warpage in insert injection-molded lightweight hybrid products C J Z-International Journal of Precision Engineering and Manufacturing,2017,18(2)：187-195.
[3]ALTAN M.Reducing shrinkage in injection moldings via the
Taguchi,ANOVA and neural network methods[J].
Materials and Design,2010,31(1):599-604.
[4]王钊，魏翔宇，倪君杰，等.双尾灯灯罩注射成型影响因素
多目标优化[J1现代塑料加工应用,2020,32(1):50-53. [5]孔轶艳，黄力，陆大同.基于CAE和RBF神经网络的注塑匚
艺优化分析[J].塑料，2017,46(3):121-125.
铝电池
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议