生产制造环节中需要非接触式地测量被测物体的振动速度、位移和加速度。传统振动传感器需要接触化测量,测量过程具有较大信号干扰,为了提高精度和降低干扰,需要利用测振表对设备的动态特征进行测量与分析。测振表利用石英晶体和PZT人工极化陶瓷在受到机械应力作用时,表面产生电荷的压电效应原理设计而成[1-2]。测振表的壳体能够支撑和固定内部的石英晶体和人工陶瓷,传递振动信号。测振表的外壳生产制造时利用Moldflow进行注塑模拟分析,对工艺参数进行优化再通过注塑成型加工而成。在注塑成型的过程中,塑件可能会产生翘曲变形,翘曲变形会对产品的表面质量、外观产生影响,塑件的翘曲需要优化至合理范围内。正交试验是一种研究多因素多水平的优化方法[3],而BP神经网络是一种多层前馈神经网络,能够通过一定数据对整个模型进行预测。将正交试验与BP神经预测模型相结合,能够较直观显示各个因素的详细变化趋势,有利于得到最优解。本实验以某型号的手持式测振表为研究对象,基于计算机辅助技术,得到不同工艺参数组合下的翘曲变形。基于变形数据,设计正交试验,通过极差分析与方差分析,得到优化的工艺参数组合,有效地降低塑件的翘曲变形。利用BP神经网络对塑件的翘曲变形进行预测,为类似模具的设计和预测模型的建立提供参考和指导。1零件分析1.1结构分析图1为手持测振表壳体的三维模型,其外形尺寸为180.4 mm×61.8 mm×21.3 mm,塑件整体结构较简单,表面具有一定弧度,周边采用圆角过渡,具有尺寸小、侧凸凹等结构特点。测振表壳体需要与其他多个配件进行组合、装配得到测振表,其注塑成型的翘曲变形将会影响其装配性能。考虑建模分析的效率和生产验证的成本,选择一模一穴的模具方案进行注塑成型分析[4-5]。10.15925/j.cnki.issn1005-3360.2021.11.017.F001图1手持测振表壳体Fig.1Handheld vibration meter housing1.2材料分析手持测振表壳体需要具有一定的力学强度与硬度、较好的耐水与耐磨性等物理性能,材料选择制造商为Generic Default,牌号为Generic PP的塑料。该材料在塑化后的熔融状态的密度为0.737 54 g/cm3,在模具型腔中冷却收缩形成固体状态的密度为0.894 17 g/cm3。样条拉伸和剪切测试得到力学性能参数为:弹性模量1 574.77 MPa,泊松比0.358,剪切模量523.9 MPa。该材料由于具备较好的尺寸稳定性、阻燃性能、绝缘性能、成型性,且价格较低,在电子电气产品中应用较广泛[6-7]。表1为该材料推荐的注塑成型工艺参数。10.15925/j.cnki.issn1005-3360.2021.11.017.T001表1工艺参数Tab.1Process parameters参数数值模具表面温度/℃50熔体温度/℃220模具温度范围/℃20~80顶出温度/℃124最大剪切应力/MPa0.25最大剪切速率/s-11000002注塑分析与正交试验设计2.1注塑前处理通过Pro/E创建模型,将三维模型在软件中转化为“.stl”格式[8-9]。由于该测振表为内外表面相似的板状零件,在Moldflow软件中选择双层面网格类型进行网格划分,并进行单元质量修复[10],图2为划分结果。得到11 634个三角形网格单元,连接节点数目5 812个,单元纵横比在2.21~5.45之间,平均纵横比为2.21。匹配百分比为95.8%,相互百分比为97.8%,单元匹配率较高,满足工程计算的要求。网格匹配方向正确、重叠和交叉单元,达到模流分析的要求。10.15925/j.cnki.issn1005-3360.2021.11.017.F002图2网格划分结果Fig.2Mesh results网格划分完成后,根据系统推荐的参数,依次建立浇注系统和冷却系统。设定主流道的入口直径、长度和拔模角分别为3 mm、90 mm和3°,竖直流道直径为6 mm,拔模角3°,顶部的浇口初始直径为6 mm,末端直径1 mm,长度为1 mm。设定冷却管道的直径为10 mm,水管与零件的间距为25 mm,为了增大冷却面积,设定双管道并沿塑件长度方向对称布置,管道中心的距离为30 mm,在零件之外的距离为90 mm。图3为所得的注塑系统。10.15925/j.cnki.issn1005-3360.2021.11.017.F003图3注塑系统Fig.3Injection molding system2.2结果分析测振表较大的翘曲变形不仅影响其美观,也会对产品的装配和长期使用产生很大影响[11-12]。根据注塑系统,采用系统推荐的参数:模具表面温度50 ℃、充填压力80%最大压力,熔体温度220 ℃进行注塑成型模拟。图4为初始参数翘曲变形分析。从图4可以看出,该测振表两侧边缘的翘曲变形量较大,最大翘曲变形量为1.329 mm。10.15925/j.cnki.issn1005-3360.2021.11.017.F004图4翘曲变形分析Fig.4Warpage deformation analysis在产品注塑成型过程中,塑料熔体和模具表面的温度、填充时间、填充压力等注塑成型工艺直接影响塑料熔体在模具中的填充、保压、冷却和收缩过程,从而对产品的翘曲变形特征和翘曲值产生影响。熔体温度直接影响塑料熔体的流动性,对料流在模具中的充填过程有直接影响[13]。模具表面温度不仅影响塑料熔体在模具型腔中的流动,也会影响其结晶状态,进而影响冷却收缩过程,不均匀的收缩会导致产品较大的翘曲变形。充填压力可以通过保压补缩过程影响塑件不同区域的收缩状态,进而影响翘曲变形[14]。2.3正交试验设计翘曲变形会影响塑件的美观、装配和使用。塑件在初始工艺参数下的翘曲变形为1.329 mm,考虑装配和使用需求,应该使塑件的翘曲变形小于1 mm,故需要对其进行优化。基于Moldflow中推荐的注塑成型的工艺参数范围,以测振表的最大翘曲变形为评价指标,将模具表面温度(A)、充填压力(B)和塑料熔体温度(C)作为因素变量,并各设置3个水平,表2为L9(33)正交试验因素水平设计。表3为L9(33)正交试验结果。10.15925/j.cnki.issn1005-3360.2021.11.017.T002表2L9(33)正交试验因素水平设计Tab.2L9(33) orthogonal test factor level design水平因素模具表面温度(A)/℃充填压力(B)/%熔体温度(C)/℃13064200250802203709624010.15925/j.cnki.issn1005-3360.2021.11.017.T003表3L9(33)正交试验结果Tab.3Results of L9(33) orthogonal test试验编号因素翘曲变形量/mmABC11111.23321221.07531330.96942121.35952231.36962311.27673131.61483211.50193321.517K13.2770004.2060004.010000K24.0040003.9450003.951000K34.6320003.7620003.952000k11.0923331.4020001.336667k21.3346671.3150001.317000k31.5440001.2540001.317333R0.4516670.1480000.0196672.4正交试验结果分析图5为将正交试验各因素水平极差结果与翘曲变形折线图。从图5可以看出,测振表的最大翘曲变形量随着模具表面温度的升高而升高;测振表的最大翘曲变形量随着充填压力的升高而减小;测振表的最大翘曲变形量随着熔体温度的升高而先降低后呈不变趋势。模具表面温度对测振表的翘曲变形量影响最大,熔体温度影响最小。10.15925/j.cnki.issn1005-3360.2021.11.017.F005图5极差分析Fig.5Range analysis采用方差分析方法对正交试验表中不同工艺参数组合的翘曲变形量进行误差分析,并计算得到不同工艺参数对翘曲变形量影响程度的F值[15]。表4为方差分析得到的离差及F值结果。将各因素的F值与α=0.05时的临界F值进行比较,模具表面温度(A)对于翘曲变形量的影响为显著,充填压力(B)和熔体温度(C)对于翘曲变形量的影响不显著。10.15925/j.cnki.issn1005-3360.2021.11.017.T004表4方差分析结果Tab.4ANOVA results离差来源离差平方和自由度均方值F值F临界值A0.30654920.1532721.842248F0.05(2,2)=19.08B0.03319420.016602.365143C0.00076120.000380.054199误差0.01403520.007017综合响应关系和方差分析结果,尽可能降低注塑成型生产的周期和能耗,优化工艺参数组合为A1B3C3,即模具表面温度30 ℃,充填压力取96%,熔体温度取240 ℃。基于该优化的工艺参数组合在Moldflow中进行模流分析,图6为优化工艺参数下产品翘曲变形分析。从图6可以看出,优化工艺参数组合的最大翘曲变形量为0.969 mm,相比优化前降低27.09%。该优化的工艺参数组合对于产品翘曲变形的优化效果显著。10.15925/j.cnki.issn1005-3360.2021.11.017.F006图6优化后的翘曲变形结果Fig.6Optimized warpage deformation result3BP神经网络预测3.1神经网络模型选择模具表面温度(Y1)、充填压力(Y2)和熔体温度(Y3)作为BP神经网络模型的输入变量,最大翘曲变形量(W)作为神经网络预测模型的输出变量。隐层神经元(I)计算公式为:I=(m+n)0.5+a(1)式(1)中:m为输入神经元变量的数量;n为输出神经元的数量;a为在[1,10]范围内的常数。当隐层神经元个数为3,图7为BP神经网络模型。10.15925/j.cnki.issn1005-3360.2021.11.017.F007图7神经网络构建模型Fig.7Neural network construction model3.2结果预测及分析基于Y1、Y2、Y3和W构造的神经网络模型,利用Matlab软件将正交试验中4个变量参数化,输入初始工艺参数组合和优化后的翘曲变形量,得到预测精度为99.63%和97.32%。图8为将其他模拟仿真的翘曲变形量与BP预测值对比分析。从图8可以看出,误差范围是0.13%~2.67%。基于BP神经网络预测得到的翘曲变形结果与Moldflow计算得到结果相差较小,说明该BP神经网络模型的预测精度较高。可供参考的输入和输出数据信息充足的条件下,BP神经网络模型可用于预测塑件翘曲变形量,可以提高注塑成型生产效率。图8BP网络预测拟合情况Fig.8BP network prediction fitting situation10.15925/j.cnki.issn1005-3360.2021.11.017.F8a1(a)模拟值与预测值对比10.15925/j.cnki.issn1005-3360.2021.11.017.F8a2(b)预测误差将基于优化工艺参数进行实际试模验证,图9为试模样品。从图9可以看出,测振表外观较光滑,无明显可见翘曲变形,成型质量良好,能够满足实际使用的需要。10.15925/j.cnki.issn1005-3360.2021.11.017.F009图9试模样品Fig.9Trial sample4结论以某型号手持测振表为实例,利用Moldflow软件分析其最大翘曲变形量。基于正交试验法,分析工艺参数对翘曲变形的影响程度和趋势,并优化工艺参数。最优参数组合为模具表面温度30 ℃,充填压力取96%,熔体温度240 ℃。最优参数下翘曲变形为0.969 mm,相比初始工艺降低27.09%。基于Matlab平台与正交试验数据建立能够预测塑件翘曲变形的BP神经网络模型,预测值的误差范围在0.13%~2.67%,验证神经网络预测模型的准确性。
使用Chrome浏览器效果最佳,继续浏览,你可能不会看到最佳的展示效果,
确定继续浏览么?
复制成功,请在其他浏览器进行阅读
复制地址链接在其他浏览器打开
继续浏览