張君 黃瑤 周甫芝 王雷剛*

(1.江蘇大學(xué)材料科學(xué)與工程學(xué)院,江蘇 鎮(zhèn)江,212013;2.丹陽(yáng)凱新精密模具有限公司,江蘇 鎮(zhèn)江,212132)

隨著人們對(duì)汽車(chē)外觀美感要求的提高,越來(lái)越多的雙色注塑件被應(yīng)用于汽車(chē)外飾系統(tǒng)和燈光系統(tǒng)。這類(lèi)塑件加工后容易出現(xiàn)氣泡、縮痕、翹曲變形等質(zhì)量問(wèn)題[1-3]。

大量學(xué)者就如何消除注塑缺陷做了相關(guān)研究:楊建強(qiáng)等[4]利用計(jì)算機(jī)輔助工程(CAE)軟件和多目標(biāo)參數(shù)優(yōu)化方法得到了非均勻壁厚塑料制件的最佳質(zhì)量;張魯濱等[5]以某塑料葉輪為研究對(duì)象,建立了基于反向傳播(BP)神經(jīng)網(wǎng)絡(luò)的注塑件翹曲預(yù)測(cè)模型,并采用平均影響值(MIV)算法將模型預(yù)測(cè)的相對(duì)誤差由13%降至7%;雷繼梅等[6]以高光三色汽車(chē)尾燈燈罩為研究對(duì)象,基于不完全因子試驗(yàn)設(shè)計(jì)建立了塑件翹曲量與工藝參數(shù)之間的響應(yīng)模型,運(yùn)用此模型進(jìn)行注塑工藝參數(shù)優(yōu)化,試生產(chǎn)后得到了變形量小、質(zhì)量較好的產(chǎn)品;Kumar D 等[7]采用遺傳算法優(yōu)化注塑工藝參數(shù),提高了產(chǎn)品的質(zhì)量。

下面以某汽車(chē)貫穿燈LOGO 塑件為研究對(duì)象,先通過(guò)正交試驗(yàn)和CAE 軟件模擬仿真得到模擬結(jié)果,再基于徑向基函數(shù)(RBF)神經(jīng)網(wǎng)絡(luò)建立了塑件質(zhì)量指標(biāo)與注塑工藝參數(shù)之間的函數(shù)關(guān)系模型,得到了最優(yōu)參數(shù)組合,提高了產(chǎn)品質(zhì)量。

1 模流分析方案建立

1.1 塑件結(jié)構(gòu)及材料分析

貫穿燈LOGO 塑件如圖1所示。外形尺寸為256 mm×66 mm×64 mm。原料為聚碳酸酯(PC),前面白色部分為第一射,屬于厚壁件;后面灰白色部分屬于第二射。第一射部分壁厚較大且不均,注塑過(guò)程中容易產(chǎn)生氣泡、縮痕等缺陷?；野咨糠趾休^多卡扣,用于將塑件固定在貫穿燈內(nèi)裝飾框上,要求較高的裝配精度。

圖1 貫穿燈LOGO 塑件示意(單位:mm)

1.2 初步模擬

先將三維模型與澆注系統(tǒng)導(dǎo)入CADdoctor軟件中進(jìn)行修復(fù),修掉細(xì)小圓角,提升網(wǎng)格質(zhì)量;再將修復(fù)好的模型導(dǎo)入Moldflow 軟件中劃分3D 網(wǎng)格,分析類(lèi)型為重疊注塑,分析程序選擇“填充+保壓+第二部分填充+第二部分保壓+翹曲”,劃分網(wǎng)格后定義澆口位置;最后根據(jù)系統(tǒng)推薦工藝進(jìn)行注塑模擬,得到的翹曲值(W)為1.857 mm,縮痕指數(shù)(S)為8.260%。

2 正交試驗(yàn)設(shè)計(jì)

2.1 成型工藝選擇及試驗(yàn)

設(shè)計(jì)正交試驗(yàn)的因素和水平需要根據(jù)產(chǎn)品的結(jié)構(gòu)、材料的屬性和研究目標(biāo)來(lái)確定。第一射塑件是厚壁件,容易產(chǎn)生縮松縮孔等缺陷;二射是薄壁件,容易產(chǎn)生翹曲缺陷,且裝配精度要求高。因此,以第一射塑件的S和W為優(yōu)化目標(biāo)。對(duì)塑件質(zhì)量影響較大的因素如下:第一射的熔體溫度(A/℃)、保壓壓力(B/MPa)、保壓時(shí)間(C/s);第二射的熔體溫度(D/℃)、保壓壓力(E/MPa)、保壓時(shí)間(F/s)。根據(jù)初步模擬時(shí)軟件推薦的工藝參數(shù),確定其水平范圍,然后采用CAE 軟件進(jìn)行模擬。正交試驗(yàn)因素及水平如表1所示,正交試驗(yàn)如表2所示。

表1 正交試驗(yàn)因素及水平

表2 正交試驗(yàn)

2.2 試驗(yàn)結(jié)果分析

表3和表4分別為S及W在各因素水平上的均值。

表3 S 均值%

表4 W 均值mm

由表3和表4可以看出:獲得最小S的最佳工藝參數(shù)組合是A5B3C1D2E4F3,獲得最小W的最佳參數(shù)組合是A2B5C4D2E1F3,兩者的最優(yōu)參數(shù)組合不同。為了同時(shí)獲得較小的S和W,需要進(jìn)行多目標(biāo)參數(shù)優(yōu)化。

3 模型建立

3.1 建立RBF神經(jīng)網(wǎng)絡(luò)模型

優(yōu)化目標(biāo)和注塑工藝參數(shù)之間為非線性關(guān)系,可以用RBF神經(jīng)網(wǎng)絡(luò)建立3層神經(jīng)網(wǎng)絡(luò),將非線性問(wèn)題轉(zhuǎn)變?yōu)榫€性問(wèn)題,其結(jié)構(gòu)如圖2所示,其中,閾值Φ0恒等于1,假設(shè)神經(jīng)網(wǎng)絡(luò)輸入層為M維,隱含層為N維,輸出層為J維。具體過(guò)程如下:先隨機(jī)選擇訓(xùn)練樣本(xk)作為基函數(shù)的中心,求解出所選中心之間距離的最大值(dmax);再將樣本向量輸入隱含層節(jié)點(diǎn)中,計(jì)算樣本向量與基函數(shù)中心的距離,將該距離值帶入徑向基函數(shù)(通常為高斯型函數(shù))解算后得到隱含層的輸出(Φi);最后將各隱含層的輸出與相應(yīng)的權(quán)值(wij)相乘,進(jìn)行線性組合,得到最終的輸出層(ykJ)[8]。

圖2 廣義徑向基神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意

3.2 RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練與檢驗(yàn)

以第5,10,15,20,25組工藝參數(shù)組合為測(cè)試樣本,其余20 組工藝參數(shù)組合為訓(xùn)練樣本。在MATLAB中調(diào)用newrb 函數(shù)建立RBF 神經(jīng)網(wǎng)絡(luò),均方根誤差設(shè)置為1.0×10-5,擴(kuò)散速率設(shè)置為100,最大神經(jīng)元個(gè)數(shù)設(shè)置為25,用訓(xùn)練樣本數(shù)據(jù)訓(xùn)練出神經(jīng)網(wǎng)絡(luò)模型,訓(xùn)練完畢后,用挑出的5組數(shù)據(jù)對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行可靠性測(cè)試,結(jié)果如表5所示。

表5 測(cè)試結(jié)果

由表5可以看出,預(yù)測(cè)值與模擬值非常貼近,相對(duì)誤差均小于6.000%。

RBF神經(jīng)網(wǎng)絡(luò)模型精確度的評(píng)價(jià)指標(biāo)還包括均方根誤差(RMSE)和決定系數(shù)(R2),計(jì)算公式如下所示:

式(1)和式(2)中:n為試驗(yàn)次數(shù);ˉy為模擬平均值;xi為預(yù)測(cè)值;yi為模擬值。

當(dāng)RMSE越接近0、R2越接近1時(shí),RBF神經(jīng)網(wǎng)絡(luò)模型越精確。經(jīng)計(jì)算可得:RMSE(S)=0.203 0,R2(S)=0.956 4;RMSE(W)=0.077 4,

R2(W)=0.945 5。表明建立的RBF 神經(jīng)網(wǎng)絡(luò)模型非常精確。

4 參數(shù)優(yōu)化與生產(chǎn)驗(yàn)證

尋優(yōu)算法采用非支配排序遺傳算法(NSGA),過(guò)程如下:首先在設(shè)定的參數(shù)范圍內(nèi)隨機(jī)生成數(shù)組工藝參數(shù)作為父代種群,然后將其帶入函數(shù)模型,得到相應(yīng)的2個(gè)目標(biāo)值,比較每組工藝參數(shù)目標(biāo)值之間的大小,得出每組工藝參數(shù)之間的支配關(guān)系,再根據(jù)支配關(guān)系將每組工藝參數(shù)分配到相應(yīng)的序列,計(jì)算每層序列中目標(biāo)值的擁擠度,之后隨機(jī)選擇序列小且對(duì)應(yīng)目標(biāo)值擁擠度大的工藝參數(shù)進(jìn)行交叉變異操作,得到子代工藝參數(shù),再計(jì)算子代工藝參數(shù)對(duì)應(yīng)的目標(biāo)值,然后將父、子代工藝參數(shù)合并得到新種群,再對(duì)新種群進(jìn)行非支配排序和擁擠度計(jì)算,最后選擇序列小、對(duì)應(yīng)目標(biāo)值擁擠度大的工藝參數(shù)作為新父代進(jìn)入下一個(gè)循環(huán),直至最大循環(huán)次數(shù)終止循環(huán)。

將徑向基神經(jīng)網(wǎng)絡(luò)模型集成到Isight軟件的優(yōu)化模塊中,設(shè)定好工藝參數(shù)的上下限,每代種群的個(gè)數(shù)設(shè)置為12個(gè),總共迭代20代,尋優(yōu)后的結(jié)果如圖3所示。

圖3 尋優(yōu)結(jié)果

由圖3可以看出:迭代至最后一個(gè)工藝參數(shù)時(shí)取得最優(yōu)值,對(duì)應(yīng)工藝參數(shù)為:A為288.30℃,B為3.58 MPa,C為6 s,D為300 ℃,E為2.8 MPa,F為12.9 s,S為6.215%,W為1.631 mm。

將該組優(yōu)化參數(shù)在Moldflow 軟件中進(jìn)行模擬分析,模擬結(jié)果如圖4 所示,可得:S為6.122%,W為1.643 mm,可以看出模擬值與預(yù)測(cè)值偏差較小,數(shù)據(jù)吻合度較高。

圖4 模擬結(jié)果

將優(yōu)化后的工藝參數(shù)應(yīng)用于實(shí)際生產(chǎn),得到的產(chǎn)品如圖5所示。從圖5可以看出,產(chǎn)品表面光滑,無(wú)氣泡和縮痕等缺陷,S和W均滿(mǎn)足要求。

圖5 產(chǎn)品示意

5 結(jié)論

設(shè)計(jì)了正交試驗(yàn),根據(jù)得到的試驗(yàn)樣本構(gòu)建了RBF 神經(jīng)網(wǎng)絡(luò)模型,基于該模型得到的遺傳算法優(yōu)化結(jié)果和模流分析結(jié)果基本吻合。對(duì)優(yōu)化結(jié)果進(jìn)行生產(chǎn)驗(yàn)證,所得產(chǎn)品能夠與貫穿燈其他組件無(wú)阻礙裝配,表明基于正交試驗(yàn)設(shè)計(jì)與RBF 神經(jīng)網(wǎng)絡(luò)模型的雙色厚壁塑件工藝參數(shù)優(yōu)化方法切實(shí)有效。