订书机外壳注射模设计外文翻译

1、吉林化工学院外 文 翻 译订书机外壳注射模设计Injection Mold Design For The Shell Of Staple性 质: 毕业设计 毕业论文教 学 院： 机电工程学院系 别：机械电子学生学号：11410521学生姓名：胡 艾专业班级：机自1105指导教师：孔繁星职 称：讲师起止日期：2015.3.92015.3.28吉 林 化 工 学 院Jilin Institute of Chemical Technology吉林化工学院本科毕业设计外文翻译基于模糊可塑性评价的注塑模具的优化摘要：本研究的目的是发展一种优化注塑模具的模糊可塑性评价方法。提

2、出了可变权重利益向量，即惩罚严重的缺陷然后奖励那些轻微的。注塑模具的优化收益，如下所示。首先，选择作为可塑性评价标准的缺陷，根据其严重性的三角模糊数预测，利用层次分析法由计算机辅助的流场分析以及所有标准的初始权值分配。然后在每个标准不同权重的利益变权向量的基础上，生成模糊评价矩阵。最后，各种模具方案的可塑性指标对于秩序的性能，采用技术得到的逼近理想解法 （TOPSIS） 排名，根据通过计算模糊严重缺损理想解和轻微缺陷模糊理想解的距离，得到其可塑性指标的所有替代模具计划。最大的可塑性索引的模具方案被认为是最好的一个。模具方案的优化的案例研究证明了该方法是有效、 可行

3、的，而且优于其他模拟人类专家的动态模糊决策逻辑能力。关键词：注射模；模糊评价；可变权重利益向量；可塑性1 引言注射成型是制造塑料产品中最广泛使用的进程之一，由于其批量生产的能力和每个部分相对低廉的造价。注射成型部件的主要成本在于模具设计，这极大地依赖于设计者在测试运行中所作的决定，并且极大地影响塑料制品注射周期的最终质量。因此，它的可塑性评价结合模具设计早期在产品开发过程中为实现产品低成本、 低循环次数和高品质中是重要的。计算机辅助的流动分析与工程软件，如 MPI （(moldflow plastic insight） 现在被广泛用于预测模具方案注塑成型

4、的结果和优化模具设计，大多数工作只是在注射成型 期间评估从某些产品缺陷或一些物理参数来量化分析模具方案的可塑性（(Kabanemi等人, 2002; Courbebaisse 和 Garcia, 2002; Alam 和 Kamal, 2005; Sanchez等人,2006; Yen等人, 2006; Henz等人, 2007）。然而，在注射成型的产品中可能会出现各种缺陷，严重的缺陷几乎可以用脆变量来描述。模具制造企业通常依靠经验丰富的现场专家来评估模具方案的可塑性，去找出问题所在，对模具结构参数或尺寸的调整数额提出建议以便预测的缺陷或问题都可以在测试运行期间清除。考虑到模具设计师

5、通常用模糊语言变量来描述注塑成型产品中缺陷的严重性，不少研究最近还讨论了基于模糊逻辑理论优化的成型过程。He（1998年) 报告了能够自动预测和重置基于模糊集和神经网络的工艺参数的智能化系统。蒋昌 （2006 年） 和蒋（2007 年）提出了一种方法来优化基于正交与灰色关联分析和模糊逻辑分析加工参数的注射成型零件与薄壳功能，转换的优化成一个单一的灰色模糊推理职系优化复杂多个性能特性。Lau(1999 年)，Vagelatos (2001 年) 和Juang（2006 年） 致力于开发利用模糊监督控制器的优化注射成型模具温度等工艺，它可以把复杂的多个性能特

6、征的优化转化为单个的灰度模糊推理级的优化。然而，在磨具设计领域，唯一已经进行的基于模糊理论的研究工作到目前为止是磨具方案成型分析的方法，它利用由Yin（2004）提出的几何推理和模糊评价，来推导零件的几何形状率先生成模具型腔所有可能的方案。然后选择最好的一个，作为最佳型腔方案，这一套方案是通过采用模糊多属性决策模型关于数量和体积向下削减，分模线平整度，绘制深度和拔模角度来确定。此外，目前所有的方法采用恒定重量模型对成型性能的评价给出的另一个方案：当这个缺陷的相应权重是如此的小以至于缺陷的综合可塑性评级不是很坏的时候，那么替代品在生产过程中遭到严重破坏的缺陷是可以被接受的。若要避免这种错误的判断

7、，每一条标准的权重应当在模糊的评估程序，惩罚严重缺陷和奖励轻微缺陷之间有动态调节，这种变权模型得到的可塑性评价大概可能和动态模糊决策逻辑专家意见一致，在计算机上运行测试期间，提供更多的令人信服和有效的决策。本文的其余部分是有如下组织的。第二节分析了可塑性评估准则，第三节提出了可变权重利润向量，然后在第四节针对注射模型的评价提出了在模糊变量权重基础上的注射模优化。第五节中，提供了一个数值示例来突出显示程序提出的优化方法。最后在第六节里做出结论。2 可塑性评价标准注塑成型零件的品质包括其力学行为，即，可以定量地测量与某些仪器的内在质量和通常由技术人员基于各种观察得到的缺陷的定性评价的外在质量。后者

8、经常利用可塑性评价标准，因为它可以方便的对基于流场分析的结果进行评估。因此，如图 1 所示的可塑性评估标准，根据其不同的形成阶段，在注射成型零件可能存在的缺陷类别的基础上是能够被定义的，U1 所指的在灌浆期形成的缺陷位置，只能通过调整灌浆期的相关工艺参数去消除，包括欠注、流痕、银纹等。U2 所指缺陷主要形成在灌浆期期间，但是可以通过调整有关灌浆期，包括焊缝、分层等以外的工艺参数来消除。U3 是主要形成在包装阶段期间的缺陷，但可以通过调整与其他阶段有关工艺参数消除，包括空气疏水阀、 缩痕、 体积收缩等。U4 表示在整个注塑成型工艺过程中形成的缺陷，如反光、

9、 翘曲变形等等。图1 可塑性评价标准对于模糊评价集在注射成型零件的缺陷的严重性评级是被定义的，因为缺陷的严重性可以很自然的使用专业术语来描述，例如，非常轻微、 轻微、 中等、 严重和非常严重。在中的所有元素都是专业术语对应的三角模糊数。其图2所示的是隶属度函数，但是他们的三重态描述是在表1中列出的。图2 缺陷评级严重性为三角模糊数的隶属度函数3 可变权重的计算为了建立动态决策，在这一节逻辑专家提出了可变权重利益向量，以调节产品质量评价准则的权重，通过调节消极因素削弱严重的缺陷，通过规范激励因此来奖励轻微缺陷。奖惩的强度也可以采用其相应的调节因素控制。定义 1：给定的映射S：，矢量被命

10、名为 P 维变量，如果存在下面的等式重量利润矢量每个在处，被分别命名为激励因素，消极因素和调节因素。所有标准的初始权值通过层次分析法间接分配，如图1所示，在此期间的UQ权重和DU权重通过成对比较后首先计算，然后所有标准的初始权值可以通过UQ权重和D-U权重的乘积获得，它被标示为然后不同权重的标准在模糊评价产品的质量可以由计算4 注射磨具方案的优化假设有m种注射模和n种可能种类的选择作为标准可塑性的缺陷评价。起初，每一条标准的初始重量通过层次分析法在模糊相关矩阵同时分配，是根据严重程度预测缺陷在塑胶产品生成。然后可以计算每一条标准不同重量情商的(1)及(2)。因而可以由工作不同加权模糊评价矩阵通

11、过逼近理想解法（TOPSIS）顺序性能的技术采用以下简称等级所有的模具方案中，这基于方案选择从正理想解应该有最短的距离和从负理想解的距离最远这一概念。让然后模糊严重缺损理想方案和模糊的轻微缺陷注塑模具的理想方案可以被定义为每个模具计划从Q+和Q的距离可以通过公式计算因此计划的可塑性指数可以通过公式算出有并且有严重缺陷的理想方案,与基于公式（8）的轻微缺陷理想方案。因此具有最大的的模具方案是最好的。5 数值算例高聚物共混物的聚乙烯/聚苯乙烯增强与40wt%玻璃短纤维（PPE+PS+40%GF）是用于制造复印机设定在图3中所示的部分通过注塑热流道系统的过程。零件长303mm，宽189mm，高58m

12、m。零件的厚度大约是2.6mm，除了图3a扩大的地区只有0.9mm厚，这里熔体流动可能会有所停滞，图3b带圆圈的山区则超过6.0mm厚，在那里的部分可能收缩。注射成型机的规格如下所示：最大夹紧力350吨，最高喷射压力216MPa，最大的注射速率422.52cm3/s,螺钉的直径58mm。三种模具方案都体现在图46中。在图4中的A方案是利用两个直径为3mm的闸门与单型腔三板式模具。这儿共有十条流水线在冷却系统中，六芯边和四个腔侧。水直线的直径是10mm而挡住水线的直径是16mm(见图4a)。成型工艺设置如下:模具温度70，熔体温度280，注射时间为2s，零件重349g，零件被填充的体积是255.

13、8cm3，预计的总面积是 390.4cm2，两边两腔和型芯的冷却液温度是60，保压压力是28%的液压压力(约190MPa)持续时间为4s。图3 丝网厚度诊断结果的产品模型在模具方案B中，水闸附近薄肋(图3a的扩大区域)和图5中水线框架向零件的中心分别移动10mm和5mm，虽然图5c中水线框架远离薄肋板38mm。此外，当冷却液温度降到 25的时候，熔体温度提高到290，注射时间缩短到1.8s。在第一个一秒时保压压力是120MPa，然后在接下来的3S内线性的降低到零。图4 磨具方案A图5 磨具方案B在图6的模具方案C中采用热流管道系统，一个阀门位于中心线至模具中心30mm的地方。两个折流板水管线直

14、径是10mm，添加在腔侧的厚区域(图3b两个圆圈地区) 虽然在芯边薄肋下的水直线是被转移到远离肋骨的。保压压力设置为在4s 的时间内120%的注射压力。其他成型过程和方案A是相同的。通过MPI分析了三种模具方案的注射成型结果。六类缺陷包括短射、熔接痕、缩痕、体积收缩率、空气疏水阀、翘曲变形，选择三种不同方案作为可塑性的评价标准。根据图1中的分类说明计算出每一条标准的初始重量展示在表2中。作为三角模糊数，根据其严重性个可描述性流场分析中各种缺陷预测是模糊评价，并且因此生成模糊决策矩阵，参见表3。让=1.2，1=2=1.25，利用可变重量利润矢量方程(1)在表4中列出的每项标准的不同权重，然后三个

15、模具方案的可塑性指数被所提供的变权模糊评价方法计算出来，其结果展示在表5和表6中。如表6所示，模具方案C的可塑性指数是最大的，这就意味着它可以生产出质量最佳的零件。实际上，根据该领域专家的建议，方案C已经被使用来大批量的生产模仿零件。因此，优化结果符合该领域专家所作的决定，说明了该方法的可行性。图6 磨具方案C6 结论在现在有的研究中，一种新的，基于可变权重利润向量的，模糊评价模具方案的可塑性的方法被提了出来，为了克服不整合的局限性与专家的动态模糊决策逻辑，它是采用消极因素与激励因素来惩罚严重缺陷和奖励轻微缺陷。提出的方法还能使用户能够以交互方式控制强度的惩罚和奖励的强度，与两个调节因素的介绍

16、。三角模糊数被用于缺陷严重性率选择作为可塑性评价的标准。每一条标准的不同重量被利用可变权重利益向量计算，之后的每一条标准的初始权重被分配，缺陷的严重性将根据流量分析的结果评级。然后所有替代模具方案的可塑性指数用TOPSIS法，通过计算两个模糊严重缺陷的理想方案与模糊轻微缺陷的理想方案的距离进行排序。最大的可塑性索引的模具方案被认为是最好的。以一个复印机零件的磨具方案优化为例，基于拟议可变权重可塑性模糊评价的结果与专家的动态模糊决策逻辑相吻合，通过可变权重利润向量的四个控制因素的适当设置，并因此在磨具设计的优化过程中提供客观和有效的信息。7 参考文献1Alam, K., Kamal, M.R.,

17、 2005. A robust optimization of injection molding runner balancing. Comput. Chem. Eng. 29, 19341944.2Chiang, K.T., 2007. The optimal process conditions of an injection-molded thermoplastic part with a thin shell feature using grey-fuzzy logic: a case study on machining the PC/ABScell phone shell. Ma

18、ter. Design 28, 18511860.3Chiang, K.T., Chang, F.P., 2006. Application of grey-fuzzy logic on the optimal process design of an injection-molded part with a thin shell feature. Int. Commun. Heat Mass 33,94101.4Courbebaisse, G., Garcia, D., 2002. Shape analysis and injection molding optimization. Comp

19、ut. Mater. Sci. 25, 547553.5He, W., Zhang, Y.F., Lee, K.S., Fuh, J.Y.H., Nee, A.Y.C., 1998. Automated process parameter resetting for injection moulding: a fuzzy-neuro approach. J. Intell. Manuf. 9, 1737.6Henz, B.J., Mohan, R.V., Shires, D.R., 2007. A hybrid global-local approach for optimization of

20、 injection gate locations in liquid composite molding process simulations. Compos. A: Appl. S.38, 19321946.7Juang, C.F., Huang, S.T., Duh, F.B., 2006. Mold temperature control of a rubber injection-molding machine by TSK-type recurrent neural fuzzy network. Neurocomputing 70, 559567.8Kabanemi, K.K.,

21、 Hetu, J.F., Derdouri, A., 2002. Design sensitivity analysis applied to injection molding process: injection pressure and multi-gate location optimization. Int. Polym.Process. 17, 254264.9Lau, H.C.W., Wong, T.T., Pun, K.F., 1999. Neural-fuzzy modeling of plastic injection molding machine for intelligent control. Expert Syst. Appl. 17, 3343.10Sanchez, F., Garcia, J.A., Chinesta, F., Gascon, L., Zhang, C., Liang,11Z.,