电子元器件是自动化设备的重要组成部分，也是自动化设备的核心零件，其成型质量有一定的要求。目前常用的电子元器件外壳材料为丙烯腈-丁二烯-苯乙烯共聚物(ABS)，其耐腐蚀、耐热性和硬度较好，并且其价格便宜，易获取，被广泛应用于汽车、飞机、船舶等领域[1-3]。塑料制件翘曲变形是注塑中常见的缺陷之一，很多学者通过一系列算法对成型工艺参数进行优化。陈爽等[4]通过神经网络优化方法对制件的翘曲变形量进行合理的预测，优化其成型质量。谭安平等[5]利用Moldflow对汽车前大灯进行模流分析，通过正交试验对制件的翘曲变形进行优化，有效降低了制件的翘曲变形量。庄燕等[6]研究汽车扶手箱成型过程中的翘曲变形问题，利用拉丁超立方抽样方法，通过遗传算法进行全局寻优，获得一组最佳的成型工艺参数。刘锋等[7]通过神经网络以及粒子群算法对薄壁塑件的翘曲变形进行优化分析，有效提高制件的成型质量。李春晓等[8]运用广义神经网络和非支配排序遗传算法对注塑成型的过程进行优化。吴沐羿等[9]基于模拟退火算法对电子元件的热优化布置进行了研究，有效提升制件的成型质量。罗明全等[10]通过计算机模拟技术，设计正交试验，对电机外壳注塑成型工艺进行优化分析。本实验以电子元件外壳为研究对象，通过计算机模拟对其工艺参数进行优化，通过拉丁超立方抽取样本，建立RBF径向基神经网络代理模型。通过代理模型减少成型模拟次数，采用模拟退火优化算法对代理模型进行寻优，以获得最佳的成型工艺参数，从而获得质量较好的电子仪表外壳注塑制件。1仿真部分1.1电子仪表外壳建模图1为电子仪表外壳模型。电子仪表外壳为薄壁外壳制件，制件内部中空，壁厚为3 mm，其最大长度为170 mm，最大宽度为90 mm，高度为30 mm。10.15925/j.cnki.issn1005-3360.2023.06.017.F001图1电子仪表外壳模型Fig.1Model of the electronic instrument shell1.2网格划分通过UG 10.0进行建模，导出iges格式，将其导入Moldflow中进行网格划分，图2为网格划分结果。10.15925/j.cnki.issn1005-3360.2023.06.017.F002图2网格划分Fig.2Grid division其中总节点个数为22 764，单节点长度为3 mm，网格匹配率为97.6%，网格最大纵横比为6.49，平均纵横比为1.72，一般网格匹配率大于90%，最大纵横比小于20，平均纵横比小于3，表明网格质量较好。1.3浇口设计通过Moldflow对制件进行初步分析，对于制件外壳，先设计浇口位置，一般对于外壳制件，浇口位置有一定的要求。将浇口设在塑件断面较厚的位置，确保冲模完全，还应该使塑料冲模流程最短，以减小压力损失，浇口的设计还不能影响制件的美观[11]。对于浇口数量也有一定的要求，一般来说，浇口数量越多越好，能够使冲模完全，但是浇口数量还需要根据制件实际情况决定。因为虽然浇口数量增多，使得冲模完全，但是同时浇口交会处的熔接痕也会增多，也导致制件发生翘曲变形。实验中制件结构较简单，可采用点浇口，对两个浇口以及四个浇口进行初步分析。图3为不同浇口数量下制件翘曲分布。从图3可以看出，两个浇口的最大翘曲变形量为0.602 5 mm，四个浇口的最大翘曲变形量为0.651 1 mm，比较可得两个浇口的制件翘曲变形量最小，因此采用两个浇口。10.15925/j.cnki.issn1005-3360.2023.06.017.F003图3不同浇口数量下制件翘曲分布Fig.3Warpage distribution diagram of parts with different gate numbers2多目标优化2.1设计变量及确定优化目标通过拉丁超立方抽样方法进行随机抽样。拉丁超立方抽样方法对传统拉丁方抽样方法在一定空间随机抽样点分布不均进行改进，使其能够确保所有点尽量均匀地分布在设计空间，具有较好的空间填充性和均衡性[12-14]。所选材料为ABS，表1为ABS材料的一般工艺特性。10.15925/j.cnki.issn1005-3360.2023.06.017.T001表1ABS工艺参数Tab.1ABS process parameters参数数值模具温度/℃50~70注射压力/MPa70~90保压压力/MPa50~70保压时间/s15~30冷却时间/s15~30熔体温度/℃180~240以模具温度(A)、熔体温度(B)、保压压力(C)以及冷却时间(D)为变量，以制件的翘曲变形量为优化目标。一般来说，模具温度过低，导致填充不足，过高则导致黏模，因此温度要适中[15]。熔体温度一般略高有利于增加熔体流动性，但是温度过高导致热降解；保压时间过长会浪费原料，保压时间过短造成浇口未完全凝固；冷却时间越短，体积收缩机会越大，翘曲变形也越大[16]。表2为因素水平设计。根据最优拉丁超立方样本，随机抽取12组样本作为研究对象，通过Moldflow模拟获得12组制件翘曲变形量。表3为最优拉丁超立方样本及目标结果。10.15925/j.cnki.issn1005-3360.2023.06.017.T002表2因素水平设计Tab.2Factors and level design水平因素模具温度（A）/℃熔体温度（B）/℃保压压力（C）/MPa冷却时间（D）/s下限502005015上限70240702510.15925/j.cnki.issn1005-3360.2023.06.017.T003表3最优拉丁超立方样本及目标结果Tab.3Optimal Latin hypercube samples and target results试验编号因素翘曲变形量R1/mmA/℃B/℃C/MPaD/s150.00210.9162.7316.820.5583251.82207.2757.2721.360.5698353.64232.7359.0919.550.5407455.45225.4550.0025.000.5506557.27203.6466.3620.450.5745659.09200.0070.015.000.5683760.91229.0955.4517.730.5491862.73221.8260.9118.640.5572964.55236.3653.6415.910.54651066.36214.5568.1822.270.56661168.18240.0064.5524.090.54701270.00218.1851.8223.180.56342.2径向基函数（RBF）神经网络代理模型神经网络模型具有很强的逼近复杂非线性函数的能力，无须数学假设，学习速度快，能够有效节约CAE模拟次数，明显提高效率[17-19]。RBF神经网络与反向传播(BP)神经网络不同，BP神经网络是对非线性映射的全局逼近；RBF神经网络是使用径向基函数，以待测点与样本点之间的欧几里得距离作为变量，其输出与部分调参有关，采用局部逼近。同时RBF神经网络较单一，只有一个隐含层；而BP神经网络含有多个隐含层。同时，RBF神经网络和BP神经网络训练速度也有所不同，由于RBF神经网络只有一个隐含层，所以其训练速度快[20]。2.3RBF神经网络精度检验通过代理模型精度描述模型的准确性，精度越接近1，表明模型精度越高，效果越好。通过RBF神经网络代理模型，得到制件翘曲变形的预测值。表4为模拟值与预测值结果。图4为翘曲变形的模拟值和预测值拟合结果。从图4可以看出，红色散点表示模拟值，散点分布在通过RBF神经网络代理模型获得的预测值直线的两侧，呈现动态分布，基本接近一条直线，表明本次拟合效果较好。10.15925/j.cnki.issn1005-3360.2023.06.017.T004表4模拟值与预测值Tab.4Simulated and predicted values试验编号因素预测值/mmA/℃B/℃C/MPaD/s150.00210.9162.7316.820.5652251.82207.2757.2721.360.5611353.64232.7359.0919.550.5715455.45225.4550.0025.000.5442557.27203.6466.3620.450.5568659.09200.0070.0015.000.5492760.91229.0955.4517.730.5658862.73221.8260.9118.640.5475964.55236.3653.6415.910.55571066.36214.5568.1822.270.56711168.18240.0064.5524.090.57081270.00218.1851.8223.180.544110.15925/j.cnki.issn1005-3360.2023.06.017.F004图4翘曲变形的模拟值和预测值拟合结果Fig.4Fitting results of simulated and predicted values of warpage deformation精度可以采用可决系数(R2)表示，计算公式为[21]：R2=1-∑i=1n(yi-xi)2∑i=1n(yi-li)2 （1）式（1）中：n为试验次数；xi为预测值；yi为模拟值；li为模拟值平均值。通过式（1）可以计算R2为0.92098，大于0.9，表明利用RBF神经网络模型拟合效果较好，精度较高，可以用于进行后续优化分析。3模拟退火算法工艺优化3.1优化分析与遗传算法类似，模拟退火算法利用旧的设计点通过变异产生新的设计点，在每次搜索过程只检查一个设计点，而遗传算法是检查一组设计点[22]。模拟退火算法能够处理任意系统及目标函数，可以有效探索全局有化解，适用连续以及非连续设计空间，但是重复退火使得优化过程慢，效率较低[23]。由于本次实验变量较少，选用模拟退火算法优于遗传算法。设置模拟退火参数，最大次数设为1 000，收敛间隔时间为5 s，淬火相对速率为1，罚值放大倍数设为1 000，罚值幂指数设为2。图5为运行1 000次后工艺参数的相关系数。从图5可以看出，相关系数大于0表示变量与目标制件呈现正相关，负数表明呈现负相关，数值越大表明对翘曲变形量的影响越显著。保压压力与模具温度与制件翘曲变形量呈现正相关；冷却时间与熔体温度呈现负相关。影响显著性依次为：熔体温度模具温度保压压力冷却时间。10.15925/j.cnki.issn1005-3360.2023.06.017.F005图5运行1 000次后工艺参数的相关系数Fig.5Correlation coefficient of process parameters after 1 000 times of operation图6为变量对应的粒子分布。从图6可以看出，在1 000次迭代过程中，粒子在不断收敛，当迭代到563次时，此时的迭代效果最好，制件的翘曲变形量达到最小，该处结果即为优化后的最佳成形参数。图6变量对应的粒子分布Fig.6Plots of the particle distribution corresponding to variables10.15925/j.cnki.issn1005-3360.2023.06.017.F6a1(a)模具温度10.15925/j.cnki.issn1005-3360.2023.06.017.F6a2(b)冷却时间10.15925/j.cnki.issn1005-3360.2023.06.017.F6a3(c)保压压力10.15925/j.cnki.issn1005-3360.2023.06.017.F6a4(d)熔体温度图7为模拟退火优化结果。从图7可以看出，当保压压力为58.738 MPa，冷却时间为17.527 s，模具温度为50.001 ℃以及熔体温度为239.999 ℃时，此时制件翘曲变形量最小为0.534 0 mm。考虑到实际生产工艺参数取值只能取整，因此最佳成型工艺参数组合保压压力为59 MPa，冷却时间为18 s，模具温度为50 ℃以及熔体温度为240 ℃。10.15925/j.cnki.issn1005-3360.2023.06.017.F007图7模拟退火优化结果Fig.7Simulated annealing optimization results3.2模拟验证根据优化后的结果进行模拟验证，图8为优化后制件的最大翘曲变形量的模拟结果。10.15925/j.cnki.issn1005-3360.2023.06.017.F008图8优化后的模拟结果Fig.8The optimized simulation results从图8可以看出，优化后制件的最大翘曲变形量为0.538 5 mm，与未优化前制件的翘曲变形量0.602 5 mm相比，整体减小0.064 mm。通过退火算法优化后预测值为0.534 0 mm，基本接近优化后的模拟结果，其误差为0.84%，小于3%。结果表明，本次优化效果较好，对于后续工艺参数的优化具有一定的指导意义。4生产验证在保压压力为59 MPa，冷却时间为18 s，模具温度为50 ℃以及熔体温度为240 ℃条件下对制件进行生产加工，图9为生产实物。通过对生产实物图进行相应的尺寸测量，在优化的成型工艺参数条件下，制件整体的翘曲变形量较好，满足生产要求。10.15925/j.cnki.issn1005-3360.2023.06.017.F009图9生产实物Fig.9Production object5结论（1）利用RBF神经网络代理模型，可以准确预测电子仪表外壳制件的翘曲变形量，通过该方法一定程度上可以替代相应的CAE分析，有效减少模拟工作量，提高工作效率。（2）模拟退火算法在一定程度上可以有效对制件的工艺参数进行优化，获得一组较佳的成型工艺参数组合，并且能够精准预测优化后制件的翘曲变形量。（3）优化后最佳的成型工艺参数组合为保压压力为59 MPa，冷却时间为18 s，模具温度为50 ℃以及熔体温度为240 ℃，此时制件翘曲变形量最小，为0.5385 mm，未优化前制件的翘曲变形量整体减小了0.064 mm。通过退火算法优化后预测值为0.5340 mm，基本接近优化后的模拟结果，其误差为0.84%，小于3%，整体优化效果较好。