注塑成型工藝參數的優化研究進展

陳 妍

（天津商務職業學院，天津市 300359）

在注塑成型過程中，合理設置注塑工藝參數是獲得高質量塑料制品的前提。在確定了注塑機和模具結構以及原料后，決定塑料制品質量最主要的因素是注塑成型工藝。注塑成型工藝參數通?？梢圆捎谜辉囼灧?、神經網絡模型和遺傳算法進行優化得到最優配置組合［1］。本文主要綜述了注塑成型工藝參數的優化研究進展。

1 正交試驗及數據分析

正交試驗設計是研究多因素多水平的一種方法，是從全面實驗中挑選出部分有代表性的點進行實驗，這些點“均勻分散，齊整可比”。正交試驗可以提高效率、縮短實驗周期。正交試驗數據分析可以使用極差分析、耦合推廣正交算法、灰色關聯度分析法等多種數據分析方法［2-3］。

1.1 正交試驗數據極差分析

極差分析法計算簡單，計算結果可以反映數據之間的差異。首先求各因素、水平的指標值，求得同一水平各因素指標平均值，得出不同因素在不同水平下的實驗指標值，進而確定較好的水平參數組合。通過評價指標的影響程度對各因素進行排序，能夠以最少的實驗次數得到最優工藝參數組合。通過求取實驗指標在不同水平下的最大均值與最小均值的差，得到指標的極差，極差越大表明該指標對產品質量影響程度越大，可以得到因素對目標的影響趨勢［4-5］。王乾［6］以丙烯腈-丁二烯-苯乙烯共聚物為原料制造汽車收納盒。使用Moldflow軟件建立網絡模型，根據軟件推薦的工藝參數，即熔體溫度為200～260 ℃，模具溫度為20～60 ℃，頂出溫度為93 ℃，熱導率為0.193 W/（m·℃），最大剪切應力為0.3 MPa，最大剪切速率為50 000 s-1，在此條件下，制品出現了體積收縮和翹曲變形現象，需對注塑參數進行優化。通過正交試驗并采取極差分析，選取模具溫度、熔體溫度、注射時間、保壓壓力和冷卻時間5個工藝參數作為實驗因素，分為4個水平，保壓時間設定為10 s。根據5因素4水平設計正交試驗。以體積收縮率和y方向上的翹曲變形量為研究對象，對每一水平的注塑參數組合方案進行模流分析，獲得體積收縮率和y方向上的翹曲變形量。結果表明，對制品體積收縮率的影響因素由大到小依次為熔體溫度、保壓壓力、模具溫度、冷卻時間和注射時間。對y方向翹曲變形量的影響因素由大到小依次為保壓壓力、熔體溫度、冷卻時間、模具溫度和注射時間。最終得到的最佳工藝參數組合是：注射時間1.6 s、保壓壓力47.25 MPa、冷卻時間20 s、模具溫度25 ℃、熔體溫度240 ℃。按照此優化工藝參數進行調試，制品長度方向的體積收縮率為4.82%，寬度方向的體積收縮率為4.69%，高度方向的體積收縮率為4.71%，平均體積收縮率為4.74%，y方向翹曲變形量為0.331 mm，符合廠家的生產要求。汪海濤［7］以質量分數30%的玻璃纖維增強聚酰胺為原料制造墻壁開關固定架，并采用正交試驗法對注塑成型工藝參數進行優化。塑件內部多處需要有加強筋并要裝配在玻璃面板上，因此對安裝平面平整度要求較高。在采用Moldflow軟件進行分析過程中，選用螺桿直徑為45 mm、螺桿長徑比為20、最大注塑壓力為148 MPa的注射成型機虛擬試模。采用正交試驗法，以固定架總翹曲變形量為研究對象，選取模具溫度、熔體溫度、注射時間、保壓壓力和冷卻時間等5個工藝參數，設計了5因素4水平正交試驗。通過極差分析，得到翹曲變形量最小的參數組合，即模具溫度為60 ℃、熔體溫度為270 ℃、注射時間為0.8 s、保壓壓力為70 MPa、冷卻時間為15 s，在此條件下制備的塑件的總翹曲變形量為0.718 1 mm，較之前16組實驗翹曲變形量的最小值0.737 4 mm降低了3.0%。

1.2 耦合推廣正交算法

注塑加工工藝對加工成本、塑件性能、生產效率有影響。在注塑工藝設計過程中，為解決各工藝參數相互耦合，將目標定義為多個設計目標。由于耦合關系是影響設計指標工藝參數的關鍵因素，因此，在優化工藝參數的過程中，需要在正交試驗數組中融入工藝參數的耦合強度矩陣，在推廣正交法的基礎上優化注塑工藝參數。一個優化問題中存在n個參數，在相對復雜程度較高的系統中，如果表征參數耦合關系時只使用了布爾形式，此時所顯示的內容肯定是缺乏完善性的。在進行注塑工藝參數設計優化時，工藝參數較多，同時表現出復雜的耦合關系。對工藝參數耦合強度關系進行表示時，要考慮參數間關聯性以及加工工藝過程的先后順序［8］。

汪?？?］使用Moldflow軟件模擬采用硬質聚氯乙烯生產食品級軟管的過程，主流道和側流道共同構成澆注系統。進入工藝參數耦合子模塊確定研究指標，對耦合強度進行計算。研究指標包括制品最大翹曲變形量、熔料填充過程制品最大表面溫差、注塑加工過程比能耗。注塑裝備的比能耗應不大于0.55 kW·h/kg，合模力為2 805 kN。根據已有設計經驗，選取6個因素，分別是模具溫度、熔體溫度、開模時間、保壓壓力、注射時間和保壓時間，選取5個水平。對于選定的6個工藝參數組合，根據正交試驗法對其進行篩選確定正交表，模擬25種工藝參數組合，計算6個注塑工藝參數在各自參數值下的不同指標均值，確定占優關系，對各參數占優關系的卡式積進行連乘，從而獲得演化小生境組合，通過耦合推廣正交算法求出注塑加工設計問題，確定最優的工藝參數組合解集，同時滿足精度要求。結果表明，指標中存在最優解，即熔體溫度245 ℃、模具溫度55.5 ℃、保壓壓力55.5 Pa、開模時間4.55 s、保壓時間32.2 s、注射時間3.6 s；參數組合對應的比能耗0.397 kW·h/kg、最大表面溫差24.7 ℃、最大翹曲變形量0.819 mm，誤差全部小于2.49%，與各項性能指標單項最優值接近。

1.3 灰色關聯度分析法

灰色關聯度分析法是以各因素的樣本數據為依據，用灰色關聯度來描述因素間關系的強弱、大小和次序的一種量化方法。應用灰色關聯度分析法對正交試驗數據進行灰色關聯度單目標優化，可以獲取最優注塑成型工藝參數組合?；疑P聯分析法的優化步驟：首先確定實驗目標、工藝參數和水平，進行正交試驗設計，得到實驗結果數據矩陣；然后計算實驗結果數據矩陣的信噪比，得到信噪比數據矩陣；規范化處理信噪比矩陣，得到比較數據序列；確立灰色關聯系數，取得各指標權重，并計算得到的灰色關聯度；對灰色關聯度進行均值分析和方差分析，最終得到最優工藝參數組合［10］。

段家現［11］以聚碳酸酯為原料制造手機殼體。質量指標選取縮痕深度、翹曲變形量、體積收縮率，選取8個因素，分別是注射時間、注射體積、模具溫度、熔體溫度、一段保壓壓力、一段保壓時間、二段保壓壓力、二段保壓時間，各工藝參數選取3個水平。設計8因素3水平正交試驗矩陣。使用Moldflow軟件按正交試驗條件進行模擬，成型方式是點澆口、冷流道、一模一腔注塑成型。使用望小特性的信噪比公式分別計算體積收縮率、縮痕深度、翹曲變形量的信噪比，對信噪比數據進行規范化處理生成比較數據序列，數據的無量綱處理使用望大特性公式，比較數據序列的值越大其性能指標越優。計算灰色關聯系數使用變異系數法，求解質量指標的權重并計算3個質量指標的灰色關聯度。通過比較各工藝參數的灰色關聯度極差，得到工藝參數的影響順序由大到小依次為一段保壓壓力、注射時間、一段保壓時間、二段保壓壓力、熔體溫度、二段保壓時間、模具溫度、注射體積。最優工藝參數組合為：熔體溫度315 ℃、模具溫度95 ℃、注射體積98%、注射時間1.4 s、一段保壓時間1.5 s、一段保壓壓力135 MPa、二段保壓時間1.0 s、二段保壓壓力105 MPa。在此工藝條件下，制件體積收縮率為9.26%，縮痕深度0.009 5 mm，翹曲變形量0.276 5 mm。優化后的工藝參數滿足各質量指標的要求。

謝鵬飛［12］使用UG和Moldflow軟件對汽車儀表盤裝飾面板注塑模進行結構設計，運用正交試驗法對工藝參數進行分析。研究表明，制品的翹曲變形量和體積收縮率對產品表面質量和裝配精度影響較大，因此，選取翹曲變形量和體積收縮率作為指標，確定實驗因素為保壓時間、保壓壓力、熔體溫度、模具溫度、冷卻時間，設置4個水平。使用Moldflow軟件模擬得到實驗結果形成正交試驗表，并進行數據分析。按照初步分析結果，選取模具溫度80 ℃、熔體溫度190 ℃、冷卻時間30 s、保壓壓力為注射壓力的95%、保壓時間25 s，仿真結果，翹曲變形量為3.582 mm，體積收縮率為17.29%，雖然體積收縮率最優但翹曲變形量較高。選取模具溫度80 ℃、熔體溫度210 ℃、冷卻時間30 s、保壓壓力為注射壓力的95%、保壓時間10 s，制件翹曲變形量最優，但體積收縮率較高。需要將翹曲變形量和體積收縮率綜合成單一目標作為評價指標進行單一目標尋優。使用灰色關聯度分析法，通過無量綱化，確定初值序列，求出序列之差、指標間的極差、關聯系數、指標間的灰色關聯度。對灰色關聯度進行極差分析得到最佳工藝參數組合：熔體溫度190 ℃、保壓壓力為注射壓力的95%、保壓時間15 s、模具溫度50 ℃、冷卻時間30 s，此時制件的翹曲變形量3.027 mm，體積收縮率17.35%。產品的翹曲變形量和體積收縮率都達到了較佳的水平，提高了制件的綜合質量。

2 采用神經網絡模型和遺傳算法優化注塑成型工藝參數

人工神經網絡是一種算法數學模型，類似大腦神經突觸結構，可以進行分布式并行信息處理，具有非線性特性、大量并行分布結構以及學習和歸納能力。反向傳播（BP）神經網絡在人工神經網絡中使用最廣泛。人工神經網絡具有自學習和自適應的能力，可以通過相互對應的輸入輸出數據分析潛在規律，用新的輸入數據依據分析得出的規律推算輸出結果，該過程被稱為訓練［13］。

郭富城［14］選取保壓壓力、保壓時間、熔體溫度、模具溫度、冷卻時間5個因素，以翹曲變形量為實驗目標，通過確立網絡層數、網絡各層節點數，采用Logsig型傳遞函數、選取影響每次循環訓練權值變化為學習速率等步驟設計汽車前端翼子板翹曲變形量的BP神經網絡模型。模型確立后，選取學習樣本并對樣本數據歸一化處理以使神經網絡運行穩定。翹曲模型的BP神經網絡訓練樣本中有5個輸入參數和1個輸出參數，對樣本中的50組數據隨機抽取40組數據進行網絡訓練，將隨機選取的40組樣本數據輸入BP網絡進行預測，比對實驗值和預測值，雖然部分點的預測值和期望值有誤差但誤差很小，BP預測值和實驗值基本吻合，表明可以很好地擬合模型。對剩余10組數據進行模擬驗證，BP神經網絡預測的翹曲變形量與采用Moldflow軟件仿真得到的實驗值基本一致，誤差值在允許范圍內。由此可以證明，在研究翹曲變形量時，可以任意給定相關工藝參數，利用汽車前端翼子板翹曲變形量的BP神經網絡模型計算翹曲變形量。

為在全局范圍內尋優，對已建立的BP神經網絡模型使用遺傳算法進行工藝參數優化。遺傳算法一般包括4個步驟：編碼與解碼、適應函數、遺傳算子和控制參數。首先確定工藝參數集，即模具溫度40～60 ℃、熔體溫度190～230 ℃、冷卻時間15～35 s、保壓時間12～32 s、保壓壓力為注射壓力的55%～95%；再對參數進行編碼，采用二進制編碼，取20位二進制編碼位。以BP神經網絡模型為適應函數、3個基本遺傳算子為選擇、交叉和變異。初始種群個數選取200個，交叉概率0.8，變異率為軟件默認變異概率0.7/Lind（Lind：染色體長度），使用遺傳算法優化BP神經網絡。結果表明，采用遺傳算法優化的BP神經網絡的預測值較BP神經網絡預測值的誤差小，最大誤差為10.01%。經過150代的遺傳，適度值基本保持在3.926 mm，與此對應的最優工藝參數組合：熔體溫度236 ℃、模具溫度51 ℃、冷卻時間32 s、保壓壓力97 MPa、保壓時間16 s 。在此工藝條件下，塑件的翹曲變形量為3.897 mm，較正交試驗最優結果的翹曲變形量（4.025 mm）減少了3.1%。

3 結語

注塑成型過程是多物理場、多因素互相影響的過程。確定實驗指標（如翹曲變形量、體積收縮率等）及變量（如模具溫度、熔體溫度、注射時間、保壓壓力、冷卻時間等），通過正交試驗數據分析和神經網絡模型遺傳算法等，可以迅速找到注塑成型參數的優化組合，能夠節省人力物力、節約時間，提高產品市場競爭力。