由于网络信号在传输过程中存在一定损耗和衰减，达到一定程度时会造成信号数据的失真，从而导致传递的数据发生错误，因此需要增加网络中继器。中继器主要由内部的网络通信器件、PCB电路板和外部的塑料壳体及接线螺钉构成，塑料壳体起到保护内部器件及与其他设备连接的作用，十分重要[1-2]。Moldflow是一款常用于模拟注塑成型过程的软件，通过提供充足的仿真数据指导模具的设计及优化，从而提高模具研制的周期和降低生产的成本。BP神经网络一种基于仿生学原理的按照误差逆向传播算法训练的多层前馈神经网络，BP网络可以学习和存贮大量的输入-输出模式映射关系，通过利用梯度最快下降法和反向传播持续修正算法的权值和阈值，使误差的平方和最小，此算法常用于进行数据预测及验证。本实验以某型号网络中继器为实例分析了其结构形状，选择了合适的成型材料，基于Moldflow软件对塑件的最大翘曲变形量进行了分析，并利用正交试验法对其注塑加工工艺进行了优化，利用BP神经网络优化参数进行了预测及验证。1结构分析及材料选择1.1结构形状分析图1为网络通信中继器的壳体三维模型，其外形尺寸为15.8 mm×35.8 mm×71.3 mm，体积较小，内部及表面具有丰富的凹槽、凸台、螺纹孔及不规则的加强筋。由于网络中继器在使用时需要安装在支撑座上，因此，对外形尺寸及精度方面有一定的要求。并且从验证性角度发出，为了缩短研发周期，保证效率，减小模具成本，先进行小批量生产，基于此，选择单型腔进行注塑成型加工[3]。10.15925/j.cnki.issn1005-3360.2021.04.001.F001图1网络通信中继器壳体Fig.1Network communication repeater shell1.2注塑材料选择网络通信中继器壳体材料选择Techno Polymer公司的牌号为15的ABS塑料，此材料在熔融状态和固体状态时的密度分别为0.949 93 g/cm3和1.054 1 g/cm3，弹性模量为2 240 MPa，泊松比为0.392，剪切模量为804.6 MPa，具有较好的抗拉、抗压强度，收缩率较小、尺寸稳定性优良，耐磨性和耐疲劳性较好，在各类电气设备中应用广泛[4-5]。表1为其推荐工艺参数。10.15925/j.cnki.issn1005-3360.2021.04.001.T001表1推荐工艺参数Tab.1Recommended process parameters模具表面温度/℃熔体温度/℃模具温度/℃顶出温度/℃最大剪切力/MPa最大剪切速率/s-15022025~80880.28120001.3注塑前处理由于塑件壁厚相差不大，在Moldflow中选择双层面网格进行网格修复及划分[6]，图2为网格划分结果。最大纵横比17.99，平均纵横比2.32，最小纵横比1.16，匹配百分比92.2%，相互百分比93.1%，匹配率较高，适合双层面网格分析。10.15925/j.cnki.issn1005-3360.2021.04.001.F002图2网格划分结果Fig.2Meshing results2翘曲分析及正交试验设计2.1翘曲分析塑件的翘曲变形会影响塑件的外观、形状及尺寸精度，对具有装配要求的场合，甚至会影响其正常使用，因此在注塑成型时要降低塑件的翘曲变形[7-8]。按照推荐的工艺参数，即模具表面温度50 ℃，熔体温度220 ℃，充填压力80%，进行注塑初始分析，图3为所得的翘曲分析结果。从图3可以看出，塑件的最大翘曲变形量为0.583 3 mm。10.15925/j.cnki.issn1005-3360.2021.04.001.F003图3翘曲变形分析Fig.3Warpage deformation analysis网络通信中继器的壳体在注塑成型过程中，表面翘曲变形量与熔体温度、模具表面温度、填充压力等参数有关。熔体温度关系塑料熔体的流动性能，所选择的熔体温度应能保证填充型腔过程顺利[9]。模具表面温度对塑件的翘曲变形量有一定影响，模具表面温度升高会削弱型腔的冷凝层，同时温度过高会引起溢料的产生。模具表面温度降低会降低熔体的流动性，易导致塑件强度降低。此外，模具表面温度不一致时，会导致各处收缩率不同，从而使得塑件的翘曲变形。充填压力影响着塑件的收缩情况，要避免压力过大而导致塑件表面缺陷的产生。2.2正交试验设计模流分析的初始工艺参数为模具表面温度50 ℃，熔体温度220 ℃，充填压力80%，根据分析，以塑件的最大翘曲变形量为指标，选择模具表面温度(A)、熔体温度(B)和充填压力(C)作为因素变量，基于正交试验的方法，表2为L9(33)正交试验因素水平设计表。10.15925/j.cnki.issn1005-3360.2021.04.001.T002表2L9(33)正交试验因素水平设计表Tab.2L9(33) orthogonal test factor level design table水平因素模具表面温度(A)/℃熔体温度(B)/℃充填压力(C)/%1302006425022080370240962.3正交试验结果表3为正交试验结果，图4为极差分析数据做成的折线图。从图4可以看出，塑件的最大翘曲变形量随着模具表面温度的升高而增大，随着熔体温度的升高而降低，随充填压力的升高而下降。此外，模具表面温度对塑件的翘曲变形量影响最大，熔体温度次之，充填压力最小。10.15925/j.cnki.issn1005-3360.2021.04.001.T003表3正交试验结果Tab.3Orthogonal test results方案编号因素空白列翘曲变形量/mmABC111110.57480212220.52760313330.50090421230.60880522310.57190623120.57500731320.65620832130.65980933210.63080K11.6033001.8398001.8096001.777500K21.7557001.7593001.7672001.758800K31.9468001.7067001.7290001.769500k10.5344330.6132670.6032000.592500k20.5852330.5864330.5890670.586267k30.6489330.5689000.5763330.589833R0.1145000.0443670.0268670.00623310.15925/j.cnki.issn1005-3360.2021.04.001.F004图4极差分析折线图Fig.4Range analysis line chart由于极差分析无法排除随机误差的影响，因此，需要对数据进行方差分析[10]。表4为方差分析的结果。从表4可以看出，当α=0.05时，因素A和因素B显著，因素C不显著。10.15925/j.cnki.issn1005-3360.2021.04.001.T004表4方差分析结果Tab.4ANOVA results因素离差平方和(SS)自由度(df)均方值(MS)F比F临界值(α=0.05)显著性A0.01974920.00987336.5119.08*B0.00299620.0015051.0519.08*C0.00108420.0005418.4719.08误差0.00005920.00003综合分析结果，从生产经济性角度考虑，选择最优组合为A1B3C3，即模具表面温度30 ℃，熔体温度240 ℃，充填压力96%。图5为通过优化后的参数得到的翘曲分析结果。从图5可以看出，最大翘曲变形量为0.500 9 mm，相比优化前的最大翘曲变形量0.583 3降低了14.13%。10.15925/j.cnki.issn1005-3360.2021.04.001.F005图5优化后的翘曲变形量Fig.5Optimized warpage deformation3BP神经网络预测3.1神经网络构建以正交试验分析的数据作为训练样本，选择模具表面温度(因素A)、熔体温度(因素B)和充填压力(因素C)作为神经网络模型的输入层，塑件的最大翘曲变形量作为神经网络预测模型的输出层。隐层的选取公式[11]：l=(m+n)0.5+a (1)式(1)中：m为输入神经元的数目；n为输出神经元的数目；a属于[1,10]区间的常数。根据式（1），选取隐层神经元数目n为3。图6为构建的神经网络示意图。10.15925/j.cnki.issn1005-3360.2021.04.001.F006图6神经网络构建模型Fig.6Neural network construction model3.2结果预测及分析根据正交试验数据和构建的神经网络模型，在MATLAB中将其代码化并输入初始工艺参数和优化后的工艺参数所得的预测结果为0.585 2 mm和0.501 6 mm，误差率为0.326%和0.14%。图7为将其他模拟仿真的翘曲变形量与BP预测值进行对比分析。从图7可以看出，误差范围在-1.06%~+1.2%之间。说明翘曲变形的模拟值与BP网络预测值相差较小，精度较高，且具有高效快速的特点，当训练样本充足的情况下，可用于进行注塑过程中塑件翘曲变形量的预测，能够应用于注塑行业，从而提高注塑模具设计及生产的效率。图7BP网络预测情况Fig.7Forecast of BP network10.15925/j.cnki.issn1005-3360.2021.04.001.F7a1(a)模拟值与预测值对比10.15925/j.cnki.issn1005-3360.2021.04.001.F7a2(b)误差4结论以某型号网络中继器为实例，基于Moldflow软件进行注塑翘曲变形分析。设计正交试验，找出各因素对塑件最大翘曲变形量的影响关系，并对注塑工艺参数进行了优化，结果表明：优化后的最大翘曲变形量降低了14.13%。建立BP神经网络模型，以MATLAB为分析工具，预测了塑件的翘曲变形，总误差率在-1.06%~+1.2%之间，表明建立的神经网络预测模型准确性较高、误差率较小，可应用与实际生产过程中，为其他类似模具的设计提供了参考。