基于 Moldflow 的汽车中控台框架翘曲变形分析及优化

以某汽车中控台框架为研究对象,测量试模样品发现其翘曲变形量超过了装配要求。通过Moldflow软件模拟了该塑件实际的注塑过程,翘曲变形量的模拟值与实测平均值的最大误差为5.98%,发现该塑件翘曲变形的主要因素为冷却不均和收缩不均。本文在原物料中添加质量分数为25%的玻璃纤维以及优化工艺参数后,翘曲变形量的模拟值与初始方案相比降低了86.22%。试模验证表明,优化后的翘曲变形量模拟值与实测平均值的最大误差为4.35%,证明了Moldflow软件模拟分析的准确性。试模后各检测点的最大翘曲变形量降到了1.6 mm以下,较优化之前降低了80%以上,为类似大型复杂注塑件的翘曲变形分析及优化提供了思路。

基于BP-SSA神经网络模型的中框塑件翘曲变形优化

为减小挂壁风机中框在注塑成型中的翘曲变形,运用Moldflow软件对中框进行仿真,以模具温度、熔体温度、注射时间、冷却时间、保压时间和保压压力6个工艺参数进行正交试验设计,基于试验结果建立工艺参数与翘曲变形量之间的反向传播(BP)神经网络模型,利用麻雀搜索算法(SSA)对模型进行全局参数寻优。结果表明,当模具温度为80℃、熔体温度为250℃、保压压力为82 MPa、保压时间为20 s、注射时间为3 s、冷却时间为26.25 s时翘曲变形量最小,预测翘曲变形量为2.483 mm。利用Moldflow软件对寻优得到的工艺参数进行验证,结果显示仿真计算的翘曲变形量为2.449 mm,与优化算法结果误差为1.3%,并将寻优获得的参数进行试模验证,试模翘曲结果与优化算法结果误差为2.6%,证明了优化算法的准确性,且注塑件外观无飞边缩痕等缺陷,装配效果符合预期要求。研究结果表明BP神经网络结合麻雀搜索算法优化工艺参数的技术方法具有可行性。