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，江蘇 鎮(zhèn)江，212013；２．鎮(zhèn)江成功高科技有限公司，江蘇 鎮(zhèn)江，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。選取熔體溫度、模具溫度、保壓時間、保壓壓力和冷卻時間5個參數(shù)為輸入層，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。建立的模型經(jīng)檢驗，擬合度高，誤差小，可以替代仿真程序。應(yīng)用Isight優(yōu)化模塊，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(yù)測結(jié)果基本吻合，有效提高了成型質(zhì)量。
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，給予光源便可有很好的照明效果，簡化了制造流程。作為透明工程塑料，光導對于成型質(zhì)量、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、無縮痕、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。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％；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；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。
在相關(guān)研究的基礎(chǔ)上，下面針對光導產(chǎn)品，以汽車前組合燈導光條為例進行論述。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，得到了一組最優(yōu)參數(shù)，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，材料是聚碳酸酯(PC)，牌號是Lexan143R，圖１為導光條三維圖示意。導光條最大外形尺寸是150mmx215mmx200mm，厚度相對比較均勻，約10mm。導光條正面為Ｖ字型的凹槽，使得光源照射達到全反射的效果。背面為LED燈槽，用于固定光源，細小特征較多，容易出現(xiàn)縮痕等缺陷。側(cè)面有多處卡扣，用于燈具裝配，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。采用近似模型的設(shè)計，通過構(gòu)建數(shù)學模型，來逼近一組獨立變量和響應(yīng)變量以得到優(yōu)化參數(shù)。可略過使用仿真程序所耗用時間，優(yōu)化效率增加，求解時間縮短。以下選擇徑向基(RBF)神經(jīng)網(wǎng)絡(luò)模型，具有較強的逼近復(fù)雜非線性函數(shù)的能力。
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。基于經(jīng)驗法以及試錯法，初步選取工藝參數(shù)模擬。模具溫度設(shè)置95℃，熔體溫度設(shè)置300℃，冷卻時間設(shè)置20s，其余參數(shù)均采用軟件默認值。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%，縮痕指數(shù)（Ｙ）為7.845%。
２試驗設(shè)計
試驗應(yīng)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，選擇最優(yōu)拉丁超立方設(shè)計[4]，因子與響應(yīng)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，試驗點均勻分布在設(shè)計空間中。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，在這些區(qū)間中隨機抽樣，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℃，模具溫度（Ｂ）為70~120℃，保壓時間（Ｃ）為6~14s，保壓壓力（Ｄ）為50~110MPa，冷卻時間（Ｅ）為16~30s。選取對導光條成型效果影響較大的Ｘ以及Ｙ為目標值。
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)，并通過Moldflow軟件進行模流分析得到優(yōu)化目標值，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，選擇RBF神經(jīng)網(wǎng)絡(luò)模型，并開始初始化。Isight軟件中，神經(jīng)網(wǎng)絡(luò)是三層前向網(wǎng)絡(luò)結(jié)構(gòu)[5]，分別是輸入層、中間層（隱層）、輸出層。
將試驗影響因素Ａ、Ｂ、Ｃ、Ｄ、Ｅ作為輸入矢量，映射入一個新空間，即從輸入層到中間層（隱層），此過程是非線性變換。再線性映射到輸出層，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、Ｙ。由此，可得到如圖２所示RBF神經(jīng)網(wǎng)絡(luò)模型，平滑因子設(shè)置為0.1，基函數(shù)類型選擇Radial，輸入節(jié)點數(shù)５個，輸出節(jié)點數(shù)２個。RBF函數(shù)是實值函數(shù)，常見有高斯函數(shù)、多二次函數(shù)和逆二次函數(shù)等，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，檢驗所構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)模型的精度，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，分別是擬合度系數(shù)(R2)以及均方根誤差(RMSE)。Ｒ２愈趨近１，RMSE愈趨近０，代表模型的可信度越高，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）。
式（１）和式（２）中：ｎ是試驗次數(shù)； y是平均值；Xi是模型預(yù)測值；yi是實際模擬值。
通過Isight軟件誤差分析模塊，對Ｘ的誤差進行分析，Ｒ2是0.97002，RMSE是0.05489。對Y的誤差分析，Ｒ2是0.93206，RMSE是0.08459?？梢钥闯?，Ｒ2皆大于下限0.90，RMSE皆小于上限0.2，說明所構(gòu)建模型是可信的。實際模擬結(jié)果以及預(yù)測結(jié)果的關(guān)系如圖３所示，橫坐標代表13組預(yù)測值，縱坐標代表13組實際值。從圖３可清晰看出，分布趨近于一條直線，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，得到如表３所示的一組參數(shù)值，其中Ｘ和Ｙ為預(yù)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)，在Moldflow中做CAE分析，得到實際模擬值Ｘ和Ｙ分別為9.330%和6.179%，可以看出預(yù)測值與實際值誤差較小，優(yōu)化后得到的預(yù)測數(shù)據(jù)和實際模擬數(shù)據(jù)吻合度較高，可以確認所構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)模型的有效性。
應(yīng)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)，隨機挑選一件產(chǎn)品進行質(zhì)量驗證。經(jīng)檢測，產(chǎn)品背面LED燈條安裝順利（見圖5）。對安裝好燈條的產(chǎn)品進行點亮檢測，產(chǎn)品沒有可見縮痕；利用三坐標測量儀測量后，產(chǎn)品無翹曲變形，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，結(jié)合Moldflow軟件進行CAE分析，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，兩個目標值的模流分析結(jié)果與預(yù)測結(jié)果高度吻合。證明應(yīng)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)，即Ａ為280.0℃，Ｂ為98.54℃，Ｃ為7.1568s，Ｄ為102.14MPa，Ｅ為18.045s。優(yōu)化后Ｘ為9.330%，比初始模擬數(shù)據(jù)(10.880%)縮小了14.246%，優(yōu)化后Ｙ為6.179%，比初始模擬數(shù)據(jù)(7.845%)縮小了21.236%，優(yōu)化效果顯著。參數(shù)應(yīng)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，得到了最佳參數(shù)組合，節(jié)省了生產(chǎn)時間和材料，降低了生產(chǎn)試錯成本。
參考文獻
[1] 張魯濱，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，2018，46(12)：94-99.
[2] NGUYENＴＫ，HWANG ＣＪ，LEEＢＫ．Numerical investig-
ation of warpage in insert injection-molded lightweight hybrid products[J]．International Journal of Precision Engineering and Manufacturing，2017，18(2)：187-195.
[3] ALTAN Ｍ．Reducing shrinkage in injection moldings via the
Taguchi，ANOVA and neural network methods [J]．Materials and Design，2010，31(1)：599-604.
[4] 王釗，魏翔宇，倪君杰，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(yīng)用，2020，32(1)：50-53.
[5] 孔軼艷，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，2017，46(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...
