蘇通１ 黃瑤１ 倪君杰２ 魏翔宇１
（１．江蘇大學材料科學與工程學院，江蘇 鎮江，212013；２．鎮江成功高科技有限公司，江蘇 鎮江，212028）
摘要：以汽車前組合燈導光條為例，選擇最優拉丁超立方抽樣方法得到樣本。選取熔體溫度、模具溫度、保壓時間、保壓壓力和冷卻時間5個參數為輸入層，以最小體積收縮率與最小縮痕指數為輸出層，構建徑向基（RBF）神經網絡模型。建立的模型經檢驗，擬合度高，誤差小，可以替代仿真程序。應用Isight優化模塊，得到一組最優注塑工藝參數組合，實際模擬結果和預測結果基本吻合，有效提高了成型質量。
關鍵詞：導光條 注塑工藝 徑向基神經網絡 最優拉丁超立方 參數優化
光導作為LED的間接照明形式，無需其他額外設計，給予光源便可有很好的照明效果，簡化了制造流程。作為透明工程塑料，光導對于成型質量、外形和裝配精度都有很高的要求，加工出的塑件需要無氣泡、無縮痕、無翹曲變形等。
大量學者就如何消除此類注塑缺陷做了相關研究。張魯濱等[1]以塑料葉輪為例通過MIV算法篩選將模型的誤差控制到7％；Nguyen TK等[2]以框架部件為例進行田口法方差分析和信噪比分析，得出保壓壓力對框架部件翹曲變形量的影響最大；Altan M[3]通過Taguchi試驗設計和方差分析確定最小收縮的最佳條件。
在相關研究的基礎上，下面針對光導產品，以汽車前組合燈導光條為例進行論述。采用最優拉丁超立方抽樣，根據樣本計算機輔助工程(CAE)模擬結果以及所構建近似模型對工藝參數優化，得到了一組最優參數，并利用這組工藝參數注塑出高質量的產品。
１材料成型與方法
1.1光導件分析
汽車前組合燈導光條是透明厚壁塑件，材料是聚碳酸酯(PC)，牌號是Lexan143R，圖１為導光條三維圖示意。導光條最大外形尺寸是150mmx215mmx200mm，厚度相對比較均勻，約10mm。導光條正面為Ｖ字型的凹槽，使得光源照射達到全反射的效果。背面為LED燈槽，用于固定光源，細小特征較多，容易出現縮痕等缺陷。側面有多處卡扣，用于燈具裝配，要求高裝備精度。
1.2方法與思路
導光條工藝參數優化是一個多目標非線性問題。采用近似模型的設計，通過構建數學模型，來逼近一組獨立變量和響應變量以得到優化參數。可略過使用仿真程序所耗用時間，優化效率增加，求解時間縮短。以下選擇徑向基(RBF)神經網絡模型，具有較強的逼近復雜非線性函數的能力。
1.3初步模擬
將導光條3D模型導入Moldflow軟件，并設置好網格使得匹配率在85%以上。基于經驗法以及試錯法，初步選取工藝參數模擬。模具溫度設置95℃，熔體溫度設置300℃，冷卻時間設置20s，其余參數均采用軟件默認值。進行“填充＋保壓＋翹曲”分析得到模擬結果，初步模擬體積收縮率（Ｘ）為10.880%，縮痕指數（Ｙ）為7.845%。
２試驗設計
試驗應用Isight進行參數設計和結果分析。為取得均勻性好的樣本，選擇最優拉丁超立方設計[4]，因子與響應值的擬合結果真實且精確。該方法改進了隨機拉丁超立方設計的均勻性，試驗點均勻分布在設計空間中。其原理是在Ｎ個變量（維度）中，將每個變量分為Ｍ個概率相同（均勻等分）的區間，在這些區間中隨機抽樣，保證每個因子的每個水平只被研究一次。
對目標值影響較大的參數作為試驗因素：熔體溫度（Ａ）為280~320℃，模具溫度（Ｂ）為70~120℃，保壓時間（Ｃ）為6~14s，保壓壓力（Ｄ）為50~110MPa，冷卻時間（Ｅ）為16~30s。選取對導光條成型效果影響較大的Ｘ以及Ｙ為目標值。
３近似模型
3.1結果分析
對試驗設計的條件進行抽樣，獲得25組數據，并通過Moldflow軟件進行模流分析得到優化目標值，試驗樣本及結果如表1所示。
3.2構建神經網絡模型
采用表１所得結果構建近似模型，選擇RBF神經網絡模型，并開始初始化。Isight軟件中，神經網絡是三層前向網絡結構[5]，分別是輸入層、中間層（隱層）、輸出層。
將試驗影響因素Ａ、Ｂ、Ｃ、Ｄ、Ｅ作為輸入矢量，映射入一個新空間，即從輸入層到中間層（隱層），此過程是非線性變換。再線性映射到輸出層，輸出層在新空間達成線性加權，輸出矢量是兩個目標值Ｘ、Ｙ。由此，可得到如圖２所示RBF神經網絡模型，平滑因子設置為0.1，基函數類型選擇Radial，輸入節點數５個，輸出節點數２個。RBF函數是實值函數，常見有高斯函數、多二次函數和逆二次函數等，本研究選擇高斯函數。
3.3近似模型精度檢驗
通過最優拉丁超立方抽樣得到13組檢測樣本，檢驗所構建RBF神經網絡模型的精度，以保證近似模型的精確性。13組樣本具體數據見表２。
RBF神經網絡模型常用評價值有兩種，分別是擬合度系數(R2)以及均方根誤差(RMSE)。Ｒ２愈趨近１，RMSE愈趨近０，代表模型的可信度越高，能夠替代仿真程序。兩種評價指標的計算公式分別見式（１）和式（２）。
式（１）和式（２）中：ｎ是試驗次數； y是平均值；Xi是模型預測值；yi是實際模擬值。
通過Isight軟件誤差分析模塊，對Ｘ的誤差進行分析，Ｒ2是0.97002，RMSE是0.05489。對Y的誤差分析，Ｒ2是0.93206，RMSE是0.08459。可以看出，Ｒ2皆大于下限0.90，RMSE皆小于上限0.2，說明所構建模型是可信的。實際模擬結果以及預測結果的關系如圖３所示，橫坐標代表13組預測值，縱坐標代表13組實際值。從圖３可清晰看出，分布趨近于一條直線，證明該模型可以較好地解釋了試驗。
４參數優化與生產驗證
利用Isight軟件的優化模塊對試驗參數進行優化，得到如表３所示的一組參數值，其中Ｘ和Ｙ為預測目標值。
將得到的這組優化參數A?B?C?D?E作為試驗參數，在Moldflow中做CAE分析，得到實際模擬值Ｘ和Ｙ分別為9.330%和6.179%，可以看出預測值與實際值誤差較小，優化后得到的預測數據和實際模擬數據吻合度較高，可以確認所構建RBF神經網絡模型的有效性。
應用優化后的參數進行實際模擬，結果見圖４
采用優化后的工藝參數進行實際注塑生產，隨機挑選一件產品進行質量驗證。經檢測，產品背面LED燈條安裝順利（見圖5）。對安裝好燈條的產品進行點亮檢測，產品沒有可見縮痕；利用三坐標測量儀測量后，產品無翹曲變形，塑件質量滿足需求。
５結論
ａ）采用最優拉丁超立方設計抽樣，結合Moldflow軟件進行CAE分析，得到均勻且有效的數據樣本并構建RBF神經網絡模型。經驗證，兩個目標值的模流分析結果與預測結果高度吻合。證明應用的最優拉丁超立方設計結合RBF神經網絡模型對導光條塑件注塑工藝參數優化的方法行之有效。
ｂ）經優化后得到一組最佳工藝參數，即Ａ為280.0℃，Ｂ為98.54℃，Ｃ為7.1568s，Ｄ為102.14MPa，Ｅ為18.045s。優化后Ｘ為9.330%，比初始模擬數據(10.880%)縮小了14.246%，優化后Ｙ為6.179%，比初始模擬數據(7.845%)縮小了21.236%，優化效果顯著。參數應用于生產得到的產品符合質量要求。
ｃ）通過建立RBF神經網絡模型，得到了最佳參數組合，節省了生產時間和材料，降低了生產試錯成本。
參考文獻
[1] 張魯濱，黃海松，姚立國．基于BP神經網絡和MIV算法的注塑件
工藝參數優化研究［Ｊ］．塑料科技，2018，46(12)：94-99.
[2] NGUYENＴＫ，HWANG ＣＪ，LEEＢＫ．Numerical investig-
ation of warpage in insert injection-molded lightweight hybrid products[J]．International Journal of Precision Engineering and Manufacturing，2017，18(2)：187-195.
[3] ALTAN Ｍ．Reducing shrinkage in injection moldings via the
Taguchi，ANOVA and neural network methods [J]．Materials and Design，2010，31(1)：599-604.
[4] 王釗，魏翔宇，倪君杰，等．雙色尾燈燈罩注射成型影響因素多目
標優化［Ｊ］．現代塑料加工應用，2020，32(1)：50-53.
[5] 孔軼艷，黃力，陸大同．基于CAE和RBF神經網絡的注塑工藝優
化分析［Ｊ］．塑料，2017，46(3)：121-125.
玻纖含量對長玻纖...
鈣鈦礦薄膜的均勻...
用于光伏板靜電除...
聚砜醫療干粉吸入...
