注塑机注射装置作为注塑机的重要组成部分,也是注塑机故障发生高频区域,在发生故障后需要及时进行诊断以及检修,避免产生重大的损失和危害。而传统的注塑机故障诊断方法主要为人工诊断和专家诊断,由于其智能化不足而存在着“费时、费人、费力”且诊断准确率较低的缺点,已无法满足智能化程度越来越高的注塑机故障诊断需求。数字样机作为制造业的一种高效仿真方法,为注塑机注射装置的故障诊断提供了新思路,利用该技术构建物理实体的虚拟模型来模拟实体的运行状态,然后将数字样机得到的数据代入到神经网络中对注塑机注射装置进行故障诊断。本文以BOY15S注塑机注射装置为研究对象,探讨注塑机液压系统的工作流程;分析并简化数字样机的基础架构;再采用AMESim和3Dmotion的联合仿真方法搭建注塑机注射装置的数字样机;研究BP和PNN神经网络的数学模型,并利用MATLAB的编程方法,设计并构建适用于注塑机注射装置的PNN和BP神经网络故障诊断模型;然后分析注塑机注射装置在产生故障时的故障特征信息与故障之间的联系,确定用于神经网络进行故障诊断的故障特征信息,并设计表格,将故障特征信息以mat文件的形式进行整理和储存;选用无法射胶、注塑不完整、喷嘴塑料凝固、不加料四种故障以及正常状态来作为故障诊断输出结果,将数字样机运行得到的故障特征信息代入到设计好的神经网络模型中进行训练,并选择测试数据进行测试。实验结果表明,利用数字样机得到的数据进行故障诊断具有较好的故障诊断效果,在利用小数据样本进行故障诊断时,概率神经网络具有更高的诊断精度,达到70%以上,在用大数据样本进行训练以及诊断时,BP神经网络具有较高的故障诊断率,其故障诊断率在90%以上。本文以BOY15S为研究对象,构建其数字样机,利用得到的数据来对注塑机注射装置进行故障诊断。研究成果将对注塑机的故障诊断研究具有一定的指导作用,对数字样机的研究具有一定的借鉴作用,同时,本课题将数字样机与神经网络相结合的研究方法属于较为前沿的技术,具有一定的新颖性。