基于CAE汽車前燈注塑工藝參數的優(yōu)化.pdf

1、隨著市場需求的日益增加，注塑產品已被廣泛應用在交通工具、通訊工程、醫(yī)療衛(wèi)生、航空航天等領域，人們對注塑件的質量要求也越來越高。注塑成型的整個過程是非常復雜的，熔體在型腔中的流動狀態(tài)和凝固，以及注塑件質量都與成型過程中的工藝參數有著重要的關系。采用實物試模來反復調整工藝參數，在數據處理方面可能會比較被動，最終也可能導致生產周期的延長。所以，研究如何優(yōu)化工藝參數和快速準確尋找最優(yōu)工藝參數組合，降低生產成本，減少生產周期，提高注塑件的質量是非

2、常有意義的。
　　本文的研究對象是某工廠制造的汽車前燈，通過優(yōu)化獲得了最佳工藝參數組合，改善了前燈注塑成型過程中出現的翹曲變形和縮痕深度。本文主要工作內容如下:
　　1.分析不同工藝參數對翹曲變形量和縮痕深度的影響。建立汽車前燈的仿真模型，通過全因子實驗，利用Moldflow軟件對注塑件進行數值模擬仿真，獲得翹曲變形量以及縮痕深度的數據，并對其進行方差分析，得到不同工藝參數對試驗指標的影響程度。將翹曲變形量和縮痕深度作為優(yōu)化

3、目標，主要影響注塑件質量的工藝參數為保壓壓力、保壓時間、注射時間、V/P轉換。
　　2.利用Taguchi實驗設計擴大顯著性因子水平的范圍，通過信噪比分析和極差分析，確定了以翹曲變形量為主要目標時，實驗因子對優(yōu)化目標的影響程度按降序排列依次為:保壓壓力、保壓時間、注射時間、V/P轉換;以縮痕深度為主要目標時，實驗因子對優(yōu)化目標的影響程度按降序排列依次為:保壓壓力、V/P轉換、注射時間、保壓時間，并初步尋得最佳工藝參數組合。利用Mo

4、ldflow軟件，對初步優(yōu)化后的工藝參數進行分析驗證:得到優(yōu)化后的翹曲變形量為1.828mm，優(yōu)化后的縮痕估算為0.0412mm。
　　3.基于神經網絡建立的工藝參數與優(yōu)化目標之間的非線性映射關系，利用Matlab建立神經網絡的建模，以Taguchi實驗設計獲得的數據為訓練樣本，得到輸入為工藝參數、輸出為優(yōu)化指標的人工神經網絡模型?；诔醪絻?yōu)化后的工藝參數組合，在其數值附近取不同變量，建立新的正交表，利用神經網絡模型代替Moldf

5、low軟件計算翹曲變形量和縮痕深度，運用信噪比分析出不同實驗因子對試驗指標影響的顯著性順序，最終獲得最佳工藝參數組合，使翹曲變形和縮痕深度同時達到優(yōu)化目標要求。利用Moldflow軟件，對最終優(yōu)化后的工藝參數進行分析驗證:優(yōu)化后的翹曲變形量為1.278mm，優(yōu)化后的縮痕深度為0.025 lmm。
　　本文在不同工藝參數對優(yōu)化指標的影響下，結合正交實驗、數值模擬和神經網絡對注塑工藝參數進行優(yōu)化，得到最佳工藝參數組合。在保證計算精度的