苏通１ 黄瑶１ 倪君杰２ 魏翔宇１
（１．江苏大学材料科学与工程学院，江苏 镇江，212013；２．镇江成功高科技有限公司，江苏 镇江，212028）
摘要：以汽车前组合灯导光条为例，选择最优拉丁超立方抽样方法得到样本。选取熔体温度、模具温度、保压时间、保压压力和冷却时间5个参数为输入层，以最小体积收缩率与最小缩痕指数为输出层，构建径向基（RBF）神经网络模型。建立的模型经检验，拟合度高，误差小，可以替代仿真程序。应用Isight优化模块，得到一组最优注塑工艺参数组合，实际模拟结果和预测结果基本吻合，有效提高了成型质量。
关键词：导光条 注塑工艺 径向基神经网络 最优拉丁超立方 参数优化
光导作为LED的间接照明形式，无需其他额外设计，给予光源便可有很好的照明效果，简化了制造流程。作为透明工程塑料，光导对于成型质量、外形和装配精度都有很高的要求，加工出的塑件需要无气泡、无缩痕、无翘曲变形等。
大量学者就如何消除此类注塑缺陷做了相关研究。张鲁滨等[1]以塑料叶轮为例通过MIV算法筛选将模型的误差控制到7％；Nguyen TK等[2]以框架部件为例进行田口法方差分析和信噪比分析，得出保压压力对框架部件翘曲变形量的影响最大；Altan M[3]通过Taguchi试验设计和方差分析确定最小收缩的最佳条件。
在相关研究的基础上，下面针对光导产品，以汽车前组合灯导光条为例进行论述。采用最优拉丁超立方抽样，根据样本计算机辅助工程(CAE)模拟结果以及所构建近似模型对工艺参数优化，得到了一组最优参数，并利用这组工艺参数注塑出高质量的产品。
１材料成型与方法
1.1光导件分析
汽车前组合灯导光条是透明厚壁塑件，材料是聚碳酸酯(PC)，牌号是Lexan143R，图１为导光条三维图示意。导光条最大外形尺寸是150mmx215mmx200mm，厚度相对比较均匀，约10mm。导光条正面为Ｖ字型的凹槽，使得光源照射达到全反射的效果。背面为LED灯槽，用于固定光源，细小特征较多，容易出现缩痕等缺陷。侧面有多处卡扣，用于灯具装配，要求高装备精度。
1.2方法与思路
导光条工艺参数优化是一个多目标非线性问题。采用近似模型的设计，通过构建数学模型，来逼近一组独立变量和响应变量以得到优化参数。可略过使用仿真程序所耗用时间，优化效率增加，求解时间缩短。以下选择径向基(RBF)神经网络模型，具有较强的逼近复杂非线性函数的能力。
1.3初步模拟
将导光条3D模型导入Moldflow软件，并设置好网格使得匹配率在85%以上。基于经验法以及试错法，初步选取工艺参数模拟。模具温度设置95℃，熔体温度设置300℃，冷却时间设置20s，其余参数均采用软件默认值。进行“填充＋保压＋翘曲”分析得到模拟结果，初步模拟体积收缩率（Ｘ）为10.880%，缩痕指数（Ｙ）为7.845%。
２试验设计
试验应用Isight进行参数设计和结果分析。为取得均匀性好的样本，选择最优拉丁超立方设计[4]，因子与响应值的拟合结果真实且精确。该方法改进了随机拉丁超立方设计的均匀性，试验点均匀分布在设计空间中。其原理是在Ｎ个变量（维度）中，将每个变量分为Ｍ个概率相同（均匀等分）的区间，在这些区间中随机抽样，保证每个因子的每个水平只被研究一次。
对目标值影响较大的参数作为试验因素：熔体温度（Ａ）为280~320℃，模具温度（Ｂ）为70~120℃，保压时间（Ｃ）为6~14s，保压压力（Ｄ）为50~110MPa，冷却时间（Ｅ）为16~30s。选取对导光条成型效果影响较大的Ｘ以及Ｙ为目标值。
３近似模型
3.1结果分析
对试验设计的条件进行抽样，获得25组数据，并通过Moldflow软件进行模流分析得到优化目标值，试验样本及结果如表1所示。
3.2构建神经网络模型
采用表１所得结果构建近似模型，选择RBF神经网络模型，并开始初始化。Isight软件中，神经网络是三层前向网络结构[5]，分别是输入层、中间层（隐层）、输出层。
将试验影响因素Ａ、Ｂ、Ｃ、Ｄ、Ｅ作为输入矢量，映射入一个新空间，即从输入层到中间层（隐层），此过程是非线性变换。再线性映射到输出层，输出层在新空间达成线性加权，输出矢量是两个目标值Ｘ、Ｙ。由此，可得到如图２所示RBF神经网络模型，平滑因子设置为0.1，基函数类型选择Radial，输入节点数５个，输出节点数２个。RBF函数是实值函数，常见有高斯函数、多二次函数和逆二次函数等，本研究选择高斯函数。
3.3近似模型精度检验
通过最优拉丁超立方抽样得到13组检测样本，检验所构建RBF神经网络模型的精度，以保证近似模型的精确性。13组样本具体数据见表２。
RBF神经网络模型常用评价值有两种，分别是拟合度系数(R2)以及均方根误差(RMSE)。Ｒ２愈趋近１，RMSE愈趋近０，代表模型的可信度越高，能够替代仿真程序。两种评价指标的计算公式分别见式（１）和式（２）。
式（１）和式（２）中：ｎ是试验次数； y是平均值；Xi是模型预测值；yi是实际模拟值。
通过Isight软件误差分析模块，对Ｘ的误差进行分析，Ｒ2是0.97002，RMSE是0.05489。对Y的误差分析，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，说明所构建模型是可信的。实际模拟结果以及预测结果的关系如图３所示，横坐标代表13组预测值，纵坐标代表13组实际值。从图３可清晰看出，分布趋近于一条直线，证明该模型可以较好地解释了试验。
４参数优化与生产验证
利用Isight软件的优化模块对试验参数进行优化，得到如表３所示的一组参数值，其中Ｘ和Ｙ为预测目标值。
将得到的这组优化参数A､B､C､D､E作为试验参数，在Moldflow中做CAE分析，得到实际模拟值Ｘ和Ｙ分别为9.330%和6.179%，可以看出预测值与实际值误差较小，优化后得到的预测数据和实际模拟数据吻合度较高，可以确认所构建RBF神经网络模型的有效性。
应用优化后的参数进行实际模拟，结果见图４
采用优化后的工艺参数进行实际注塑生产，随机挑选一件产品进行质量验证。经检测，产品背面LED灯条安装顺利（见图5）。对安装好灯条的产品进行点亮检测，产品没有可见缩痕；利用三坐标测量仪测量后，产品无翘曲变形，塑件质量满足需求。
５结论
ａ）采用最优拉丁超立方设计抽样，结合Moldflow软件进行CAE分析，得到均匀且有效的数据样本并构建RBF神经网络模型。经验证，两个目标值的模流分析结果与预测结果高度吻合。证明应用的最优拉丁超立方设计结合RBF神经网络模型对导光条塑件注塑工艺参数优化的方法行之有效。
ｂ）经优化后得到一组最佳工艺参数，即Ａ为280.0℃，Ｂ为98.54℃，Ｃ为7.1568s，Ｄ为102.14MPa，Ｅ为18.045s。优化后Ｘ为9.330%，比初始模拟数据(10.880%)缩小了14.246%，优化后Ｙ为6.179%，比初始模拟数据(7.845%)缩小了21.236%，优化效果显著。参数应用于生产得到的产品符合质量要求。
ｃ）通过建立RBF神经网络模型，得到了最佳参数组合，节省了生产时间和材料，降低了生产试错成本。
参考文献
[1] 张鲁滨，黄海松，姚立国．基于BP神经网络和MIV算法的注塑件
工艺参数优化研究［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] 王钊，魏翔宇，倪君杰，等．双色尾灯灯罩注射成型影响因素多目
标优化［Ｊ］．现代塑料加工应用，2020，32(1)：50-53.
[5] 孔轶艳，黄力，陆大同．基于CAE和RBF神经网络的注塑工艺优
化分析［Ｊ］．塑料，2017，46(3)：121-125.
聚砜医疗干粉吸入...
塑料包装材料的减...
汽车功能键触摸盖I...
高性能注塑聚丙烯...
