论文部分内容阅读
注塑材料在生产中的应用越来越广泛,对成型质量也有了更高的要求,对于如何利用注塑成型工艺优化技术获得较好成型工艺条件的研究显得越来越迫切。为了较快地获得良好的工艺数据组合,本文提出了CAE技术与试验优化技术相结合的注塑工艺优化方法,并结合信噪比法(S/N,即Signal to Noise Ratio)、方差分析(ANOVA,即Analysis Of Variance),为了最大限度地利用优良的试验样本数据,为加快工艺参数的优化速度,引入人工神经网络(ANN,即Artificial Neural Networks)对工艺参数进行了预测和优化分析,使得成型工艺优化设计先于模具制造,并指导模具制造,从而既能获得较好的注塑成型工艺参数,又避免了制造出有缺陷的模具。本文的主要研究工作包括：(1)对Taguchi实验设计方法理论进行了阐述,重点介绍了利用正交试验方法得出工艺参数对工件翘曲变形的影响。以信噪比作为分析依据,方差分析作为分析手段,对实验结果进行优化分析,利用信噪比确定各因子在不同水平情况下的产品质量,从而获得了良好的工艺数据组合。(2)对神经网络的建模理论进行了详细的介绍,基于该模型建立了工艺参数与翘曲变形量之间的非线性映射关系,并且验证ANN模型的精度。利用ANN模型的非线性映射关系,计算翘曲变形量。不必重新利用CAE软件计算,为工艺制定节省了时间。基于神经网络和正交试验的工艺参数优化。在工艺参数取值范围内,采用ANN模型代替CAE软件数值模拟试验,并结合正交试验法,对工艺参数进一步优化使得翘曲变形量更小。论文工作表明：将神经网络与正交试验二者结合用于注塑过程参数优化可以明显缩短优化工艺参数的时间,提高工艺设计效率,并能获得比单纯使用正交试验更为精确的结果。通过对汽车后视镜实例验证表明,本研究方法有助于提高模具设计效率和塑件质量。论文研究工作和成果对实际生产中的模具注塑成型工艺优化具有一定指导意义。