蘇通１ 黃瑤１ 倪君杰２ 魏翔宇１
（１．江蘇大學材料科學與工程學院属桦，江蘇 鎮(zhèn)江熊痴，212013；２．鎮(zhèn)江成功高科技有限公司聂宾，江蘇 鎮(zhèn)江果善，212028）
摘要：以汽車前組合燈導光條為例，選擇最優(yōu)拉丁超立方抽樣方法得到樣本系谐。選取熔體溫度巾陕、模具溫度、保壓時間纪他、保壓壓力和冷卻時間5個參數(shù)為輸入層鄙煤，以最小體積收縮率與最小縮痕指數(shù)為輸出層，構(gòu)建徑向基（RBF）神經(jīng)網(wǎng)絡(luò)模型茶袒。建立的模型經(jīng)檢驗梯刚，擬合度高，誤差小薪寓，可以替代仿真程序亡资。應用Isight優(yōu)化模塊澜共，得到一組最優(yōu)注塑工藝參數(shù)組合，實際模擬結(jié)果和預測結(jié)果基本吻合锥腻，有效提高了成型質(zhì)量嗦董。
關(guān)鍵詞：導光條 注塑工藝 徑向基神經(jīng)網(wǎng)絡(luò) 最優(yōu)拉丁超立方 參數(shù)優(yōu)化
光導作為LED的間接照明形式，無需其他額外設(shè)計瘦黑，給予光源便可有很好的照明效果京革，簡化了制造流程。作為透明工程塑料幸斥，光導對于成型質(zhì)量匹摇、外形和裝配精度都有很高的要求，加工出的塑件需要無氣泡睡毒、無縮痕来惧、無翹曲變形等。
大量學者就如何消除此類注塑缺陷做了相關(guān)研究演顾。張魯濱等[1]以塑料葉輪為例通過MIV算法篩選將模型的誤差控制到7％供搀；Nguyen TK等[2]以框架部件為例進行田口法方差分析和信噪比分析，得出保壓壓力對框架部件翹曲變形量的影響最大钠至；Altan M[3]通過Taguchi試驗設(shè)計和方差分析確定最小收縮的最佳條件葛虐。
在相關(guān)研究的基礎(chǔ)上，下面針對光導產(chǎn)品棉钧，以汽車前組合燈導光條為例進行論述屿脐。采用最優(yōu)拉丁超立方抽樣，根據(jù)樣本計算機輔助工程(CAE)模擬結(jié)果以及所構(gòu)建近似模型對工藝參數(shù)優(yōu)化宪卿，得到了一組最優(yōu)參數(shù)的诵，并利用這組工藝參數(shù)注塑出高質(zhì)量的產(chǎn)品。
１材料成型與方法
1.1光導件分析
汽車前組合燈導光條是透明厚壁塑件佑钾，材料是聚碳酸酯(PC)西疤，牌號是Lexan143R，圖１為導光條三維圖示意休溶。導光條最大外形尺寸是150mmx215mmx200mm代赁，厚度相對比較均勻，約10mm兽掰。導光條正面為Ｖ字型的凹槽芭碍，使得光源照射達到全反射的效果。背面為LED燈槽孽尽，用于固定光源窖壕，細小特征較多，容易出現(xiàn)縮痕等缺陷。側(cè)面有多處卡扣艇拍，用于燈具裝配狐蜕，要求高裝備精度。
1.2方法與思路
導光條工藝參數(shù)優(yōu)化是一個多目標非線性問題卸夕。采用近似模型的設(shè)計，通過構(gòu)建數(shù)學模型婆瓜，來逼近一組獨立變量和響應變量以得到優(yōu)化參數(shù)快集。可略過使用仿真程序所耗用時間廉白，優(yōu)化效率增加个初，求解時間縮短。以下選擇徑向基(RBF)神經(jīng)網(wǎng)絡(luò)模型猴蹂，具有較強的逼近復雜非線性函數(shù)的能力院溺。
1.3初步模擬
將導光條3D模型導入Moldflow軟件，并設(shè)置好網(wǎng)格使得匹配率在85%以上磅轻≌湟荩基于經(jīng)驗法以及試錯法，初步選取工藝參數(shù)模擬聋溜。模具溫度設(shè)置95℃谆膳，熔體溫度設(shè)置300℃，冷卻時間設(shè)置20s撮躁，其余參數(shù)均采用軟件默認值漱病。進行“填充＋保壓＋翹曲”分析得到模擬結(jié)果，初步模擬體積收縮率（Ｘ）為10.880%把曼，縮痕指數(shù)（Ｙ）為7.845%杨帽。
２試驗設(shè)計
試驗應用Isight進行參數(shù)設(shè)計和結(jié)果分析。為取得均勻性好的樣本嗤军，選擇最優(yōu)拉丁超立方設(shè)計[4]注盈，因子與響應值的擬合結(jié)果真實且精確。該方法改進了隨機拉丁超立方設(shè)計的均勻性型雳，試驗點均勻分布在設(shè)計空間中当凡。其原理是在Ｎ個變量（維度）中，將每個變量分為Ｍ個概率相同（均勻等分）的區(qū)間纠俭，在這些區(qū)間中隨機抽樣沿量，保證每個因子的每個水平只被研究一次。
對目標值影響較大的參數(shù)作為試驗因素：熔體溫度（Ａ）為280~320℃冤荆，模具溫度（Ｂ）為70~120℃朴则，保壓時間（Ｃ）為6~14s，保壓壓力（Ｄ）為50~110MPa钓简，冷卻時間（Ｅ）為16~30s乌妒。選取對導光條成型效果影響較大的Ｘ以及Ｙ為目標值汹想。
３近似模型
3.1結(jié)果分析
對試驗設(shè)計的條件進行抽樣，獲得25組數(shù)據(jù)撤蚊，并通過Moldflow軟件進行模流分析得到優(yōu)化目標值古掏，試驗樣本及結(jié)果如表1所示。
3.2構(gòu)建神經(jīng)網(wǎng)絡(luò)模型
采用表１所得結(jié)果構(gòu)建近似模型侦啸，選擇RBF神經(jīng)網(wǎng)絡(luò)模型槽唾，并開始初始化。Isight軟件中光涂，神經(jīng)網(wǎng)絡(luò)是三層前向網(wǎng)絡(luò)結(jié)構(gòu)[5]庞萍，分別是輸入層、中間層（隱層）忘闻、輸出層钝计。
將試驗影響因素Ａ、Ｂ齐佳、Ｃ私恬、Ｄ、Ｅ作為輸入矢量重虑，映射入一個新空間践付，即從輸入層到中間層（隱層），此過程是非線性變換缺厉。再線性映射到輸出層永高，輸出層在新空間達成線性加權(quán)，輸出矢量是兩個目標值Ｘ提针、Ｙ命爬。由此，可得到如圖２所示RBF神經(jīng)網(wǎng)絡(luò)模型辐脖，平滑因子設(shè)置為0.1饲宛，基函數(shù)類型選擇Radial，輸入節(jié)點數(shù)５個嗜价，輸出節(jié)點數(shù)２個艇抠。RBF函數(shù)是實值函數(shù)，常見有高斯函數(shù)久锥、多二次函數(shù)和逆二次函數(shù)等家淤，本研究選擇高斯函數(shù)。
3.3近似模型精度檢驗
通過最優(yōu)拉丁超立方抽樣得到13組檢測樣本瑟由，檢驗所構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)模型的精度絮重，以保證近似模型的精確性。13組樣本具體數(shù)據(jù)見表２。
RBF神經(jīng)網(wǎng)絡(luò)模型常用評價值有兩種青伤，分別是擬合度系數(shù)(R2)以及均方根誤差(RMSE)督怜。Ｒ２愈趨近１，RMSE愈趨近０狠角，代表模型的可信度越高号杠，能夠替代仿真程序。兩種評價指標的計算公式分別見式（１）和式（２）丰歌。
式（１）和式（２）中：ｎ是試驗次數(shù)究流； y是平均值；Xi是模型預測值动遭；yi是實際模擬值。
通過Isight軟件誤差分析模塊神得，對Ｘ的誤差進行分析厘惦，Ｒ2是0.97002，RMSE是0.05489哩簿。對Y的誤差分析宵蕉，Ｒ2是0.93206，RMSE是0.08459节榜∠勐辏可以看出，Ｒ2皆大于下限0.90宗苍，RMSE皆小于上限0.2稼稿，說明所構(gòu)建模型是可信的。實際模擬結(jié)果以及預測結(jié)果的關(guān)系如圖３所示讳窟，橫坐標代表13組預測值让歼，縱坐標代表13組實際值。從圖３可清晰看出丽啡，分布趨近于一條直線谋右，證明該模型可以較好地解釋了試驗。
４參數(shù)優(yōu)化與生產(chǎn)驗證
利用Isight軟件的優(yōu)化模塊對試驗參數(shù)進行優(yōu)化补箍，得到如表３所示的一組參數(shù)值改执，其中Ｘ和Ｙ為預測目標值。
將得到的這組優(yōu)化參數(shù)A?B?C?D?E作為試驗參數(shù)坑雅，在Moldflow中做CAE分析辈挂，得到實際模擬值Ｘ和Ｙ分別為9.330%和6.179%，可以看出預測值與實際值誤差較小霞丧，優(yōu)化后得到的預測數(shù)據(jù)和實際模擬數(shù)據(jù)吻合度較高呢岗，可以確認所構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)模型的有效性。
應用優(yōu)化后的參數(shù)進行實際模擬，結(jié)果見圖４
采用優(yōu)化后的工藝參數(shù)進行實際注塑生產(chǎn)后豫，隨機挑選一件產(chǎn)品進行質(zhì)量驗證悉尾。經(jīng)檢測，產(chǎn)品背面LED燈條安裝順利（見圖5）挫酿。對安裝好燈條的產(chǎn)品進行點亮檢測构眯，產(chǎn)品沒有可見縮痕；利用三坐標測量儀測量后早龟，產(chǎn)品無翹曲變形惫霸，塑件質(zhì)量滿足需求。
５結(jié)論
ａ）采用最優(yōu)拉丁超立方設(shè)計抽樣葱弟，結(jié)合Moldflow軟件進行CAE分析壹店，得到均勻且有效的數(shù)據(jù)樣本并構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)模型。經(jīng)驗證芝加，兩個目標值的模流分析結(jié)果與預測結(jié)果高度吻合硅卢。證明應用的最優(yōu)拉丁超立方設(shè)計結(jié)合RBF神經(jīng)網(wǎng)絡(luò)模型對導光條塑件注塑工藝參數(shù)優(yōu)化的方法行之有效。
ｂ）經(jīng)優(yōu)化后得到一組最佳工藝參數(shù)藏杖，即Ａ為280.0℃将塑，Ｂ為98.54℃，Ｃ為7.1568s蝌麸，Ｄ為102.14MPa点寥，Ｅ為18.045s。優(yōu)化后Ｘ為9.330%来吩，比初始模擬數(shù)據(jù)(10.880%)縮小了14.246%敢辩，優(yōu)化后Ｙ為6.179%，比初始模擬數(shù)據(jù)(7.845%)縮小了21.236%误褪，優(yōu)化效果顯著责鳍。參數(shù)應用于生產(chǎn)得到的產(chǎn)品符合質(zhì)量要求。
ｃ）通過建立RBF神經(jīng)網(wǎng)絡(luò)模型兽间，得到了最佳參數(shù)組合历葛，節(jié)省了生產(chǎn)時間和材料，降低了生產(chǎn)試錯成本嘀略。
參考文獻
[1] 張魯濱恤溶，黃海松，姚立國．基于BP神經(jīng)網(wǎng)絡(luò)和MIV算法的注塑件
工藝參數(shù)優(yōu)化研究［Ｊ］．塑料科技帜羊，2018咒程，46(12)：94-99.
[2] NGUYENＴＫ，HWANG ＣＪ讼育，LEEＢＫ．Numerical investig-
ation of warpage in insert injection-molded lightweight hybrid products[J]．International Journal of Precision Engineering and Manufacturing帐姻，2017稠集，18(2)：187-195.
[3] ALTAN Ｍ．Reducing shrinkage in injection moldings via the
Taguchi，ANOVA and neural network methods [J]．Materials and Design饥瓷，2010剥纷，31(1)：599-604.
[4] 王釗，魏翔宇呢铆，倪君杰晦鞋，等．雙色尾燈燈罩注射成型影響因素多目
標優(yōu)化［Ｊ］．現(xiàn)代塑料加工應用，2020棺克，32(1)：50-53.
[5] 孔軼艷悠垛，黃力，陸大同．基于CAE和RBF神經(jīng)網(wǎng)絡(luò)的注塑工藝優(yōu)
化分析［Ｊ］．塑料娜谊，2017确买，46(3)：121-125.
聚砜醫(yī)療干粉吸入...
塑料包裝材料的減...
汽車功能鍵觸摸蓋I...
高性能注塑聚丙烯...
