塑壳断路器是电力系统中的一部分，主要起保护和控制作用。断路器材料主要采用尼龙66(PA66)材料，PA66具有耐燃、耐热、抗张强度高、耐磨以及绝缘性好等特性[1-3]。塑料制件的翘曲变形是研究的重点，塑料制件在成型过程中涉及材料的状态变化，每种注塑材料都有一定的收缩率，发生收缩变形，影响制件的成型质量。黄旗忠等[4]利用Moldflow软件对盖板进行模拟，从充填、冷却和翘曲方面，分析盖板翘曲变形的主要原因。朱金保等[5]简述了塑壳断路器操作机构的设计要点，对塑壳断路器操作机构动作过程进行描述。总结了提高分断速度的有效措施，为塑壳断路器机构的设计提供参考。此外，很多学者通过一系列算法对注塑件的成型工艺参数进行了优化，苏通等[6]通过径向基(RBF)神经网络对汽车前组合灯导光条注塑成型工艺进行了优化，得到一组最佳的成型工艺参数组合，有效改善了制件的成型质量。邓其贵等[7]基于CAE仿真手段及RBF神经网络技术对保险杠固定体塑件注塑成型工艺进行研究，有效解决了实际生产问题。么大锁等[8]基于RBF神经网络模型，通过遗传算法对制件的翘曲和缩痕等问题进行研究，对注塑成型质量进行控制与预测。季宁等[9]以充电宝下盖塑件的体积收缩率和缩痕指数为优化控制目标，通过RBF神经网络模型以及多岛遗传算法对注塑成型质量进行控制与预测，减少寻找最优工艺参数组合的时间，提高了塑件的生产效率。本实验以塑壳断路器为研究对象，采用PA66材料，通过注塑成型工艺，利用最优拉丁超立方抽样法抽样，以制件的模具温度、保压压力、熔体温度以及冷却时间为研究对象，以制件的翘曲变形量为响应目标，建立RBF神经网络模型，通过遗传算法优化，探究最佳的成型工艺参数组合。1模拟仿真1.1建立模型塑壳断路器采用PA66进行注塑。图1为断路器3D模型。10.15925/j.cnki.issn1005-3360.2023.06.016.F001图1断路器3D模型Fig.13D model of circuit breaker1.2网格划分本次所用建模软件为UG 10.0，将其导出为iges格式，在Moldflow软件中进行模流分析，进行网格划分，采用双层面网格划分，图2为断路器网格划分。10.15925/j.cnki.issn1005-3360.2023.06.016.F002图2断路器网格划分Fig.2Grid division of circuit breaker本次划分网格总数为11 546，单个网格长度为5 mm。网格的最大纵横比为12.23，最大纵横比小于20，平均纵横比为2.20，网格匹配率为92.4%，其中最大纵横比小于20，平均纵横比小于3，网格匹配率大于90%表示满足要求。1.3初步模流分析根据以往经验，塑件在成型过程中，模具温度、熔体温度、保压压力以及冷却时间对塑件成型影响较大。通常模具温度过低，导致成型过程中熔体填充不足，温度过高导致熔体黏附在模具上，发生黏模现象。熔体温度略微提高有利于塑件成型，但是温度不能过高，因为PA66在一定的温度下发生热降解。保压压力不能过大，压力过大容易发生炸模现象，保压压力过小导致熔料填充不足。冷却时间需要适中，冷却时间越短，体积收缩机会越大，翘曲变形也越大。一般在实际生产过程中，塑壳断路器的翘曲变形量需小于3 mm。表1为PA66的工艺参数。初步模拟采用模具温度60 ℃，熔体温度240 ℃，保压压力50 MPa，冷却时间10 s。10.15925/j.cnki.issn1005-3360.2023.06.016.T001表1PA66工艺参数Tab.1PA66 process parameters参数数值模具温度/℃20~90注射压力/MPa60~150保压压力/MPa50~100成型周期/s10~20冷却时间/s5~30熔体温度/℃240~270图3为断路器翘曲变形初始模拟结果。从图3可以看出，断路器最大翘曲变形量为3.601 9 mm，不满足实际生产要求的翘曲变形量小于3 mm，需要对其进行工艺优化。10.15925/j.cnki.issn1005-3360.2023.06.016.F003图3断路器翘曲变形初始模拟结果Fig.3Initial simulation results of warpage deformation of circuit breaker2最优拉丁超立方试验设计最优拉丁方抽样方法是在传统拉丁方抽样方法上进行的改进方法。由于传统的拉丁方法存在一定的缺陷，其原理是在一定的空间中随机抽取一定的样本数，导致其抽取的样本不能均匀地分布在整个空间，使得抽样得到的结果并不准确。最优拉丁超立方抽样法克服了这一缺点，使得抽取的样本数尽可能均匀分布在整个空间，具有优良的空间填充性以及均衡性[10-13]。以模具温度、熔体温度、保压压力以及冷却时间等因素为实验变量，以制件的翘曲变形量为响应目标，表2为具体的因素水平设计。表3为最优拉丁超立方试验样本。10.15925/j.cnki.issn1005-3360.2023.06.016.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（A）/℃保压压力（C）/MPa冷却时间（D）/s下限502506010中间602607020上限70270803010.15925/j.cnki.issn1005-3360.2023.06.016.T003表3最优拉丁超立方试验样本Tab.3Optimal Latin hypercube test samples方案编号因素翘曲变形量（R）/mmA/℃B/℃C/MPaD/s150.00266.8467.3713.163.584251.05262.6374.7423.684.203352.11254.2162.1119.473.783453.16250.0080.0027.894.019554.21253.1664.2117.373.528655.26263.6878.9528.954.411756.32264.7469.4714.214.305857.37270.0061.0526.843.977958.42255.2673.6820.534.0551059.47260.5375.7910.004.5411160.53259.4768.4221.583.8281261.58265.7972.6330.003.2351362.63252.1163.1624.742.9741463.68251.0577.8925.793.1601564.74257.3766.3212.112.9981665.79258.4260.0018.423.6731766.84267.8976.8416.324.0021867.89261.5870.5322.633.8521968.95256.3271.5815.262.9942070.00268.9565.2611.053.9023RBF神经网络模型RBF神经网络具有良好的泛化能力和较快的学习收敛速度，已应用于非线性函数逼近、时间序列分析、数据分类、模式识别、信息处理、图像处理、系统建模、控制和故障诊断等方面[14-17]。表4为RBF神经网络模型预测值。图4为翘曲变形的实际模拟值和预测值拟合结果。衡量神经网络模型的参数是可决系数，可决系数越接近1表明结果越准确，低于0.9表明模型不可用，本次实验可决系数为0.935 1。从图4可以看出，所有散点基本分布在斜率为1的直线的两侧，呈现出动态分布，表明通过RBF神经网络模型得到的结果较准确，可以替代CAE模拟，提高效率。10.15925/j.cnki.issn1005-3360.2023.06.016.T004表4神经网络模型预测值Tab.4Predictive value of neural network model序号因素翘曲变形量预测值（R）/mmA/℃B/℃C/MPaD/s157.37270.0061.0526.842.971206125262.63252.1163.1624.743.126721248352.11254.2162.1119.473.623547769454.21253.1664.2117.373.545193476553.16250.0080.0027.893.543492174670.00268.9565.2611.053.608648123763.68251.0577.8925.793.316291558868.95256.3271.5815.262.610356571967.89261.5870.5322.633.4386614611064.74257.3766.3212.113.1043825861161.58265.7972.6330.002.7705977621251.05262.6374.7423.683.8516021491350.00266.8467.3713.164.4527489261456.32264.7469.4714.214.1977094511558.42255.2673.6820.533.7243083101660.53259.4768.4221.583.8156979101766.84267.8976.8416.323.7818445231859.47260.5375.7910.003.6477895501965.79258.4260.0018.423.1044881502055.26263.6878.9528.953.51803203010.15925/j.cnki.issn1005-3360.2023.06.016.F004图4翘曲变形的实际模拟值和预测值拟合结果Fig.4Fitting results of the actual simulation value and predicted value of the warpage deformation4遗传算法优化遗传算法是根据大自然中生物体进化规律而设计提出的，是一种通过模拟自然进化规律而设计提出的，目前已经被广泛应用于组合优化，机器学习、信号处理以及自适应控制等领域[18-20]。遗传算法进行优化时，不需要依赖梯度信息或者其他辅助信息，只需要影响搜索方向的目标函数和相应的适应度函数。遗传算法提供了一种求解复杂系统问题的通用框架，其不依赖于问题的具体领域，对问题的种类有很强的鲁棒性[15]。本次遗传算法种群最大数量为12，一共设置了100代，总共迭代了1 200次。图5为因素A、B、C以及D迭代1 200次相关性分析。相关性分析主要分析因素的交互作用对翘曲变形量的影响，图中正负表示因素对目标的影响是正相关还是负相关。从图5可以看出，模具温度与熔体温度对于制件的翘曲变形量影响呈现负相关；保压压力、冷却时间呈现正相关。整体对制件翘曲变形量的影响程度依次为：模具温度冷却时间保压压力熔体温度。10.15925/j.cnki.issn1005-3360.2023.06.016.F005图5相关性分析Fig.5Correlation analysis图6为整个优化过程粒子分布。从图6可以看出，在整个迭代过程中，粒子先收敛再发散，在收敛与发散的交界处即所需的最优点。图6迭代过程粒子分布Fig.6Particle distribution of iterative process10.15925/j.cnki.issn1005-3360.2023.06.016.F6a1(c)模具温度10.15925/j.cnki.issn1005-3360.2023.06.016.F6a2(d)熔体温度图7最终优化结果Fig.7Final optimization results10.15925/j.cnki.issn1005-3360.2023.06.016.F7a1(a)保压压力10.15925/j.cnki.issn1005-3360.2023.06.016.F7a2(b)冷却时间图7为最终的优化结果。从图7可以看出，当迭代到873次时，此时粒子达到收敛，超过873次粒子又开始发散，在迭代到873次时得到最佳工艺参数。考虑到实际生产过程工艺参数不存在小数，最终结果取整数，即模具温度为50 ℃、熔体温度为250 ℃、保压压力为60 MPa以及冷却时间为10 s时，制件翘曲变形量最小为2.25 mm。10.15925/j.cnki.issn1005-3360.2023.06.016.F7a3根据最佳工艺参数组合进行模流分析，图8为优化后的模拟结果。10.15925/j.cnki.issn1005-3360.2023.06.016.F008图8优化后的模拟结果Fig.8Optimized simulation results从图8可以看出，此时制件的最大翘曲变形量为2.307 7 mm，与遗传算法获得的结果较为接近，相对误差为2.56%，小于3%，满足要求。未优化前制件的翘曲变形量为3.601 9 mm，优化后相较于优化前降低1.294 2 mm，通过该方法能够有效降低制件的翘曲变形量，提升制件的成型质量。5生产验证根据最佳成型工艺参数组合进行实际生产，图9为产品实物。制件整体翘曲变形量小于3 mm，达到实际生产要求，通过RBF神经网络模型结合遗传算法能够有效地改善制件的成型质量。10.15925/j.cnki.issn1005-3360.2023.06.016.F009图9产品实物Fig.9Product object6结论（1）通过最优拉丁超立方抽样法，结合RBF神经网络模型，能够替代CAE进行模拟分析，有效提高分析效率。（2）通过遗传算法能够有效改善制件的成型质量，得到模具温度、熔体温度对于制件的翘曲变形量影响呈现负相关，保压压力、冷却时间呈现正相关。因素对制件翘曲变形量的影响程度为：模具温度冷却时间保压压力熔体温度。（3）模具温度为50 ℃、熔体温度为250 ℃、保压压力为60 MPa以及冷却时间为10 s时，此时制件的翘曲变形量最小为2.307 7 mm，制件的成型质量最好，与遗传算法获得的结果相比相对误差为2.56%，小于3%，满足要求。