智能巡检机器人用于替代工作中遇到的急、险、难和重复性工作，是基于多传感器融合技术而搭建的智能移动平台，广泛应用于电力、油井、安防和防爆灯行业，为现场工作人员和设备安全运转提供更多保障[1]。监视摄像机是智能巡检机器人重要的组成部分[2-3]。监视摄像机一般通过底座固定在智能巡检机器人的躯体上[4]，由于监视摄像机的底座与机器人的躯体存在配合要求，并且为了提高美观性，对监视摄像机的底座加工质量要求较高。监视摄像机的底座一般通过注塑加工成型而成，Moldflow是注塑加工行业中常用的模流分析软件，能够准确模拟塑件的成型情况[5-6]。本实验以某型号智能巡检机器人监视摄像机底座为实例，基于响应面模型，对其注塑加工工艺进行优化，得到了较为良好的加工工艺参数。1成型工艺分析图1为利用三维建模软件Pro/E建立的某型号智能巡检机器人监视装置底座的模型。10.15925/j.cnki.issn1005-3360.2021.04.001.F001图1监视装置底座Fig.1Monitoring device base监视装置底座含有的结构类型较多，包括安装孔、固定块、摄像头基座等。外形总尺寸为45 mm×13.64 mm×25.8 mm，平均壁厚3.2 mm，主要部分的厚度基本保持一致。监视装置的底座材料选择为Generic Default制造商，牌号为Generic PP的聚丙烯(PP)塑料[7]，该塑料的熔体密度为0.737 54 g/cm3，固体密度为0.894 17 g/cm3，表1为推荐工艺参数。10.15925/j.cnki.issn1005-3360.2021.04.001.T001表1加工工艺参数Tab.1Processing 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-15022020~801240.251000002响应面试验设计法图2为网格划分的结果。网格单元总数为10 368个，表面积45.81 cm2，纵横比最大为39.8，最小为1.16，平均为2.27，相互百分比91.2%，匹配百分比92.8%。10.15925/j.cnki.issn1005-3360.2021.04.001.F002图2网格划分结果Fig.2Meshing results在Moldflow中创建监视装置底座的冷却系统和浇注系统，图3为所得的有限元分析模型。为使塑件表面各处温度保持一致，冷水管道设计为对称布置，介质选为25 ℃的普通水。综合考虑塑件的外形尺寸及结合最佳浇口位置分析结果，设计为单浇口的形式。10.15925/j.cnki.issn1005-3360.2021.04.001.F003图3有限元分析模型Fig.3Finite element analysis model3响应面模型构建与分析3.1分析模型建立选取模具表面温度(A)、熔体温度(B)和充填压力(C)为设计变量，将塑件的体积收缩率(S)作为响应指标变量，基于BBD试验分析法进行响应面分析。表2为响应面的因素水平设计表。表3为响应面的实验结果。10.15925/j.cnki.issn1005-3360.2021.04.001.T002表2BBD试验因素水平设计Tab.2BBD test factor level design水平因素模具表面温度(A)/℃熔体温度(B)/℃充填压力(C)/MPa-13020064050220801702409610.15925/j.cnki.issn1005-3360.2021.04.001.T003表3BBD试验方案和结果Tab.3BBD experiment scheme and results方案编号因素S/%ABC110112.802-10110.74300011.5240-1-110.38511012.99610-112.1171-1010.99801112.18901-112.211000011.521100011.521200011.5213-1-109.8414-10-110.85150-1110.311600011.5217-11011.61在Design Expert中进行回归分析计算，所得的各个参数与体积收缩率间的响应面模型为：Y=11.34+0.73A+0.933 5B+0.06C+0.058AB+0.2AC+0.01BC+0.186 5A2-1 685 B2+ 0.098 5C2  (1)3.2方差与响应面分析表4为方差分析结果。从表4可以看出，塑件体积收缩率的二阶响应面模型P值小于0.000 1，同时失拟项的P值为0.238 1，表示所建立的响应面模型显著和可靠，可以比较真实有效地反映工艺参数与塑件的体积收缩率的关系。10.15925/j.cnki.issn1005-3360.2021.04.001.T004表4方差分析结果Tab.4ANOVA results类型SSDFMSF值P值显著性模型11.75091.310041.150.0001显著A-A4.270014.2700134.750.0001显著B-B6.970016.9700219.750.0001显著C-C0.028810.02880.09780.2641AB0.013510.01350.42420.5357AC0.160010.16008.19000.0243显著BC0.000410.00040.01260.9137A²0.152810.15287.49000.0290显著B²0.113910.11956.12000.0426显著C²0.044210.04421.39000.2762残差0.222170.0317失拟项0.136830.04562.14000.2381不显著纯误差0.004340.0013总和11.97016图4为因素A(模具表面温度)、因素B(熔体温度)、因素C(充填压力)相互作用下的3D响应面图。从图4a可以看出，在较低的模具表面温度和熔体温度的情况下，塑件的体积收缩率最小。从图4b可以看出，较低的模具表面温度和较高的充填压力时，塑件的体积收缩率较小。从图4c可以看出，较低的熔体温度和较高的充填压力时，塑件的体积收缩率较小。因此，在实际生产时可以考虑降低模具表面温度和熔体温度，并适当提高充填压力的方法来降低塑件的体积收缩率，以提高注塑成型的质量。10.15925/j.cnki.issn1005-3360.2021.04.001.F004图4响应面3D图Fig.43D plot of response surface4工艺优化分析图5为优化后的体积收缩率。10.15925/j.cnki.issn1005-3360.2021.04.001.F005图5优化后的体积收缩率Fig.5Volume shrinkage after optimization与响应面预测值9.84%相比，Moldflow验证结果为9.82%，仅相差0.02%，说明构建的响应面分析模型具有较高的可靠性和准确性。相比初始工艺参数(A为50 ℃，B为220 ℃，C为80 MPa)的注塑条件，与推荐工艺参数下的体积收缩率11.52%降低了14.76%，有效避免了塑件体积收缩率过大的问题，提升了监视器基座成型的质量。将上述注塑工艺参数进行试模验证，图6为试模样品。从图6可以看出，试模样品外观质量较高，能够满足使用要求。10.15925/j.cnki.issn1005-3360.2021.04.001.F006图6监视器底座试样产品Fig 6Monitor base sample products5结论以某智能巡检机器人的监视器塑料基座为实例，分析了其结构外形，选取了合适的材料与加工工艺参数，并建立了响应面模型对影响其体积收缩率的因素进行了优化分析，基于Moldflow软件验证了优化分析的可靠性。结果表明：相比初始体积收缩率降低了14.76%与推荐工艺参数相比，有效避免了塑件体积收缩率过大的问题，提升了监视器基座成型的质量。根据优化所得的参数进行试模，效果良好，能够满足要求。