車用CD托架CAE注塑工藝參數(shù)優(yōu)化分析*

張建卿

（懷化職業(yè)技術學院，湖南懷化 418000）

車用CD托架CAE注塑工藝參數(shù)優(yōu)化分析*

張建卿

（懷化職業(yè)技術學院，湖南懷化 418000）

以汽車CD托架注塑成型為例，結合生產(chǎn)實際問題，構建了產(chǎn)品CAE分析模型，運用Moldflow2015軟件對產(chǎn)品材料推薦的注塑成型工藝參數(shù)進行了初步仿真，對注塑過程中的翹曲、熔接痕、氣穴等缺陷成因進行了分析，并給出了質(zhì)量改善優(yōu)化目標，提出了一種結合Taguchi試驗法、BP神經(jīng)網(wǎng)絡預測的注塑成型工藝尋優(yōu)方法，并對尋優(yōu)結果進行了CAE模流分析驗證。結果表明，神經(jīng)網(wǎng)絡預測結果與CAE模流分析結果相近，產(chǎn)品翹曲量降低至1.192 mm，產(chǎn)品較佳的注塑成型工藝參數(shù)為：料溫為225℃，模溫為60℃，注塑壓力為70 MPa，注塑時間為1.3 s，第一保壓壓力為80 MPa，第一保壓時間為12 s，第二保壓壓力為30 MPa，第二保壓時間為3 s，冷卻時間為15 s，型腔隨形水路C1，C2冷卻水的溫度均為30℃。提出的優(yōu)化設計方法能有效降低模具試模成本，縮短模具生產(chǎn)周期。

CD托架；CAE分析；BP神經(jīng)網(wǎng)絡；正交試驗；注塑成型

汽車內(nèi)飾件注塑生產(chǎn)中，隨著塑料件產(chǎn)品的結構變得越來越復雜，相應產(chǎn)品的注塑成型工藝及模具結構設計的難度都在不斷地提高，面臨更多新的挑戰(zhàn)，需要模具設計與生產(chǎn)者在CAE分析［1–6］、模具結構［7–10］、工藝優(yōu)化［11–13］等方面不斷進行技術應用創(chuàng)新。田中試驗法、基于Matlab的BP神經(jīng)網(wǎng)絡優(yōu)化技術、UG/CAD設計技術與模流CAE分析相結合的模具制造技術在生產(chǎn)實踐中在提高成型質(zhì)量、節(jié)約生產(chǎn)成本和提升生產(chǎn)效率等方面已凸顯成效［14–16］，是應對產(chǎn)品創(chuàng)新結構注塑成型的非常重要的方法。某汽車CD機支架產(chǎn)品由于其產(chǎn)品結構復雜特征多，產(chǎn)品成型后在品質(zhì)方面出現(xiàn)諸如易開裂、變形大、良品率低、裝配卡滯等問題，特別是注塑后的多因素影響變形，單純依靠傳統(tǒng)模具結構經(jīng)驗及反復試模方法難以保證產(chǎn)品符合規(guī)定的技術要求，因而，須結合CAD/CAE技術及工藝優(yōu)化方法找出注塑缺陷問題原因，并尋優(yōu)其最佳工藝路徑。筆者擬以該CD托架為研究對象，構建基于CAE模流分析技術的正交優(yōu)化方法與BP神經(jīng)網(wǎng)絡相結合的工藝參數(shù)路徑尋優(yōu)方法，以解決該產(chǎn)品實際注塑生產(chǎn)中出現(xiàn)的上述品質(zhì)問題。

1 模型

CD托架產(chǎn)品CAD軟件UG模型如圖1a所示。該產(chǎn)品模具結構設計面臨的主要問題是產(chǎn)品的脫模問題，主要體現(xiàn)為中央空心部位、四個側面及型腔面一側圓頭卡勾位等復雜結構特征位的脫模；注塑后的產(chǎn)品重點品質(zhì)問題是圖1a中央尺寸112 mm×370 mm變形大，與之配套安裝的CD機鈑金外殼配合率不高。塑料件CAE軟件分析Moldflow基本模型如圖1b所示，產(chǎn)品進澆位置選擇在圖中偏心位置，有限元模型基本數(shù)據(jù)為：采用fusion雙層網(wǎng)格，三角形最大縱橫比為9.96，平均1.89，最小1.16，節(jié)點數(shù)50 811，單元數(shù)量101 850，網(wǎng)格匹配百分比92.14%，塑料件體積298 cm3，開模方向上的投影面積為796.3 cm2。材料為20%玻纖改性PP （Kingfa，API–CG218），推薦模溫30～60℃，料溫220～245℃，頂出溫度90℃，剪切速率24000 s-1，剪切力0.26 MPa。

圖1 產(chǎn)品的CAD/CAE模型

2 CAE基本工藝參數(shù)仿真分析

2.1 澆注系統(tǒng)設計

澆注系統(tǒng)采用熱流井與冷流道側澆口相結合方式，熱流道下方接入入口直徑為8 mm的主澆道，側澆口采用搭邊式27 mm×2 mm深側澆口，如圖2所示。

圖2 澆注系統(tǒng)設計

2.2 成型預分析

（1）成型窗口預優(yōu)化。

結合材料特性及產(chǎn)品結構特性，在推薦工藝參數(shù)域內(nèi)尋找最佳成型質(zhì)量百分數(shù)，優(yōu)化分析所設定的澆注系統(tǒng)，在該澆注模式下運行【成型窗口】，分析發(fā)現(xiàn)，成型質(zhì)量百分數(shù)最高可達到93%，對應的推薦工藝參數(shù)為：模具溫度43.3℃，熔體溫度235.9℃，注塑時間1.06 s，所需壓力降為22.65 MPa。

（2）充填分析。

依據(jù)【成型窗口】分析所得工藝參數(shù)數(shù)據(jù)輸入【充填】中，對應的工藝參數(shù)控制設置為：模具溫度43.3℃，料溫235.9℃；填充控制參數(shù)：注塑時間1.06 s，速度/壓力切換方式為自動，保壓控制方式為充填壓力與時間，分析結果如圖3所示。分析結果為：充填時間1.161 s，充填壓力28.05 MPa；V/ P切換時的體積充填量為98.85%；前沿溫差小于14℃，注塑終了時澆口壓力22.24 MPa；最大剪切應力0.203 MPa；側澆口凍結時間12.24 s，澆口位置以下產(chǎn)品的其它部位到達頂出時間33.9 s；熔合紋角度基本上小于75°的有32條，為不可見熔接線，75°～135°的有12條，大于135°的有27條；氣穴較多，氣穴集中出現(xiàn)在特征孔周邊，分布在產(chǎn)品表面六邊孔周邊，共47處。

圖3 充填結果

充填結果表明，產(chǎn)品的注塑對注塑機要求不高，所需壓力較低，熔體前沿溫度差小于20℃，有利于后續(xù)保壓；剪切速率在材料許可范圍內(nèi)，注塑時熔體不會發(fā)生降解，黑點、白斑等缺陷產(chǎn)生幾率低；熔接線數(shù)量較多，熔合紋角度為75°～135°時可能會留下比較明顯的痕跡，大于135°時則可能引起開裂；氣穴數(shù)量多，可能出現(xiàn)局部小裂紋和掉渣，外觀坑凹較多。結合圖3整體來看，澆注系統(tǒng)的開設有利于產(chǎn)品的注塑，雖有熔接線、氣穴等較多的缺陷，但可以通過提高料溫的辦法來處理。綜上所述，選用的澆注系統(tǒng)方案可行。

（3）冷卻分析。

冷卻共采用C1～C7共7條隨型水路，其中C1，C2為型腔冷卻水路，C3，C4為中央側抽芯滑塊頭冷卻水路，C5，C6，C7為型芯冷卻水路。初始水溫為常溫25℃，運行冷卻分析后結果為：7條水路的進出口溫差在2℃內(nèi)，冷卻水路冷卻效果好；在冷卻水路的有效冷卻下，產(chǎn)品的頂出時間可控制在65 s內(nèi)，經(jīng)計算，冷卻管道設計能滿足本產(chǎn)品的冷卻及生產(chǎn)量綱要求。

（4）流動保壓分析。

為了解注塑后塑料件的尺寸變化具體情況，須對產(chǎn)品做進一步的翹曲變形分析，分析方式采用<冷卻+填充+保壓+翹曲>分析方式，基本注塑工藝參數(shù)設置繼承【充填】分析、【冷卻分析】分析結果，料溫提高10℃，模溫提高5℃，保壓控制（保壓壓力與時間）的初始參數(shù)設置分別為80 MPa和10 s，50 MPa和5 s，保壓時間15 s大于澆口凍結時間12.24 s；冷卻分析方式為自動；并對翹曲因素進行分離；翹曲變形分析結果如圖4所示。

從翹曲變形分析結果可知，整體變形最大為2.832 mm，沒有出現(xiàn)在中央方孔尺寸112 mm×370 mm位置，中央方孔處的變形最大為2.12 mm，而依據(jù)CD盒鈑金件公差要求，112 mm×370 mm尺寸公差控制要求精度等級為m級時，其對應公差分別為±0.3 mm （112 mm），±0.5 mm （370 mm），相對而言，產(chǎn)品在112 mm方向上變形相對較大；從影響翹曲的分離因素看，冷卻不均產(chǎn)生變形最大為0.19 mm，收縮不均產(chǎn)生變形最大為1.211 mm，取向不均產(chǎn)生變形最大為0.662 mm，可以推知，收縮不均為主要影響因素。進一步查詢標準GB/T 14486–2008，本產(chǎn)品對應的有無機填料填充聚丙烯（PP）的一般精度等級為MT3，翹曲變形質(zhì)量控制范圍為1.01～1.14 mm，翹曲變形有待進一步改善。

流動分析其余分析結果如下：（1）料溫提升10℃后，孔周邊空穴減少，熔接線變少變短，外觀得到改善；（2）縮痕指數(shù)為5.25%，超差0.25%。

3 基于田中試驗法的注塑工藝參數(shù)優(yōu)化

3.1 翹曲原因及對策分析

為降低模具制造流程成本，應優(yōu)先考慮利用CAE技術，從注塑工藝優(yōu)化方面著手解決本產(chǎn)品的翹曲變形過大問題，而后再依次按照其它影響因素調(diào)整難度來依次改善翹曲變形。結合前述翹曲變形引起的原因，采取的分類措施如下：（1）針對冷卻不均，調(diào)整上下模水路進水溫度，使上模水路比下模水路高，主要調(diào)節(jié)水路為型腔水路C1，C2，對滑塊頭水路C3，C4及型芯水路C5，C6，C7略做調(diào)整，C3，C4水路由25℃提高到27℃，C5，C6，C7水路的溫度則保持為25℃，主要調(diào)節(jié)壁厚不均、冷卻不均差異，壁厚的地方得到有效冷卻。（2）針對收縮不均，從料溫、模溫、注塑壓力、注射時間、保壓及保壓時間、冷卻時間來考慮，具體因素為：①料溫（Tθ）；②模溫（Ts），③注塑壓力（PI），④注塑時間（ti）；⑤保壓壓力（Ph），⑥保壓時間（th），⑦冷卻時間（tc）。（3）對于取向不均，為了減少流動取向和緩和取向應力，其中最為有效的方法是降低熔料溫度和模具溫度，這本身已經(jīng)包含在收縮不均措施中。

基于上述分析，擬采用正交試驗找出改善翹曲變形的主要調(diào)整參數(shù)，而后運用BP神經(jīng)網(wǎng)絡尋找其最佳工藝參數(shù)路徑。

3.2 正交試驗

（1）對于本產(chǎn)品注塑工藝問題而言，最優(yōu)參數(shù)組合并非唯一數(shù)值，而是一個變化區(qū)段，比較符合問題實際情況。為降低本產(chǎn)品的翹曲及其它品質(zhì)缺陷，須尋優(yōu)找到最佳注塑成型工藝參數(shù)。因而，可以在正交試驗優(yōu)化選用水平參數(shù)的基礎上，結合BP神經(jīng)網(wǎng)絡優(yōu)選最佳工藝路線。針對產(chǎn)品翹曲及熔接線、氣穴改善的注塑工藝參數(shù)的正交試驗為選用3水平10因素，田中試驗方案設計參數(shù)及參數(shù)水平如表1所示。

表1 工藝優(yōu)化參數(shù)水平表

（2）正交試驗結果。

采用Mintab設計正交試驗方案，以改善翹曲變形作為首要目標，其次兼顧熔接線、氣穴數(shù)量。因素中，C1，C2的入水溫度作為變量影響因素，C3～C7則為固定常數(shù)參數(shù)（C3，C4為27℃，C5，C6，C7為25℃），試驗方案運用Mintab軟件選用L27（310），因素10個，結果因素輸出為6個，分別為：整體翹曲變形量（Za）、冷卻不均變形量（Zb）、收縮不均變形量（Zc）、取向不均變形量（Zd）、溶解痕數(shù)量（LR）、氣穴數(shù)量（QA）。Moldflow 2015分析方案為<冷卻+填充+保壓+翹曲>，正交試驗結果如表2所示。

表2 CAE分析試驗結果

（3）試驗結果分析。

試驗的目標是追尋最小翹曲變形，影響翹曲最終結果的分析如表3所示。從影響占比看，影響本產(chǎn)品注塑時翹曲變形的主要因素是料溫Tθ，其次是注塑壓力PI；均值直觀分析較優(yōu)的水平組合方案為：Tθ（1）Ts（3）PI（2）ti（3）Ph1（2）th1（3）Ph2（1）th2（1）tc（1）α（2），即：Tθ為225℃，Ts為60℃，PI為45 MPa，ti為1.5 s，Ph1為 80 MPa，th1為 12 s，Ph2為 30 MPa，th2為3 s，tc為15 s，α為30℃。

表3 影響因素權重分析

4 基于BP神經(jīng)網(wǎng)絡預測模型構建

運用BP神經(jīng)網(wǎng)絡的分析預測功能夠獲得塑料件注塑成型優(yōu)化工藝參數(shù)是注塑模仿真分析獲取較優(yōu)設計的一個重要方法［14–16］，為獲取前述10個工藝參數(shù)與產(chǎn)品主要缺陷之間的定量非線性關系，運用Matlab軟件構建上述試驗數(shù)據(jù)的BP神經(jīng)網(wǎng)絡模型。

BP神經(jīng)網(wǎng)絡模型構建如下：

（1）模型選用3層網(wǎng)絡。

（2）神經(jīng)元的數(shù)目輸入層包含10個工藝參數(shù)，分別為①Tθ、②Ts、③PI、④ti、⑤Ph1、⑥th1、⑦Ph2、⑧th2、⑨t(yī)c、⑩C1，C2水路溫度α，故輸入層神經(jīng)元個數(shù)為10個，行列中行排序依次按①～⑩排列，中間層神經(jīng)元個數(shù)為30個，輸出層參數(shù)為Za，Zb，Zc，Zd，LR，QA，對應神經(jīng)元個數(shù)為6個。

（3）函數(shù)及主程式構建。

運用Matlab軟件中的神經(jīng)網(wǎng)絡工具箱，取表2中的21個試驗為訓練樣本，6個作為檢驗樣本。以Newff創(chuàng)建網(wǎng)絡，訓練函數(shù)選用Trainlm，仿真函數(shù)選用Sim（），輸入層中間層函數(shù)選用tansig，中間層輸出層函數(shù)選用Purelin，上述試驗樣本及檢驗樣本由Excell表格導入并矩陣處理，歸一化處理函數(shù)采用mapminmax（）。

（4）網(wǎng)絡模型效果評價。

比較訓練好的神經(jīng)網(wǎng)絡模型的預測值和試驗值表明，預測值和試驗值相當吻合，誤差已小于1.57×10-9，表明訓練之后的神經(jīng)網(wǎng)絡有很高的準確性，具備用于工藝參數(shù)調(diào)整預測的能力。

5 工藝參數(shù)優(yōu)化

工程應用上，產(chǎn)品的注塑工藝參數(shù)的選用應在一定的因素水平范圍內(nèi)，而非某一最佳優(yōu)化點。參數(shù)工藝優(yōu)化的調(diào)整以正交優(yōu)化選用的方案（Tθ為225℃，Ts為60℃，PI為45 MPa，ti為1.5 s，Ph1為80 MPa，th1為12 s，Ph2為30 MPa，th2為3 s，tc為 15 s，α為30℃）為基礎，調(diào)整影響權重比較大的料溫Tθ、注塑壓力PI、注塑時間ti為主要目標手段，結合上述訓練好的神經(jīng)網(wǎng)絡模型對調(diào)整參數(shù)進行預測。工藝參數(shù)調(diào)整優(yōu)選水平仍按3水平進行調(diào)整，料溫Tθ調(diào)整梯度為5℃，注塑壓力PI調(diào)整梯度為5 MPa，注塑時間ti調(diào)整梯度為0.2 s，選用正交L9（33），見表4。

表4 優(yōu)化工藝參數(shù)

將表4中試驗編號T1～T9共9個方案設置好的工藝參數(shù)導入訓練好的前述神經(jīng)網(wǎng)絡進行預測，其預測結果見表5。

表5 工藝參數(shù)優(yōu)化預測與檢驗結果 mm

從表5神經(jīng)網(wǎng)絡預測值可以看出，T6方案神經(jīng)網(wǎng)絡模擬翹曲量為1.221 mm，為9個方案中的最小值，已接近翹曲變形控制范圍（1.01～1.14 mm），說明所訓練的神經(jīng)網(wǎng)絡能較為準確地預測本產(chǎn)品的翹曲變形趨勢和翹曲量變形大小，能較為快捷地找到優(yōu)化目標范圍。進一步將T6方案參數(shù)輸入CAE仿真模型中進行驗證，運算后，翹曲量最小為1.192 mm，與神經(jīng)網(wǎng)絡預測值接近，與目標值1.14 mm還有0.052 mm的差距，但相對塑料件的精度要求，進一步的調(diào)整已無實際工程應用價值，因而，就翹曲變形而言，表明T6方案已處于最優(yōu)工藝參數(shù)閾值范圍內(nèi)，基本能滿足本產(chǎn)品注塑成型要求；進一步考察其它質(zhì)量指標，對T6以外的其它方案進行實驗性CAE模擬驗證，相比而言，在T6方案下熔接線數(shù)量為16條，氣穴數(shù)量為18個，注塑質(zhì)量明顯得到改善。故本產(chǎn)品較佳的注塑成型工藝參數(shù)為：Tθ為225℃，Ts為60℃，PI為70，ti為1.3 s，Ph1為80 MPa，th1為12 s，Ph2為 30，th2為 3 s，tc為15 s，α為30℃。

6 結論

以注塑成型汽車CD托架為例，通過運用Taguchi正交試驗法、BP神經(jīng)網(wǎng)絡、Matlab數(shù)值分析，實現(xiàn)了CD托架塑料件注塑成型工藝參數(shù)設置協(xié)同優(yōu)化?；赥aguchi法的基礎上運用Mintab軟件構建了L27（310）設計試驗方案，應用Moldflow2015分別對各分組參數(shù)方案進行了CAE仿真分析，將仿真所得的翹曲分析結果作為BP神經(jīng)網(wǎng)絡的訓練樣本，構建了產(chǎn)品注塑工藝參數(shù)基于Matlab神經(jīng)網(wǎng)絡工具箱的三層BP神經(jīng)網(wǎng)絡預測模型。在基于Taguchi法獲得的優(yōu)選參數(shù)的基礎上，再次在優(yōu)化域附近進行立體正交優(yōu)化，并運用訓練所得神經(jīng)網(wǎng)絡進行預測，預測結果和CAE仿真結果進行了對比，驗證了神經(jīng)網(wǎng)絡預測結果的可靠性。結果表明，運用Taguchi正交試驗分析、BP神經(jīng)網(wǎng)絡、模流CAE仿真分析能有效降低模具試模成本，縮短模具生產(chǎn)周期。

［1]溫廣宇.CAD/CAE技術在汽車模具中的應用進展［J］.塑料科技，2015，43（9）：57–59. Wen Guangyu. Application development of CAD/CAE technology in automobile mould［J］. Plastics Science and Technology，2015，43（9）：57–59.

［2]劉建華.汽車注塑模具設計中Moldlflow軟件應用的價值分析［J］.科技資訊，2014（21）：18. Liu Jianhua. Value analysis of the application of Moldlflow software in the design of injection mould for automobile［J］. Science & Technology Information，2014（21）：18.

［3]吳松琪， 劉斌，朱訓民，等.汽車前保險杠注塑模具熱流道熱平衡分析及其優(yōu)化設計［J］.塑料工業(yè)，2015，43（12）：54–59. Wu Songqi，Liu Bin，Zhu Xunming，et al. Thermal equilibrium analysis and optimal design for hot runners of car front bumper injection mold［J］. China Plastics Industry，2015，43（12）：54–59.

［4]許旭飛.汽車零件注塑模具流道系統(tǒng)設計及參數(shù)優(yōu)化［J］.科技風，2015（7）：69，77. Xu Xufei. Design and parameters optimization of injection mold runner system for automobile parts［J］. Technology Wind，2015（7）：69，77.

［5]王善凱，李晶，胡激濤，等.基于Moldflow汽車配件注塑工藝參數(shù)優(yōu)化［J］.西安工程大學學報，2015，29（6）：692–697. Wang Shankai，Li Jing ，Hu Jitao，et al. Parameter optimization for auto part's injection process based on Moldflow［J］. Journal of Xi'an Polytechnic University，2015，29 （6）：692–697.

［6]宋燕星， 陳玉全，陳永秋，等.汽車中央空調(diào)塑料飾件模具注塑流變分析CAE［J］.哈爾濱理工大學學報，2004，9（5）：9–11. Song Yanxing，Chen Yuquan，Chen Yongqiu，et al. Flow analysis CAE about moulding plastic part of car's center air-condition［J］. Journal of Harbin University of Science and Technology，2004，9 （5）：9–11.

［7]朱昱.Moldflow軟件在汽車零件注塑模具設計中的應用［J］.機械，2009，36（9）：40–42. Zhu Yu. The application of Moldflow software in injection mold design of lap-belt cover［J］. Machinery，2009，36（9）：40–42.

［8]楊安，肖國華，韓立艷，等.汽車油封蓋內(nèi)螺紋脫模機構及注塑模設計［J］.工程塑料應用，2015，43（4）：68–72. Yang An，Xiao Guohua，Han Liyan，et al. Demoulding mechanism of oil seal cover and screw automobile injection mold design［J］. Engineering Plastics Application，2015，43（4）：68–72.

［9]張文兵， 高慧，沈建新，等.汽車配件“四爪卡子”注塑模具的設計［J］.工程塑料應用，2014，42（12）：71–74. Zhang Wenbing，Gao Hui，Shen Jianxin，et al. Injection mould design of auto plastic part ＂four claw clip＂［J］. Engineering Plastics Application，2014，42（12）：71–74.

［10]張維合.汽車風箱左蓋注塑模設計［J］.中國塑料，2014，28（4）：114–118. Zhang Weihe. Design of injection molds for cars' airtank-left［J］. China Plastics，2014，28（4）：114–118.

［11]張夢夢， 陳澤中，劉會.基于UG與Moldflow的汽車門檻飾條工藝優(yōu)化及模具設計［J］.塑料，2013，42（6）：106–108. Zhang Mengmeng，Chen Zezhong，Liu Hui. Process Optimation and design for injection mold of auto sill molding based on UG & Moldflow［J］. Moldflow plastic，2013，42（6）：106–108.

［12]蘇瞧忠，李志峰，楊斌.基于CAE的汽車檔位手球結構優(yōu)化及模具設計［J］.工程塑料應用，2012，40（3）：66–68. Su Qiaozhong，Li Zhifeng，Yang Bin. Structure improvement and mold design of automobile gear handball based on CAE technology［J］. Engineering Plastics Application，2012，40（3）：66–68.

［13]宋小輝，蘇慶勇，唐萍.汽車空調(diào)暖風機殼體注塑模具設計［J］.工程塑料應用，2012，40（1）：59–61. Song Xiaohui，Su Qingyong，Tang ping. Injection mold design of shell on automobile air-condition heater unit［J］. Engineering Plastics Application，2012，40（1）：59–61.

［14]肖石霞.神經(jīng)網(wǎng)絡和遺傳算法在齒輪注塑成型工藝參數(shù)優(yōu)化中的應用［J］.貴州工業(yè)職業(yè)技術學院學報，2014，9（2）：14–17. Xiao Shixia. Application of neural network and genetic algorithm in the process parameters optimization of gear injection molding［J］. Guizhou Science and Technology Professional College，2014，9（2）：14–17.

［15]劉斌，孫加偉，吳盛金.基于神經(jīng)網(wǎng)絡的注塑制品表面缺陷自動識別方法的研究［J］.塑料工業(yè)，2012，40（2）：38–41. Sun Jiawei，Liu Bin，Wu Shengjin. Automatic recognition of surface defect on injection product based on neural network［J］. China Plastics Industry，2012，40（2）：38–41.

［16]程文博，張云，周華民，等.基于卷積神經(jīng)網(wǎng)絡的注塑制品短射缺陷識別［J］.塑料工業(yè)，2015，43（7）：31–34. Cheng Wenbo，Zhang Yun，Zhou Huamin，et al. The Short shot defect recognition of injection molded plastics based on convolution neural network［J］. China Plastics Industry，2015，43（7）：31–34.

CAE Optimization Analysis of Injection Process Parameters for Automobile CD Bracket

Zhang Jianqing
（Huaihua Vocational and Technical College， Huaihua 418000， China）

Taked the CD bracket of automobile as an example，the product CAE analysis model was built with the practical problems in production，and the Moldflow 2015 software was used to recommend the product. Plastic molding process parameters had carried on the preliminary simulation，injection molding warpage，weld marks，cavitation and other causes of defects were analyzed，and the quality improvement and optimization of the target were given，an injection molding process optimization method based on Taguchi test method and BP neural network is proposed，and the optimization results were verified by CAE mode flow analysis. The results show that neural network prediction results is similar to that of CAE mode flow analysis，the warpage amount is reduced to 1.192 mm，the injection molding process parameters with better products are as follows：raw material temperature is 225℃，mold temperature is 60℃， injection pressure is 70 MPa，injection time is 1.3 s，first holding pressure is 80 MPa，first pressure holding time is 12 s，second holding pressure is 30 MPa，second pressure holding time is 3 s，cooling time is 15 s，the water temperature of C1，C2waterways for cooling cavity is 30℃. The proposed optimization design method can effectively reduce the molding test cost，short the mold production cycle.

CD bracket；CAE analysis；BP neural network；orthogonal test；injection molding

TQ320.66+2

A

1001-3539（2016）07-0073-06

10.3969/j.issn.1001-3539.2016.07.014

*湖南省教育廳資助項目（13C1170）
聯(lián)系人：張建卿，碩士，副教授，研究方向為材料成型與控制

2016-04-13