打印机上盖的注塑模设计【含12张CAD图纸、说明书】
收藏
资源目录
压缩包内文档预览：
编号：17431386
类型：共享资源
大小：6.07MB
格式：ZIP
上传时间：2019-04-07
上传人：机****料
认证信息
个人认证
高**（实名认证）
河南
IP属地：河南
50
积分
- 关 键 词：
-
含12张CAD图纸、说明书
注塑模具设计【12张CAD图纸
注塑模具的设计
上盖的注塑模设计
注射模设计【12张CAD图纸
注塑模具设计【
含12张CAD图纸】
含12张CAD图纸
注塑模具设计
- 资源描述：
-
- 内容简介：
-
编号： 毕业设计(论文)外文翻译（译文）学 院： 机电工程学院 专 业： 机械设计制造及其自动化 学生姓名：学 号： 指导教师单位： 姓 名：职 称：摘 要目前塑料产品的上市时间越来越短，因此可用于制作注塑模具的交货时间也日益减少。在模具制造阶段存在潜在的可节省时间，因为可以标准化设计的过程中每个模具设计具有可重复性。本文介绍了通过控制使用标准化模板的几何参数设计的注塑模具型腔布局的方法。型腔布局设计的标准化模板包括了可能布局的配置。对于型腔布局设计的标准化模板由可能的布局配置。每一个布局设计都有自己的布局设计表里所有的几何参数。这种标准化的模板是预先在模具装配设计的布局水平设计。这确保了所需的配置可以很快加载到模具装配设计，而不需要重新设计布局。这使得在模具设计和模具设计之前，在模具设计和模具设计之间进行技术性的讨论是非常有用的。变化可以立即存在于对3D型腔布局设计讨论中，从而节省时间和避免误解。这种标准化的模板型腔布局设计可以定制，方便每个模具制造公司有自己的标准。关键词：型腔布局设计；几何参数；模具装配；塑料注射模具设计；标准化模板1 简介 塑料注射成型是一种常见的塑料件生产方法，具有良好的公差。注塑成型所需的主要部件有两个，分别是注塑机和注塑模具。注塑机安装在上面的模具，提供熔融塑料并将其从机器转移到模具中，通过锁模压力夹紧喷射成型的注塑部件。注塑模具是将熔融塑料转变成最终形状和尺寸的塑料零件的工具。目前，塑料零件上市时间的逐渐缩短，有必要在更短的时间内生产注塑模具。 将计算机技术运用于注塑模具设计及相关领域的工作已经在进行。基于知识的系统（KBS）等模具1,2，IKMOULD3，ESMOLD4，国诚康大学KBS，台湾5的KBS德雷克塞尔大学6等是对注塑模具设计进行开发的。如HyperQ/塑料系统7，CIMP8，飞度9等系统都是使用一个基于知识的方法塑料材料进行开发。技术也被开发用于注塑成型的分模设计10-12。 已经观察到，虽然模具制造行业使用三维CAD软件进行模具设计，但大量的时间是在对每个项目进行相同的设计过程中被浪费。在常规任务设计过程中进行标准化具有巨大的省时潜力，避免模具设计的重复阶段。在模具装配中组织良好的分层设计树也是一个重要因素13,14。然而，少工作已经在控制参数的腔布局设计中完成;因此，这个区域将是我们的主要焦点。虽然有许多设计空腔布局15,16的方法，但模具设计更倾向于使用仅常规设计，因而有必要在腔布局设计级别应用标准化。 本文提出了通过控制基于标准模板的参数设计注塑模具型腔布局的一种方法。首先，必须建立一个有良好组织的模具装配层次设计树。然后，对空腔布局的配置进行分类，以区分那些标准配置和那些非标准配置。标准配置将在一个配置数据库中列出，每个配置都有自己的布局设计表，它可以控制它自己的几何参数。这种标准化的模板是在模具装配设计的布局设计水平预先定义的。2 型腔布局设计的塑料注塑模具 注塑模具是将熔融塑料转变成最终形状和尺寸的塑料零件的工具。因此，模具中包含最后一部分的相反的凹槽。大部分的模具是由两个部分组成的：前插入和后插入。在某些模具制造行业，前面插入也被称为腔和背部插入被称为核心。图1显示了前插入（腔）和后插入（芯）。熔融塑料被注入凹槽以填补它，然后形成的一部分凝固的熔融塑料。图2显示了一个简单的双板模具装配。2.1 单型腔和多型腔模具之间的区别 很多时候，熔融的塑料填充的印象也叫腔。型腔的安排被称为腔布局。当模具包含多个腔时，它被指多型腔模具。图3（a）和3（b）分别为单型腔模具和多型腔模具。 单型腔模具通常用于较大的零件，如绘图仪封面和电视外壳。小零件如手提电话外壳，齿轮，通常是由更为经济的多型腔模具设计，它每次成型周期可以产生更多的部件。客户通常确定型腔的个数，因为他们必须要平衡一部分模具投资成本。2.2 多型腔布局 多型腔模具在同一时间产生不同的产品被称为一模多铸型模具。然而，它不是通常对一个模具的不同型腔进行设计，尽管腔可能并不会在同一时间被相同温度的塑料熔体填满。 另一方面，生产同样的产品在多型腔模具整个成型周期可以有一个平衡的布局或不平衡的布局。平衡的布局是腔都在相同时间相同条件下填充熔体15，16。如果使用的是不平衡的布局，就会出现短的模塑，但这可以通过修改浇口的长度和横截面积来克服（浇口到型腔熔融塑料的流通通道）。因为这不是一种十分有效方法，所以它只是避免出现可能的情况。图4所示为由于不平衡的布局而出现短模塑的情况。 均衡布局可以进一步分为两类：直线和圆弧。均衡的直线布置可容纳2，4，8，16，32等数量的腔，即它遵循一个2n个系列。均衡圆形布局可以具有3，4，5，6或多个空腔，但在一个均衡的圆形布局也有可容纳数，因为空间限制了空腔的数量。图5显示了已被讨论过的多空腔布局。3 设计方法本节介绍了一种用于塑料注塑模具的参数化控制腔布局设计系统的设计方法。一个有效的工作模具设计方法包括各种组件和组件组织到最合适的层次设计树。图6显示了第一级的组件和部件的模具装配结构设计树。其它部件和组件从第二级起的模具组件的层次结构设计树的第n个水平装配。对于这个系统，将重点放在“腔布局设计”。3.1 标准化程序 为了节省时间，在模具设计过程中有必要确定常用设计的功能。该设计流程是可重复的，每个模具的设计就可以被标准化。从图7可以看出，“型腔布局设计”标准化程序有两部分相互作用：组件装配标准化和型腔布局配置标准化。3.1.1空腔布局配置可以标准化 型腔布局配置可以标准化之前，有必要认识到，重复贯穿在各腔腔布局的组件和子组件。图8显示了详细的“型腔布局设计”的设计层次树。主要的插入组件（腔）的层次设计树的第二级具有多个组件和元件组装直接从第三级层次设计树开始的。他们可以被视为主要组件和次要组件。在每一个模具设计中都存在主要组件。次要组件是依赖于塑料零件产生的，所以他们可能会或可能不会出现在模具设计。 因此，把这些部件和组件直接放在主要插入组件下，确保每个重复的主要插入（腔）将从层次设计树第三级继承相同的组件和部件开始的。因此，没有必要在每一腔腔布局再设计类似的部件和元件。3.1.2型腔布局配置标准化 有必要对那些标准和那些非标准的腔布局配置进行研究和分类。图9显示了型腔布局配置的标准化程序。 空腔布局设计，可以进行或者作为多空腔布局或一个单腔的布局，但这一决定总是由客户决定。单腔布局总是被看作有一个标准配置。一种多型腔模具可以在同一时间生产同一制品或在同一时间在生产不同的产品。在同一时间产生不同的产品的模具被称为一模多铸型模具，它是一种非传统设计。因此，每个多腔多铸型模具具有一个非标准配置。 产生同样的产品的多型腔模具可以包含一个平衡的布局设计或不平衡的布局设计。不平衡布局设计是很少使用，结果它被认为是具有一个非标准配置。然而，均衡布局设计也可以包含两种线性规划设计或圆形布局设计。这取决于由该客户所要求的模腔的数量。但是，必须指出的是，具有任何数量其他非标准模腔的布局设计也被分类为具有非标准配置。 分类这些都是标准的布局设计之后, 他们详细的信息然后列入标准化模板。此标准化模板预先定义的模具装配设计的型腔布局设计水平支持所有的标准配置。这确保可以非常迅速地加载所需的配置到模具装配设计而无需重新设计布局。3.2 标准化模板 从图 10 可以看出在标准化模板中有两个部分组成配置数据库和布局设计表。配置数据库包括所有的标准布局配置，并且每个布局配置有其自己进行几何参数的布局设计表。模具制造行业有自己的标准，配置数据库可以定制，可根据客户要求考虑那些以前被视为非标准的设计。3.2.1配置数据库 一个数据库可以用于包含列表中所有不同的标准配置。此数据库中的配置总数对应于在模具设计组件的型腔布局设计水平于布局中可布局配置的配置数。列出数据库中的信息是配置数量、类型和模腔数目。表 1 显示了配置数据库的一个示例。配置数是每个相应的类型与腔的数量的可用布局配置的名称。当模腔数目和特定类型的布局为所要求的，则适当布局配置将加载到型腔布局设计。3.2.2布局设计表 在配置数据库中列出的每个标准配置有其自己的布局设计表。布局设计表包含布局配置的几何参数，并且每一种配置是独立的。更复杂的布局配置将会有更多的几何参数来控制型腔布局。 图11（a）和11（b）表示模具板（芯板）背面有一个大凹穴和四个小凹穴组装相同的四腔布局。在一块钢块加工中大凹穴始终是比小凹穴更经济更易于加工的。加工的大凹穴的优点是： 1、空腔之间可以节省更多的空间，从而可以使用更小的钢块。 2、与加工多个小凹穴相比，加工一个大凹穴的加工时间更快。 3、大凹穴比小凹穴实现精度更高。 因此，导致在布局设计表中几何参数默认值中没有存在腔与腔之间的距离。但是，为了使系统更加灵活，以适应每个模具设计，在必要时几何参数的默认值可以修改。3.3 几何参数 建立的几何参数三个变量： 1、空腔之间的距离（柔性）。空腔之间的距离在布局设计表中列出的，它们可以由用户来控制或修改。距离的默认值，使得有空腔之间没有间隙。 2、单个空腔的取向角（挠性）。在布局设计表中，用户可以改变的是单个空腔的角度。对于一个多腔布局，所有的空腔都必须是在布局设计表中所示的方向相同的方向，如果方向的角度被修改，所有的空腔将方向旋转为相同的方向，而不影响布局配置。 3、每腔之间的装配关系（固定），空腔相对于彼此的的取向是预先定义的，每个单独的布局配置是通过空腔之间的装配配合关系来控制。每个布局配置是固定的，除非是定制的。 图12显示了单型腔布局配置和其几何参数的一个示例。主插入/空腔的原点是在中心。 X1和Y1的默认值是零，使得空腔在布局的中心（两个原点彼此重叠）。用户可以改变X1和Y1的值，以使所述空腔可以适当地抵消。图13显示了八腔布局配置及其几何参数的一个例子。 X和Y的值是主插入/空腔的尺寸。默认情况下，X1和X2的值是等于X，Y1的值等于Y，因而存在空腔之间没有间隙。考虑空腔之间的间隙，在设计时可以增加X1，X2和Y1的值。这些值将被列在布局设计表中。 如果有一个腔以 90 为导向，其余的型腔将以同样的角度旋转，但布局设计保持不变。用户是能够通过旋转腔更改布局设计表中的参数。由此产生的布局如图 14 所示。 一个复杂的型腔布局配置，它有更多的几何参数，必须利用公式来关联参数。4 系统的实现 一个注塑模具原型的参数化控制的型腔布局设计系统已经采用一个 IIIPC兼容的硬件实现。该原型系统采用商用CAD系统（SolidWorks 2001）和一个商业数据库系统（微软）作为软件。原型系统的开发采用了在Windows 环境下的微软Visual C+ 6.0编程语言和SolidWorks API（应用编程接口）。 SolidWorks的主要选择原因有两个： 1.在CAD/ CAM行业的增长趋势是朝着使用基于Windows的个人电脑，而不是UNIX工作站主要是因为涉及的购买硬件成本。 2.三维CAD软件是完全Windows兼容，因此它是能够顺利地从Microsoft Excel文件的信息整合到CAD文件（零件，组装和绘图）17。这个原型系统已在 Excel 文件中列出的八个标准布局配置配置数据库。图 15(a) 所示。布局设计水平，即在 SolidWorks (layout.sldasm) 中的程序集文件对应于此配置数据库，具有相同的布局配置集。Excel 文件中的配置名称对应于布局程序集文件中的名称，图 15(b) 所示的配置。 每个项目每个型腔布局程序集文件 (layout.sldasm) 将会预装这些布局配置。当所需的布局配置通过用户界面请求时，布局配置将被加载。图 16 中所示的用户界面是请求的布局配置加载之前。在加载请求布局配置时，将在列表框中列出当前的布局配置信息。 然后，用户就能够将当前的布局配置更改为配置数据库中找到的任何其他可用的布局配置。图 17 所示。 当用户触发按钮在用户界面的底部时，可以激活当前的布局配置，其中包含的几何参数的布局设计表。当几何参数的值发生更改时，型腔布局设计会将相应的更新。图 18 显示了当前的布局配置的布局设计表的激活。5 个案研究 图19所示为一个手机外壳的CAD模型，在下面的案例研究中使用。在腔布局设计阶段，原始的CA模型必须根据所使用的成型树脂的收缩值来进行缩放。然后将主插入件封装成收缩的部分。整个组件被称为主要的插入组件（XXX腔。sldasm），其中“XXX”项目名称。图20显示了主要的插入组件。在主要的插入组件被创建后，型腔布局设计系统可用于制备模具的装配型腔布局。5.1 方案1：初始型腔布局设计在模具设计， 在模具中建立腔体的数量往往由客户提出，因为他们需要在模具中平衡对零件成本的投资。最初，客户已要求一个两腔模具被设计为手机专用的手机盖。在创建主插入物组件的后，利用这两腔的型腔布局设计系统，模具设计加载的布局结构，是一种直线型。相应的配置名称是 L02 并在用户界面中列出，如图 21 所示。5.2 方案2在型腔布局设计修改 模具设计师与客户之间的技术讨论会是常见的。在模具制造之前，对产品和模具的 3D CAD 文件尽快进行更改。变化几乎总是不可避免的，模具设计人员从来没有给出任何延长的交货时间。 在这种情况下，在技术讨论会议期间客户改变了他们的想法，需要线性四型腔模具，而不是两个型腔模具，以使手机盖的生产速度可以提高。模具设计者可以使用型腔布局设计系统以修改现有的型腔布局设计为线性四腔模具的。从配置数据库中列出了可用的布局配置，可以选择所需的新布局配置。图 22 所示。5.3 方案3：腔间间隙 最后，在另一个技术讨论会，模具设计者则必须在腔之间的纵向方向引进 20 毫米的间隙，如图 23 所示。 在型腔布局子组件级，模具设计者使用型腔布局系统激活当前的布局配置的布局设计表。Y1 的值从 50 毫米改为 70 毫米，在腔之间纵向方向引进 20 毫米的差距。图 24 显示布局设计表中Y1的值的变化。在加入间隙以后, 最终设计的结果如图 25 所示。6 结论在本文中，提出了一个参数化控制的型腔布局设计系统的开发使用标准化模板的方法。由于该方法利用标准化的，如果他们的设计过程是可重复的或者它们具有通用于每个模具的设计特点，故它可以进一步应用到其它组件的模具组件的设计。 所开发的型腔布局系统的优点如下： 1、所开发的系统具有人性化的界面。 2、由于它使用的数据库具有高度的灵活性，及模具制造行业有自己的标准，可以自定义数据库以满足他们的需求。 3、 由于预定的标准化模板在模具组件的设计的布局设计水平是可用的，所需的布局结构可以非常迅速地加载到模具组件的设计，而不需要重新设计布局。 4、本系统使产品设计师和模具设计人员在模具制造前有更多有用的技术讨论，在讨论过程中，可以立即进行布局。 5、该系统在模具设计过程中节省时间，因为它能消除多余的工作。 因为模具制造行业非常重要的模具制造的交货时间减少了。所开发的系统具有一定的局限性。虽然数据库和布局设计表可定制，定制化将是更加复杂更加困难的非标准配置，因为正确的几何参数必须确定。目前我们正在应用模具设计中其他组件的标准化模板。摘 要 塑料注塑成型是广泛用于制造各种零件。成型条件或工艺参数对塑料制品的质量和生产率起着决定性的作用。这项工作回顾了国家的最先进的注塑成型工艺参数优化。 响应面模型、 克立格模型、 人工神经网络、 遗传算法等特点、 优点、 缺点和适用范围的所有常见的优化方法和混合方法得到解决。此外，对于注塑成型过程参数的基于仿真的优化，包括直接优化和元建模优化两个通用框架，提出的建议的范例。案例研究说明，以证明实施的建议框架，并比较这些优化方法。两个案例研究都说明证明建议框架的执行，比较这些优化方法。这项工作作为一项贡献旨在促进塑料注塑成型工艺参数的优化。关键词：注塑成型;工艺参数优化;优化方法;基于仿真的优化1 简介 成型条件或工艺参数对塑料注塑成型起重要作用。成型零件的质量包括强度、 翘曲变形和残余应力，在被处理的条件下影响较大。成型条件也影响到成型过程的工作效率、 循环时间，并在模制工艺的能量消耗。成型条件与材料、零件设计、模具等因素有着密切的关系，决定了塑料制品的质量。成型条件包括以下重要参数 1 ：熔体温度，模具温度，填充时间，保压时间和保压压力。一个给定的模制零件的质量不仅取决于塑料材料的性能，也取决于工艺参数。优化工艺参数减少周期时间，提高产品质量。在实践中，设置工艺参数主要是基于塑料工程师的经验。此方法并不总是能确保适当的工艺参数的值。由于塑料具有复杂的热粘弹性性质，设置一个适当的成型条件，获得所需的产品质量是一个挑战。其结果是，过程参数通常是从手工书籍中选择，然后由试错法实验随后进行调整 。可以看出，试验和错误的方法是昂贵和耗时的。 对于分析方法，已经开发了一些数学方程，用于导出适当的注塑成型工艺参数 2 。然而，由于注射过程的复杂性和许多简化所涉及的分析方程，它们一般不符合可靠的解决方案。因此，许多研究人员已经作出很大努力，寻找优化成型工艺参数的方法。 虽然有相当多的专注于注塑成型工艺参数优化的出版物，其中一些听起来学术仍然很难应用到实践中。此外，有关的应用程序的长处和优化的缺点，以及审查，没有进行比较评估。优化方法的选择主要取决于经验和每一位作者的主观选择。因此，分析的特性和存在的优化方法范围是应用的一项重大任务。此外，有必要找到适当的一般框架，便利的注射成型工艺参数优化 。2 理论背景及概况注塑成型工艺参数优化2.1 优化技术 如果我们对数值优化技术分类，这基于提高每次迭代后设计点的途径，有三种优化技术： 基于非梯度、 基于梯度和混合优化技术。他们是简要描述如下 非基于梯度的优化技术不要求目标函数f（x）中，必须是可微的，因为算法不使用f（x）的衍生物。非基于梯度的优化技术的实例是自适应模拟退火算法，胡克吉福斯的直接搜索和遗传算法（GA）。这些优化技术往往达到全局最优，但需要功能评估的数量巨大。 遗传算法是一种著名的非基于梯度的优化技术。它是一种随机搜索或模仿达尔文的生物进化理论的优化算法。 基于梯度的技术由通过在当前点函数的梯度定义搜索方向。在实践中，有很多各种各样的基于梯度的优化技术，如用广义简约的梯度，共轭梯度法、可行方向法、 混合整数优化序列线性规划法、 序列二次规划算法和戴维登 弗莱彻-鲍威尔。基于梯度的技术，在一般情况下，给出一个快速收敛，但它们可能需要长时间运行时变量数目的增加。基于梯度的技术也可以得到高非线性优化问题的局部极值的风险。 混合优化技术，采用两种非梯度和基于梯度的技术相结合，随后以便采取单一的优化技术的的优点和减少缺点。提出所有这些优化技术是超出了本文的范围。2.2 常用的优化方法 在本文中使用的优化方法术语是指明确的目标函数是否被制订。基于仿真优化的目标函数往往是隐式方程的形式。目标函数的值是未知的直到得到仿真结果。但是也有两种方法用于解决一些优化问题包括如图1所示的直接优化和基于元模型的优化方法。这两种优化方法的详细信息如下所述。2.2.1直接优化方法 直接数值优化是明确的目标函数并不需要的方法。既基于梯度的优化技术和非基于梯度的优化技术可以应用来解决最优化问题。有时，直接优化方法结合遗传算法和其他优化技术。众所周知，遗传算法往往达到一个全局极值，但这种方法需要大量的功能评价。相反，基于梯度的方法能够有效的保证局部极值。如果将这两种算法结合作为一个混合系统，它们可以增强优势，消除劣势。2.2.2基于元模型的优化方法 基于元模型的优化方法是一种目标函数经常近似成低阶多项式的显式形式与可接受的精度的方法。一旦该元模型数学上呈现误差最小过程，优化问题很容易通过应用适当的优化技术解决。相比于直接优化，基于元模型的优化方法更为广泛被采用。常见的元模型的响应曲面法 (RSM)、人工神经网络 (ANN)、径向基函数 (RBF)、克里格法和混合模式。基于计算机的工程设计和优化的建模技术的审查可以在辛普森3 与王和山 4 等人的工作调查发现 。这种优化方法有一些好处，例如容易连接到仿真程序，来呈现视图的整个设计空间，以及计算效率所称的 Papalambros5、Wang 和Shan 4,以及 Park 和 Dang 6. 2.3 注塑成型工艺参数优化研究 直接优化法在注塑成型中不常使用。这种方法需要一个复杂的集成仿真工具和优化代码。有几个作者已经使用这种方法，Lam等。 7 提出了一种用于注塑成型条件优化的遗传算法/梯度混合方法。遗传算法的优化方法需要大量的功能评价或大量的模拟周期。并行计算可以减少一些计算机同时运行的仿真时间。Wu等。采用了一种增强遗传算法，称为分布式多群体遗传算法。他们的方法结合优化算法和商业 Moldflow 软件基于优势关系的约束处理技术-主从分布式体系结构 8。直接优化方法，也可以仅基于梯度的优化技术进行。这种方法有时收敛迅速时优化问题是低非线性。 基于元模型的优化方法被广泛应用在注塑成型。最常见元建模技术，例如RSM，人工神经网络，RBF和克里格模型的应用。基于元模型的优化方法的应用取决于特定情况下使用，是研究人员的首选。以下是在文献中出现在塑料注塑成型的领域常见的优化方法。2.3.1RSM 模型 RSM 是经常表示的输入与输出之间的关系的建模技术之一的二次多项式形式。虽然这是一种传统方法，但由于其成熟和易用性，它广泛被许多作者使用。这种方法的正交阵列通常用作实验设计 (DOE)。RSM 与遗传算法优化算法结合使用，以尽量减少翘曲变形、 缩痕或收缩 9-13。事实上，我们可以使用任何优化技术来解决 RSM 模型表示的优化问题。然而，大部份的作者采用遗传算法，因为他们认为遗传算法是一种全局优化。遗传算法可以避免陷入局部极值。其他作者使用的 RSM 结合基于梯度的优化技术或他们应用 RSM 预测工艺参数对成型零件 11，14-17 的质量影响。2.3.2人工神经网络模型 人工神经网络是模仿人类大脑的功能的一些基本方面的一种新兴方法，因为神经网络是一个通过函数逼近预测的高非线性响应的有力工具。有很多作者都用人工神经网络作为预测模型，展示了工艺参数和质量指标之间的关系。Kwak 等人 18、 Yarlagadda 和 Teck Khong 19 和 Yarlagadda 20 指出利用CAE 分析提取神经网络预测学习数据与实验结果吻合。Kenig 等人 21、Mok 和 Kwong 22、Chen 等人 23和 Altan 24声称的神经网络模型可以准确地预测产品的质量，这种方法是质量标准预测 （收缩、重量或拉伸强度） 可用和有效工具。人工神经网络被认为是一种强大的模型预测工艺参数与注塑件的质量之间的关系。工艺参数优化可以基于此的近似关系来进行。 人工神经网络模型是首选与遗传算法优化技术结合使用。Shen等25利用人工神经网络和遗传算法相结合的方法优化注塑成型工艺参数。Chen等人26,27通过人工神经网络和遗传算法软计算的多输入多输出（MIMO）和多输入单输出（MISO）优化注塑工艺参数。 Ozcelik和Erzurumlu 28采用方差分析比较在注塑翘曲优化。其他作者29-34也使用神经网络和遗传算法优化注塑成型工艺参数，以提高注塑件的质量。这些作者大多数的结论是，神经网络和遗传算法混合策略是一种可靠的方法。然而，其中绝大多数是没有提到选择实验的方法和用于获取人工神经网络模型的训练数据的次数。在大多数的研究中输入参数的数目从4变化到6不等，但实验变化的数量在一大范围内（从27 28到 252 25）。很显然，如果实验次数过高时，模拟或物理实验成本是非常高的。2.3.3克里格模型 克里格被认为是一种确定性和高非线性合适的工艺参数的数量适中的元模型3,35。然而，因为它的复杂性或与RSM比较在注塑领域的声誉，这种方法对研究人员具有低的吸引力。很少有研究使用克里格方法。Gao 和 Wang36,37推出了基于克里格模型的注塑成型的有效的翘曲优化方法。2.3.4径向基函数网络模型 径向基函数也是一种常见元模型，但与其他型号相比在工艺参数没有被广泛使用。 Li等人。应用了径向基函数来优化注塑过程38的填料轮廓。他们使用基于梯度的优化算法即序列二次规划。拉丁超立方体采样技术被用于DOE。该技术为设计者提供了一个自由选择试验的次数。 虽然大量的工作致力于工艺参数优化，仍有一些可以考虑问题。许多方法的存在表明注塑成型工艺参数的优化是相当复杂和多样化的。复杂的程度取决于优化目标，成型零件的几何形状，材料，和设计变量的数目。此外，优化技术和优化方法的选择主要取决于研究者的经验和主观选择。在文献中，没有任何用于优化注塑工艺参数的准则或推广优化方法。因此，对适用于注塑成型的基于仿真优化的一般框架提出了为便于加快设计和优化的过程。3 拟议框架的成型参数优化3.1 利用直接数值优化模型优化注塑参数的方法 用直接数值优化模型优化成型参数框架，包括自动化的模拟和直接基于仿真的优化原理图程序的框架。优化过程基于直接数值优化方法。基于梯度和非梯度基于的优化技术可以用来找到最佳的解决方案。数值优化是搜索过程的优化，循环终止时达到收敛 （找到最佳解决办法），或终止条件处于活动状态。CAE 仿真计算成本通常是昂贵的庞大而复杂的零件，因此共同的终止准则是模拟的预定义的最大数目。 用直接数值优化模型的基于仿真优化的过程应该是自动加速优化进程。在图 2 中，提出了应用于直接的数值优化方法的自动化仿真框架。这个框架包括两个组件 优化器和 CAE （计算机辅助工程） 组件。仿真得到的结果与 CAE 组件是直接发送到优化程序。随后，优化器评估结果并修改基于选定的优化技术每个迭代的输入参数 （设计变量）。如果使用基于梯度的优化技术，有限差分法被应用来确定的梯度和搜索的方向。如果选择了基于非梯度的优化技术，例如遗传算法，设计变量根据此优化技术的策略被修改。这一框架中的所有任务都是完全自动化，无需用户（即设计师）介入优化过程中的任何阶段。 若要生成的拟议的框架，就必须有两个工具 塑料注塑成型模拟工具 （CAE 软件） 和编程的工具 （或集成软件），两个工具用来连接，解决优化问题。实施软件的选择取决于可用的工具和设计师的个人选择。他们可以使用任何标准的编程语言，例如 Visual Basic，Visual C、 MATLAB 或过程集成与设计优化工具，如 iSight 和 PIAnO 等优化程序和CAE组件连接，控制一体化循环，并解决优化问题。 如何优化器组件中所提议的框架的工作也很重要。优化注塑工艺参数直接基于仿真优化结合的示意图过程，如图 3 所述。首先，确定目标函数如翘曲变形、收缩或残余应力。其次，设计师标识的设计变量，如熔体温度 (Ti)，模具温度 (Tm)，填充时间 (ti)、 保压时间 (tp) 和保压压力 (Pp) 和约束。约束通常是设计变量和相关规格 注塑机的某些边界条件的范围。第三，进行模拟，为了获得目标函数值。评价仿真结果、 修改设计变量，在图 3 中，运行模拟循环终止时符合终止准则或优化过程的收敛。最后，优化搜索后得到最优解。 “最优解”的质量取决于一些因素，其中数值搜索的初始起点是很重要的。有时迭代的数目取决于任意一个初始起点。然而，没有人知道当他开始搜索过程什么是最好的初始点。另一个问题是，达到局部最优时，采用的基于梯度的优化技术可以达到全局最优解。当输出的响应行为是高非线性，优化过程可能会陷入局部最优。此外，如果设计变量数目的增加，直接优化方法需要大量的迭代和仿真的总成本可能很高。假设流动和翘曲变形仿真花一个小时，经过 240 次迭代终止后，它需要 10 天完成优化过程。这些问题是直接基于仿真优化方法的缺点。 使用直接数值优化模型优化成型工艺参数优化方法适用于具有低成本的仿真问题。高性能计算机现在可以促进这种优化方法的应用。此外，混合优化技术相结合非基于梯度和基于梯度的算法可以保证有中等数量的模拟高非线性问题的全局最优解。3.2 使用元模型优化成型参数的优化方法 使用基于元模型的优化注塑参数的优化框架由两个组件组成 CAE 组件和集成控制器，如图 4 所示。CAE 组件负责模拟和计算目标函数的值。集成控制器读取从 CAE 模拟获得的结果，并将它们存储在输出文件中， 控制模拟的次数和组织的每个运行的基于选定的DOE 技术的工艺参数组合。模拟的数量是由某些DOE战略预先决定的。框架中的所有任务都应自动使用应用程序编程接口 (API) 语言。最后仿真完毕后，建立一个明确的方程形式的元模型，和我们可以优化基于元模型的工艺参数。 在图 5 中介绍了基于仿真的建模技术结合示意图过程，元模型类型的选择应该是精心设计。最受欢迎的元模型是 RSM、 神经网络、 RBF 和克立格法的模型。二阶 RSM 适用于低或中度的非线性响应。与其他型号相比它需要较少数量的模拟。径向基函数、 人工神经网络和克里格模型有别于 RSM 和 RBF，因为它们插的样本数据点，且它们响应面法是不像那些 RSM 一样平整。径向基函数、人工神经网络 、克里格模型适合高的非线性问题，但是它们需要一套适当的实验或模拟所得的样本数据。 选择元模型类型后，DOE或空间采样技术是使用基于元模型的优化方法时的重要一步。常见的DOE或空间采样技术包括全因子，D-优化设计，中心组合设计，正交阵列，拉丁超立方，以及最佳拉丁超立方。选择正确的采样技术可以从 Wang和Shan 4的工作中参考。运行后根据DOE战略模拟的预定数量后，执行近似过程，然后构建该元模型。精度或元模型的拟合优度往往是由四个错误的措施进行评估：平均绝对误差，最大误差，均方根误差，和R平方。如果该元模型是足够的接着执行基于该模型的优化过程。否则，它有必要改善或改变的元模型的类型。任何优化技术（基于梯度的优化技术或者非基于梯度的优化技术）可被用于解决优化问题。由于目标和约束函数是明确方程的形式，优化了计算成本，则忽略了总模拟成本。 因为元建模技术是一种近似的技术，回归模型之间的预测值有误差，并通过仿真和实验获得了在“最优点”的真值。因此，需要评估最优设计点 。这是基于直接仿真的优化方法和基于元模型优化方法之间的显著差异。如果在最优点之间的预测值和实际值之间的误差是可以接受的，优化过程可以成功完成。基于元模型优化方法的优点是设计者可以主动选择试验或模拟数字。对于复杂的大型零部件与存在许多元素的成型工艺参数时，这个优点是非常重要的。 比较提出的两种优化方法的模拟成本、迭代次数或响应非线性、仿真时间、成型零件几何形状、优化结果的准确性，总结在表 1 中，作为选择适当优化框架的指导方针。4 案例研究 若要表明建议的优化框架的可行性，实现两个应用实例。本部分还探讨了一些优化方法的特点。4.1 案例研究1高度非线性响应问题 成型的零件如图 6 所示的托盘是由聚丙烯材料制成。我们使用Moldflow 软件模拟流动和翘曲变形 。成型的零件是由 CAD 软件建模，导入到 Moldflow 环境，并与三角形单元网络划分。API 程序进行编码以便自动执行仿真任务。优化控制器和流动模拟之间的集成是使用 iSight 软件来实现的。 问题在于找到包括模具温度 (Tm) ，熔体温度 (Ti)，注射时间 (ti)，保压压力 (Pp)、 及保压时间 (tp) 的的五个重要工艺参数的最佳值。这些参数的值范围是从由塑料制造商规定的推荐范围确定的(表 2) 。一个局部最优。该优化问题如下所述：翘曲：符合以下条件： 前面提到的两个优化方法，包括基于梯度的，非梯度的，和采用混合优化技术。第一种方法采用间接的或基于元模型的优化方法包括RSM，RBF，和 ANN。第二种方法适用于直接优化方法，包括遗传算法，基于梯度的优化技术，遗传算法和基于梯度的优化技术的混合。 基于梯度的优化，首先，RSM 元模型由 L36 正交阵列用的 36个实验数值。RSM 模型很好的预测适应图中显示的的冷却时间 （= 1.0）;然而，翘曲变形响应太低 (= 0.62，见图 7)。R 2 的翘曲变形的响应低值是由低刚度引起的翘曲变形高度非线性行为和成型零件拐角效应引起的。因此，对于本例元模型RSM方法是不足的。 RBF随后被用来代替RSM模型。RBF 的R的平方值高于 RSM (0.72 相比于 0.62，图 7 和图 8) 因为 RBF 模型可以更好地适合非线性。在此示例中还应用人工神经网络模型。人工神经网络模型的质量取决于训练数据集的质量。在这个案例中，训练数据集是由拉丁超立方技术进行采样的 60 个设计要点。标记（1）和（2）在 表 2 中显示了RBF和ANN方法的优化结果。基于直接仿真优化方法进行基于非梯度遗传算法，基于梯度混合优化技术。基于非梯度的 GA 方法给出了比较显著的结果，一般情况下，因为它给出了考虑输出的低值 (2.93 毫米的翘曲变形和 11.7 s 的冷却时间)。使用直接遗传算法优化方法的优化过程的历程如图 9 所示。然而，由于每个模拟的计算成本和预算的时间，因此在本案例研究中模拟次数预定值被局限在200次运行。因此，真正最优点并不总能保证。有证据表明，遗传算法的目标函数的值是2.93，同时应用梯度的优化方法时，此值仍在继续提高（2.93相比2.72，表2）。寻找到基于梯度的优化方法的最优点的起始点是通过遗传算法获得的最优点。 当我们采用的直接基于梯度的优化方法，使用序列二次规划，收敛速度非常快，只经过50次迭代。然而，最优的结果是比其他方法差。证据是翘曲值为3.54毫米。使用直接基于梯度的优化方法的优化过程的历程如图10所示。尝试其他的起始点可能会提高最终的优化结果，但模拟成本将增加。 该优化方法的有效性取决于模拟次数和最优点保真度的。表 3 比较了模拟优化方法已经使用的次数。直接的遗传优化方法与其他方法相比需要大量的仿真结果。粗糙的遗传算法和基于梯度的精确搜索组合拥有中等数量的模拟给出了最好的最优解。基于梯度的方法需要迭代次数较少，但他们容易陷入局部极小值。RBF和基于神经网络元模型的优化方法减少模拟的数量;然而，在优化点误差高。我们发现，使用粗糙的遗传算法搜索之后，一种基于梯度的优化技术是个不错的选择，以确保预期的最佳点的高非线性响应问题。4.2 案例2：低非线性响应问题 本案例研
- 温馨提示:
1: 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
2: 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
3.本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
人人文库网所有资源均是用户自行上传分享，仅供网友学习交流，未经上传用户书面授权，请勿作他用。
川公网安备: 51019002004831号