基于多域正交空間協(xié)同演進(jìn)的薄壁注塑件翹曲優(yōu)化研究

余佳欣，李光明，鄭麗璇，蒙川，王明川

基于多域正交空間協(xié)同演進(jìn)的薄壁注塑件翹曲優(yōu)化研究

余佳欣1，李光明1，鄭麗璇1，蒙川2，王明川3

（1.西南科技大學(xué) 制造科學(xué)與工程學(xué)院，四川 綿陽(yáng) 621010；2.四川航天燎原科技有限公司，成都 610100；3.成都航天模塑股份有限公司成都分公司，成都 610100）

鑒于細(xì)長(zhǎng)、異形、薄壁注塑件成型機(jī)理復(fù)雜，且容易產(chǎn)生翹曲變形，以及傳統(tǒng)工藝優(yōu)化方法存在局限性的問(wèn)題，以某轎車(chē)薄壁件為研究對(duì)象，優(yōu)化注射成型工藝，以實(shí)現(xiàn)降低翹曲變形，提高效率的目的。方法 首先，對(duì)壓力、溫度因素及多重效應(yīng)造成細(xì)長(zhǎng)、異形、薄壁注塑件翹曲變形的機(jī)理進(jìn)行分析。然后，在正交試驗(yàn)設(shè)計(jì)的基礎(chǔ)上，應(yīng)用Moldflow軟件模擬仿真獲取數(shù)據(jù)，并進(jìn)行方差分析，獲得各工藝參數(shù)的顯著性。為了進(jìn)一步優(yōu)化工藝參數(shù)，打破傳統(tǒng)優(yōu)化方法存在的局限，提出一種多域正交空間協(xié)同演進(jìn)（MDOSE）的集成優(yōu)化方法。最后，基于該方法優(yōu)化某轎車(chē)薄壁件的翹曲變形，并將其應(yīng)用于實(shí)際生產(chǎn)制造。結(jié)果 與初始試驗(yàn)方案相比，優(yōu)化后制件方向上的翹曲從1.022 mm降低到了0.085 7 mm，減小了91.6%，證實(shí)了MDOSE優(yōu)化方法的有效性和實(shí)用性。結(jié)論 優(yōu)化結(jié)果表明，MDOSE優(yōu)化方法一定程度上解決了薄壁件的翹曲優(yōu)化問(wèn)題，改善了傳統(tǒng)工藝優(yōu)化方法的局限。機(jī)理分析和工藝方法為往后的薄壁注塑件的實(shí)際生產(chǎn)提供了一定的理論支撐。

注塑成型；薄壁；方差分析；多域正交空間演進(jìn)；翹曲變形

注塑成型作為工業(yè)生產(chǎn)最常用的方法之一，因其成型的方式具有顯著優(yōu)點(diǎn)，目前廣泛應(yīng)用于轎車(chē)、電子等高端消費(fèi)市場(chǎng)。隨著社會(huì)需求日益提高，輕量化的薄壁產(chǎn)品在外觀、裝配等方面不得不面對(duì)越來(lái)越嚴(yán)格的設(shè)計(jì)指標(biāo)，使得注射成型過(guò)程的控制變得更為困難。但是迄今為止，尚未有足夠的相關(guān)經(jīng)驗(yàn)和理論來(lái)支撐這種類(lèi)型零件的制造[1]。因此，在制造過(guò)程中很容易產(chǎn)生成型缺陷，特別是翹曲變形已成為薄壁塑件成型亟待解決的質(zhì)量問(wèn)題。

在降低制件翹曲變形等方面，有限元（CAE）軟件和DOE方法的集成發(fā)揮了重要作用，能夠避免大量的無(wú)序探索，縮短周期，有效地優(yōu)化注塑工藝參數(shù)。Song等[2]、Chiang等[3]、Nian等[4]和Masato等[5]利用DOE方法進(jìn)行了試驗(yàn)設(shè)計(jì)，再通過(guò)極差分析、S/N比分析和方差分析等得到了幾種因素不同水平下的最佳工藝方案，同時(shí)研究了對(duì)薄壁零件翹曲變形影響最顯著的工藝參數(shù)。但不同注塑零件的顯著影響參數(shù)都不同，如丁永峰等[6]發(fā)現(xiàn)影響某手機(jī)后蓋薄壁制件翹曲變形的因素依次是注射時(shí)間、熔體溫度、模具溫度和保壓壓力。Huang等[7]則發(fā)現(xiàn)影響某ABS加PC薄壁零件翹曲最顯著的是保壓時(shí)間，其次是注射速度和熔體溫度。

由于注塑成型的多因素之間存在復(fù)雜的交互關(guān)系，僅通過(guò)試驗(yàn)方法很難獲得最優(yōu)工藝參數(shù)。因此，許多數(shù)學(xué)建模方法被用于映射多個(gè)工藝參數(shù)和成型缺陷之間的這種非線性關(guān)系，再采用尋優(yōu)算法獲取解空間的最優(yōu)參數(shù)組合，使塑料零件的缺陷最小化。眾多國(guó)內(nèi)外學(xué)者采用支持向量機(jī)[8]、神經(jīng)網(wǎng)絡(luò)[8-10]、響應(yīng)面[11]、隨機(jī)森林[12]和徑向基函數(shù)[13]等方法建立了質(zhì)量目標(biāo)和工藝參數(shù)的代理模型。在此基礎(chǔ)上，主要采用生物進(jìn)化算法（遺傳算法[8,10,12-13]）和群體智能搜索算法（PSO[9,14-15]）等進(jìn)行優(yōu)化，取得了較好的結(jié)果。

然而，對(duì)于細(xì)長(zhǎng)、異形、薄壁的制件而言，工藝條件更難控制，成型過(guò)程受到溫度、壓力、時(shí)間及結(jié)構(gòu)等多維因素的共同作用，是一個(gè)復(fù)雜的熱流變成型系統(tǒng)。在解空間中存在“多峰”和“跳躍波動(dòng)”等強(qiáng)非線性現(xiàn)象，使得常規(guī)優(yōu)化算法極易陷入局部最優(yōu)，出現(xiàn)“早熟”或“種群?jiǎn)我恍浴钡葐?wèn)題，導(dǎo)致不易收斂或收斂精度低且效率低下。

依據(jù)細(xì)長(zhǎng)、異形、薄壁結(jié)構(gòu)注塑件的成型特征，文中首先對(duì)壓力、溫度等因素造成翹曲變形的多重效應(yīng)機(jī)理進(jìn)行分析。應(yīng)用MoldFlow進(jìn)行數(shù)值仿真，獲得翹曲變形量。然后，根據(jù)統(tǒng)計(jì)分析方法確定各因素的顯著性，定量地證實(shí)多重效應(yīng)機(jī)理的合理性，確定優(yōu)化的工藝參數(shù)。在優(yōu)化過(guò)程中，文中采用多域正交空間逐層協(xié)同競(jìng)爭(zhēng)的架構(gòu)和余弦退火衰減方法，增強(qiáng)粒子群搜索到全局最優(yōu)的概率，并增加跳出局部極值的機(jī)制，防止早熟收斂，提出多域正交空間協(xié)同演進(jìn)方法（MDOSE）。最后，基于該方法優(yōu)化某轎車(chē)薄壁注塑件的向翹曲，采用優(yōu)化方案進(jìn)行仿真和實(shí)際加工，獲得了較好的優(yōu)化效果，驗(yàn)證了算法的有效性。

1 數(shù)值模型

1.1 模型處理

以某轎車(chē)薄壁注塑件產(chǎn)品為研究對(duì)象，零件如圖1所示，尺寸（長(zhǎng)′寬′高）為192 mm′37 mm′25 mm，平均壁厚為1.5 mm，外表面要求光滑，內(nèi)表面結(jié)構(gòu)特征相對(duì)較多。因裝配需求，對(duì)零件豎直部分底面的翹曲變形要求較高，因此，以向翹曲變形作為研究對(duì)象。通過(guò)Moldflow進(jìn)行仿真，采用雙層面網(wǎng)格，劃分得到19 836個(gè)三角形網(wǎng)格，網(wǎng)格匹配率為90.7%，沒(méi)有自由邊和重疊面等網(wǎng)格缺陷，網(wǎng)格質(zhì)量符合分析要求。

圖1 零件3D模型

為了在保證精度的同時(shí)不降低生產(chǎn)效率，模具結(jié)構(gòu)采用兩個(gè)型腔，以及澆口對(duì)稱(chēng)的布局形式。由于制品外觀要求較高，將澆口放置在內(nèi)側(cè)中間位置，并采用牛角潛伏式的澆口。

不合理的冷卻系統(tǒng)易造成冷卻不均，從而導(dǎo)致產(chǎn)品翹曲變形向較熱的一側(cè)彎曲。由于制品具有非規(guī)則形狀，零件拐角處易積熱，為了保證冷卻系統(tǒng)具有良好的散熱效果，冷卻均勻，采用隨形水路方式進(jìn)行布置，如圖2所示。

圖2 冷卻系統(tǒng)

1.2 材料參數(shù)

產(chǎn)品所用材料為聚丙烯（PP），牌號(hào)Globalene 6331，主要特性參數(shù)如表1所示。

表1 材料主要特性參數(shù)

Tab.1 Main process parameters of material

2 翹曲機(jī)理分析

結(jié)合以往的研究結(jié)果可知，壓力和溫度相關(guān)工藝參數(shù)對(duì)翹曲的影響較大，因此，對(duì)這兩個(gè)因素的影響機(jī)理進(jìn)行深入分析，并討論多重效應(yīng)對(duì)該薄壁注塑件翹曲變形的影響。

2.1 壓力的影響

壓力是影響翹曲的重要因素[4]。假設(shè)模腔截面為矩形，則壓降與熔體流動(dòng)前沿的關(guān)系[16]可以通過(guò)式（1）描述。

式中：DP為壓降；η為熔體黏度；l為流動(dòng)長(zhǎng)度；Q為體積流量；w、h分別為截面的寬度和厚度。從式（1）可以看出，型腔截面厚度對(duì)壓降的影響最大，對(duì)于薄壁注塑件，壓力更容易損失衰減；而更長(zhǎng)的流動(dòng)長(zhǎng)度，以及溫度降低造成的熔體黏度增大也會(huì)增大壓降。圖3所示為該薄壁件澆口到型腔末端的壓力分布，靠近澆口的周?chē)哂休^高的壓力，而遠(yuǎn)離澆口時(shí)壓力開(kāi)始迅速降低。

熱的聚合物熔體接觸型腔壁面迅速冷卻形成凝固的外層，外層向內(nèi)部收縮，使熔體體積減小。壓力較小時(shí)，核心層的壓力不足以抵消收縮，表現(xiàn)出較大的體積收縮；相反地，壓力較大時(shí)，核心層的壓力阻止了外層向內(nèi)的部分收縮，體積收縮較小。因此，壓力分布的不均勻造成注塑件體積收縮不均，進(jìn)而導(dǎo)致翹曲變形。

2.2 溫度的影響

溫度也是影響塑件翹曲的重要因素[4]。熔體進(jìn)入型腔后，熱量通過(guò)型腔表面迅速散失，會(huì)使零件快速冷卻。特別是在薄壁成型制件中，由于壁厚更薄，熔體熱量損失較快，造成流動(dòng)前沿溫度迅速降低。而在填充時(shí)，澆口周?chē)鷧^(qū)域不僅會(huì)持續(xù)有新的高溫熔體補(bǔ)充，而且此處還有較高的流動(dòng)速率，會(huì)產(chǎn)生一定的摩擦熱，這使得澆口周?chē)娜垠w相較于填充末端保持著更高的溫度。所以，型腔內(nèi)的熔體會(huì)呈現(xiàn)距離澆口位置越遠(yuǎn)溫度越低的趨勢(shì)，如圖4所示。熔體的體積收縮受到溫度影響，溫度越高收縮越大，溫度低則收縮小，收縮的不一致導(dǎo)致了制件的翹曲變形。

圖4 距離-溫度-體積收縮率

2.3 多重效應(yīng)的影響

為研究造成該薄壁注塑件翹曲的原因，通過(guò)Moldflow進(jìn)行仿真分析。圖5所示為該薄壁注塑零件的向翹曲變形，零件兩端有較大的向正向翹曲，同時(shí)中間部位有向的負(fù)向翹曲，使零件呈現(xiàn)兩端翹起、中間下凹的變形狀態(tài)。

圖5 z向翹曲變形

一般翹曲變形是由多重效應(yīng)共同造成的。由上述分析可知，薄壁注塑成型中，熔體從澆口射出向兩邊流動(dòng)后，壓力和聚合物熔體溫度會(huì)迅速降低。壓力沿熔體流動(dòng)方向遞減分布，導(dǎo)致澆口周?chē)鷫毫Υ螅慵畛淠┒藟毫π?。以圓形薄板零件為例，這會(huì)使零件填充末端向中心收縮，造成周?chē)N起的變形，如圖6a所示。而溫度沿填充方向的遞減分布導(dǎo)致澆口周?chē)鷾囟雀?，填充末端溫度低，使圓形薄板零件出現(xiàn)如圖6b所示的鞍形翹曲變形。因此，該薄壁注塑的翹曲變形主要是由于壓力和溫度的雙重效應(yīng)共同作用，兩種翹曲變形耦合下，形成了制件兩端向上翹起和中間下凹的變形。

圖6 壓力和溫度對(duì)翹曲的影響

通過(guò)上述分析不難發(fā)現(xiàn)，工藝參數(shù)對(duì)該轎車(chē)薄壁類(lèi)注塑件的翹曲有較大影響，為此開(kāi)展工藝參數(shù)的正交試驗(yàn)研究。

3 正交試驗(yàn)和分析

3.1 正交試驗(yàn)結(jié)果

依據(jù)上述的分析，選取熔體溫度（melt）、保壓壓力（）、保壓時(shí)間（p）、模具溫度（mold）、冷卻時(shí)間（c）和注射時(shí)間（inj）作為翹曲優(yōu)化的研究因素。此次試驗(yàn)針對(duì)這6個(gè)工藝參數(shù)，根據(jù)注塑成型工藝和材料推薦參數(shù)，每個(gè)參數(shù)選取3個(gè)水平。同時(shí)需要驗(yàn)證因素間的交互作用，因此，選用13因素3水平的27(313)正交試驗(yàn)表進(jìn)行模擬仿真試驗(yàn)，如表2所示。按照表中工藝數(shù)據(jù)，通過(guò)Moldflow進(jìn)行仿真獲得制件向翹曲變形量W。

3.2 工藝分析

為了確定以上各種設(shè)計(jì)變量對(duì)向翹曲的影響，提高工藝優(yōu)化的效率，利用方差分析確定各工藝參數(shù)的顯著性。向翹曲的方差分析結(jié)果如表3所示。由表3可知，對(duì)向翹曲影響最顯著的因素為保壓時(shí)間，其次是熔體溫度和保壓壓力的交互作用（′）、模具溫度和熔體溫度，且保壓壓力和注射時(shí)間也較為顯著，冷卻時(shí)間以及保壓時(shí)間和保壓壓力的交互作用（′）不顯著，說(shuō)明溫度和壓力對(duì)翹曲影響較大，與上述機(jī)理分析相吻合。

表2 正交試驗(yàn)結(jié)果

Tab.2 Results of the orthogonal test

續(xù)表2

表3 翹曲方差分析

Tab.3 Variance analysis of warpage

Note: “*” represents the degree of significance of factors, and the greater the number, the greater the significance.

根據(jù)材料推薦的工藝范圍、以往經(jīng)驗(yàn)和以上分析結(jié)果，確定以下5個(gè)工藝參數(shù)作為優(yōu)化該零件翹曲變形的設(shè)計(jì)變量，并設(shè)定其調(diào)節(jié)范圍，如表4所示。

表4 工藝參數(shù)的調(diào)節(jié)范圍

Tab.4 Adjustment range of process parameters

以上利用Taguchi方法設(shè)計(jì)試驗(yàn)，再進(jìn)行分析的方式計(jì)算量小，但選擇參數(shù)水平需要一定的經(jīng)驗(yàn)，且不能實(shí)現(xiàn)參數(shù)范圍內(nèi)的全局優(yōu)化，精度較低[17-18]。為此，提出一種多域正交空間協(xié)同演進(jìn)（MDOSE）的集成優(yōu)化方法，在全局范圍內(nèi)搜索最優(yōu)解。

4 MDOSE優(yōu)化方法

4.1 粒子群搜索

粒子群搜索（PSO）是模擬鳥(niǎo)群隨機(jī)搜尋食物的捕食行為，基本思想是利用個(gè)體在群體內(nèi)的信息交互和共享，從而使整個(gè)群體在求解空間中運(yùn)動(dòng)產(chǎn)生有序演化的過(guò)程。因其過(guò)程直接、收斂迅速、全局搜索能力強(qiáng)等優(yōu)點(diǎn)被廣泛應(yīng)用于求解優(yōu)化問(wèn)題，取得了較好的效果[19-20]。

PSO算法應(yīng)用廣泛，當(dāng)前主流的研究方向是基于隨機(jī)過(guò)程理論，使用馬爾科夫鏈模型描述粒子的狀態(tài)，分析粒子狀態(tài)序列，并計(jì)算粒子的轉(zhuǎn)移概率[19-20]。由于粒子之間的狀態(tài)相互獨(dú)立，當(dāng)群體中粒子個(gè)數(shù)趨于無(wú)窮時(shí)，即種群的多樣性足夠大，得到的信息量趨于無(wú)限時(shí)，算法能以概率1收斂至全局最優(yōu)。但在實(shí)際搜索過(guò)程中種群的個(gè)體數(shù)量是有限的，無(wú)法做到無(wú)窮，且種群過(guò)于龐大時(shí)會(huì)造成計(jì)算代價(jià)急劇上升。如果有限粒子能通過(guò)空間散布的方式，較大程度地采樣到接近無(wú)限粒子獲取的信息量，就可以提高找到全局最優(yōu)的概率，從而能提高粒子群全局搜索的尋優(yōu)能力。

4.2 多域正交空間

正交設(shè)計(jì)是處理多因素多水平試驗(yàn)的一種方法。正交陣列均衡搭配、綜合可比的特點(diǎn)[21]使得散布的試驗(yàn)點(diǎn)代表空間信息量的概率相比于隨機(jī)分布的方式更大。而按照固定的膨脹因子擴(kuò)展正交陣列時(shí)，描述的正交空間大小受到限制。較大的膨脹因子有較好的全局信息描述的能力，但容易在最優(yōu)值附近反復(fù)振蕩難以收斂。相反地，較小的膨脹因子具有較好的局部信息描述能力，但找到最優(yōu)值的速度較慢，且不易跳出局部極值。

因此，由深度學(xué)習(xí)中的學(xué)習(xí)率余弦退火衰減方法[22]獲得啟發(fā)，采用該方法更新正交空間的膨脹因子。通過(guò)式（3）設(shè)置多個(gè)正交空間的膨脹因子隨迭代在最大值和最小值之間交替周期變化。以5個(gè)粒子為例，更新單個(gè)因素的膨脹因子，如圖7所示，從而保證同時(shí)具有好的局部和全局搜索能力。

式中：，m為種群粒子數(shù)； 為迭代次數(shù)，為最大迭代次數(shù)；為第j個(gè)粒子第t次迭代的膨脹因子，而、分別為膨脹因子的最大值和最小值，為相位；T為曲線變化的周期，為對(duì)t+k取底為T(mén)的余數(shù)。

4.3 跳出機(jī)制

該算法的粒子狀態(tài)更新依賴(lài)于粒子群搜索算法，所以存在粒子群搜索的優(yōu)缺點(diǎn)。算法搜索速度快，粒子能迅速向極值聚集，但其他粒子也容易因此過(guò)度依賴(lài)群體最優(yōu)個(gè)體，導(dǎo)致陷入局部極值不易跳出[23]。

4.4 MDOSE的實(shí)現(xiàn)

基于上述討論，提出多域正交空間的動(dòng)態(tài)演進(jìn)思想。雖然部分學(xué)者為提高粒子群算法的收斂速度和全局尋優(yōu)能力，已經(jīng)提出了類(lèi)似的優(yōu)化算法（OE-PSO[24]和ODMOPSO[25]），獲得了較好的收斂速度和更精確的解，但其僅是利用正交試驗(yàn)進(jìn)行種群初始化，屬于靜態(tài)方式。

首先，在解空間內(nèi)隨機(jī)選取一組向量作為中心，通過(guò)膨脹因子構(gòu)建多個(gè)正交陣列L(Q)。多個(gè)正交陣列形成多域正交空間，再利用極差分析找出每個(gè)正交陣列的組合點(diǎn)e，通過(guò)和正交陣列最優(yōu)試驗(yàn)點(diǎn)o競(jìng)爭(zhēng)，將多域正交空間收縮至一點(diǎn)（*）。把每個(gè)正交空間的*作為粒子新的初始位置，然后通過(guò)PSO為粒子的更新提供方向和動(dòng)力，再通過(guò)膨脹形成新的多域正交空間。利用“膨脹-競(jìng)爭(zhēng)-收縮-膨脹”的反復(fù)動(dòng)態(tài)迭代，提高搜索的多樣性。

具體實(shí)現(xiàn)步驟如下：

5 結(jié)果與討論

將MDOSE優(yōu)化方法應(yīng)用于某轎車(chē)薄壁注塑件生產(chǎn)工藝參數(shù)的優(yōu)化，以降低翹曲變形，提升產(chǎn)品質(zhì)量。

圖8 優(yōu)化迭代圖

優(yōu)化后的最優(yōu)工藝方案為模具溫度30 ℃、熔體溫度270 ℃、注射時(shí)間0.96 s、保壓時(shí)間6.8 s和保壓壓力98 MPa。圖9所示為優(yōu)化前后數(shù)值仿真的結(jié)果，注塑件向翹曲變形量從1.022 mm降低到了0.085 7 mm。優(yōu)化前存在明顯的翹曲變形和收縮，優(yōu)化后翹曲變形得到有效改善，注塑件兩端的收縮也明顯減小。

圖9 優(yōu)化前后z向翹曲圖

再將該方法應(yīng)用于實(shí)際生產(chǎn)制造中，得到的注塑件翹曲變形情況如圖10所示，優(yōu)化效果顯著，說(shuō)明MDOSE算法優(yōu)化有效，可用于注塑件工藝優(yōu)化的實(shí)際生產(chǎn)中。

圖10 優(yōu)化前后實(shí)物對(duì)比

6 結(jié)論

針對(duì)細(xì)長(zhǎng)、異形、薄壁結(jié)構(gòu)注塑件的成型特征，深入討論了壓力、溫度等工藝因素造成翹曲變形的多重效應(yīng)機(jī)理，并采用方差分析證實(shí)了該機(jī)理的合理性。對(duì)于解空間中存在的強(qiáng)非線性現(xiàn)象，進(jìn)一步研究了多域正交空間協(xié)同演進(jìn)（MDOSE）的集成優(yōu)化方法。通過(guò)對(duì)某轎車(chē)薄壁注塑件翹曲變形進(jìn)行優(yōu)化，采用仿真和實(shí)際加工驗(yàn)證了算法的優(yōu)勢(shì)，得到以下主要結(jié)論。

1）對(duì)該薄壁注塑件向翹曲變形影響最顯著的工藝參數(shù)為保壓時(shí)間，其次是熔體溫度和保壓壓力的交互作用、模具溫度和熔體溫度，且保壓壓力和注射時(shí)間也較為顯著，符合溫度和壓力的交互作用引起翹曲變形的機(jī)理分析。

2）工藝參數(shù)優(yōu)化后，得到最優(yōu)的工藝方案為模具溫度30 ℃、熔體溫度270 ℃、注射時(shí)間0.96 s、保壓時(shí)間6.8 s和保壓壓力98 MPa。

3）優(yōu)化后，注塑件向翹曲變形量從1.022 mm降至0.085 7 mm。相較于正交試驗(yàn)設(shè)計(jì)及傳統(tǒng)的PSO和GA具有更好的優(yōu)化效果。

4）MDOSE優(yōu)化方法具有較好的優(yōu)化能力和實(shí)用性，有效地減小了注塑件的翹曲變形，可以應(yīng)用于實(shí)際生產(chǎn)中。

[1] CAO Yan-li, FAN Xi-ying, GUO Yong-huan, et al. Experimental-Based Optimization of Polymer Injection Molding Process Parameters Using Anfis-Ga Method[J]. Journal of Mechanical Science and Technology, 2022, 36(3): 1189-1196.

[2] SONG M C, LIU Z, WANG M J, et al. Research on Effects of Injection Process Parameters on the Molding Process for Ultra-Thin Wall Plastic Parts[J]. Journal of Materials Processing Technology, 2007, 187-188: 668-671.

[3] CHIANG Y C, CHENG H C, HUANG C F, et al. Warpage Phenomenon of Thin-Wall Injection Molding[J]. The International Journal of Advanced Manufacturing Technology, 2011, 55(5): 517-526.

[4] NIAN S C , WU C Y, HUANG M S. Warpage Control of Thin-Walled Injection Molding Using Local Mold Temperatures[J]. International Communications in Heat and Mass Transfer, 2015, 61: 102-110.

[5] MASATO D, RATHORE J, SORGATO M, et al. Analysis of the Shrinkage of Injection-Molded Fiber-Reinforced Thin-Wall Parts[J]. Materials & Design, 2017, 132: 496-504.

[6] 丁永峰, 龍嬋娟. PC+ABS工程塑料合金薄壁制件注塑工藝參數(shù)的優(yōu)化[J]. 機(jī)械工程材料, 2019, 43(11): 12-15.

DING Yong-feng, LONG Chan-juan. Optimization of Injection Process Parameters of PC+ABS Engineering Plastic Alloy Thin-Walled Parts[J]. Materials for Mechanical Engineering, 2019, 43(11): 12-15.

[7] HUANG Y T, HUANG C F, PENG B Y, et al. Experimental and Numerical Study Determining the Warpage Phenomenon of Thin-Wall Injection Molding[J]. Advances in Polymer Technology, 2020, 2020: 1-13.

[8] SONG Zhi-yuan, LIU Shu-mei, WANG Xing-xing, et al. Optimization and Prediction of Volume Shrinkage and Warpage of Injection-Molded Thin-Walled Parts Based on Neural Network[J]. The International Journal of Advanced Manufacturing Technology, 2020, 109(3): 755-769.

[9] 劉鋒, 龐建軍, 陳宇軒, 等. 基于Taguchi與BPNN-PSO的薄壁注塑件翹曲變形優(yōu)化[J]. 工程塑料應(yīng)用, 2021, 49(2): 74-79.

LIU Feng, PANG Jian-jun, CHEN Yu-xuan, et al. Optimization of Warpage Deformation of Thin-Wall Injection Molded Part Based on Taguchi Test and BPNN-PSO[J]. Engineering Plastics Application, 2021, 49(2): 74-79.

[10] FENG Qing-qing, LIU Ling-zhuo, ZHOU Xiong-hui. Automated Multi-Objective Optimization for Thin-Walled Plastic Products Using Taguchi, ANOVA, and Hybrid ANN-MOGA[J]. The International Journal of Advanced Manufacturing Technology, 2020, 106(1): 559-575.

[11] ROSLI M U, AHMAD TERMIZI S N A, KHOR C Y, et al. Simulation Based Optimization of Thin Wall Injection Molding Parameter Using Response Surface Methodology[J]. IOP Conference Series: Materials Science and Engineering, 2020, 864(1): 012193.

[12] 曹艷麗, 范希營(yíng), 郭永環(huán), 等. 采用RFR-GA算法的薄壁注塑件質(zhì)量多目標(biāo)優(yōu)化[J]. 塑料工業(yè), 2021, 49(1): 65-70.

CAO Yan-li, FAN Xi-ying, GUO Yong-huan, et al. Multi-Objective Optimization of Injection Process Parameters for Thin-Walled Parts Based on RFR-GA Algorithm[J]. China Plastics Industry, 2021, 49(1): 65-70.

[13] FENG Qing-qing, ZHOU Xiong-hui. Automated and Robust Multi-Objective Optimal Design of Thin-Walled Product Injection Process Based on Hybrid RBF-MOGA[J]. The International Journal of Advanced Manufacturing Technology, 2019, 101(9): 2217-2231.

[14] LI Qiu-li, BU Le-ping, LUO Hui, et al. Optimization of Injection Molding of Display Panel Based on PSO-BP Neural Network[J]. Journal of Physics: Conference Series, 2021, 1986(1): 012076.

[15] WANG De-zhao, FAN Xi-ying, GUO Yong-huan, et al. Quality Prediction and Control of Thin-Walled Shell Injection Molding Based on GWO-PSO, ACO-BP, and NSGA-II[J]. Journal of Polymer Engineering, 2022, 42(9): 876-884.

[16] KAZMER D O. Injection Mold Design Engineering[M]. München: Carl Hanser Verlag GmbH Co KG, 2016.

[17] MUKRAS S M S, OMAR H M, AL-MUFADI F A. Experimental-Based Multi-Objective Optimization of Injection Molding Process Parameters[J].Arabian Journal for Science and Engineering, 2019, 44(9): 7653-7665.

[18] MUKRAS S M S. Experimental-Based Optimization of Injection Molding Process Parameters for Short Product Cycle Time[J]. Advances in Polymer Technology, 2020, 2020: 1-15.

[19] XU Gang, LUO Kun, JING Guo-xiu, et al. On Convergence Analysis of Multi-Objective Particle Swarm Optimization Algorithm[J]. European Journal of Operational Research, 2020, 286(1): 32-38.

[20] 潘峰, 周倩, 李位星, 等. 標(biāo)準(zhǔn)粒子群優(yōu)化算法的馬爾科夫鏈分析[J]. 自動(dòng)化學(xué)報(bào), 2013, 39(4): 381-389.

PAN Feng, ZHOU Qian, LI Wei-xing, et al. Analysis of Standard Particle Swarm Optimization Algorithm Based on Markov Chain[J]. Acta Automatica Sinica, 2013, 39(4): 381-389.

[21] 張永林. 正交實(shí)驗(yàn)點(diǎn)的空間分布[J]. 數(shù)理統(tǒng)計(jì)與應(yīng)用概率, 1997(3): 282-286.

ZHANG Yong-lin. Spatial Distribution of Orthogonal Experimental Points[J]. Mathematical Statistics and Applied Probability, 1997(3): 282-286.

[22] LOSHCHILOV I, HUTTER F. SGDR: Stochastic Gradient Descent with Warm Restarts[M]. arXiv, 2017.

[23] SHAMI T M, EL-SALEH A A, ALSWAITTI M, et al. Particle Swarm Optimization: A Comprehensive Survey[J]. IEEE Access, 2022, 10: 10031-10061.

[24] 王姝, 陳崚. 基于正交試驗(yàn)設(shè)計(jì)的粒子群優(yōu)化算法[J]. 揚(yáng)州大學(xué)學(xué)報(bào)(自然科學(xué)版), 2010, 13(2): 57-60.

WANG Shu, CHEN Ling. A PSO Algorithm Based on Orthogonal Experimental Design[J]. Journal of Yangzhou University (Natural Science Edition), 2010, 13(2): 57-60.

[25] 劉衍民, 趙慶禎, 牛奔. 基于正交設(shè)計(jì)的多目標(biāo)粒子群算法[J]. 計(jì)算機(jī)應(yīng)用研究, 2011, 28(1): 72-74.

LIU Yan-min, ZHAO Qing-zhen, NIU Ben. Multi-Obje-ctive Particle Swarm Optimizer Based on Orthogonal Design[J]. Application Research of Computers, 2011, 28(1): 72-74.

Warpage Optimization of Thin-walled Injection Molded Part Based on Multi-domain Orthogonal Space Co-evolution

YU Jia-xin1, LI Guang-ming1, ZHENG Li-xuan1, MENG Chuan2, WANG Ming-chuan3

(1. School of Manufacturing Science and Engineering, Southwest University of Science and Technology, Sichuan Mianyang 621010, China; 2. Sichuan Aerospace Liaoyuan Science and Technology Co., Ltd., Chengdu 610100, China; 3. Chengdu Mould Branch of Chengdu Aerospace Mould & Plastics Co., Ltd., Chengdu 610100, China)

Given the complex molding mechanism of slender, shaped, and thin-walled injection molded part which is prone to warpage and the limitations of traditional process optimization methods, the work aims to optimize the injection molding process of the thin-walled part of a car, in order to achieve the purpose of reducing warpage and improving efficiency. The warpage mechanism of slender, shaped, and thin-walled injection molded part caused by pressure, temperature and multiple effects was firstly analyzed. Then, based on orthogonal experimental design, Moldflow simulation was applied to obtain data, and ANOVA was performed to obtain the significance of each process parameter. To further optimize the process parameters and solve the limitations of traditional optimization methods, an integrated optimization method of multi-domain orthogonal space co-evolution (MDOSE) was proposed. Finally, based on this method, the warpage of the thin-walled part of a car was optimized and applied to the actual manufacturing. Compared with the initial experimental scheme, the warpage in the-direction of the optimized part was reduced from 1.022 mm to 0.085 7 mm, with a reduction rate of 91.6%, which verified the effectiveness and practicality of the MDOSE optimization method. According to the optimization results, the MDOSE optimization method has solved the warpage problem of thin-walled part to a certain extent and improved the limitations of the traditional process optimization method. The mechanism analysis and process method provide some theoretical support for the future practical production of thin-walled injection molded parts.

injection molding; thin-walled; ANOVA; multi-domain orthogonal space evolution; warpage

10.3969/j.issn.1674-6457.2023.02.018

TQ320.66

A

1674-6457(2023)02-0151-09

2022?08?03

2022-08-03

國(guó)家自然科學(xué)基金（61901400）；四川省國(guó)際科技合作項(xiàng)目（2021YFH0089）

National Natural Science Foundation of China (61901400); Sichuan International Science and Technology Cooperation Project (2021YFH0089)

余佳欣（1996—），男，碩士生，主要研究方向?yàn)閿?shù)字化設(shè)計(jì)、仿真與制造。

YU Jia-xin (1996-), Male, Postgraduate, Research focus: digital design, simulation and manufacturing.

李光明（1976—），男，博士，講師，主要研究方向?yàn)橄冗M(jìn)制造技術(shù)、模具CAD/CAE。

LI Guang-ming (1976-), Male, Doctor, Lecturer, Research focus: advanced manufacturing technology and mold CAD/CAE.

余佳欣, 李光明, 鄭麗璇, 等. 基于多域正交空間協(xié)同演進(jìn)的薄壁注塑件翹曲優(yōu)化研究[J]. 精密成形工程, 2023, 15(2): 151-159.

YU Jia-xin, LI Guang-ming, ZHENG Li-xuan, et al. Warpage Optimization of Thin-walled Injection Molded Part Based on Multi-domain Orthogonal Space Co-evolution[J]. Journal of Netshape Forming Engineering, 2023, 15(2): 151-159.