CN107972243A - 基于som神经网络的注塑工艺优化方法及注塑工艺 - Google Patents

Abstract

本发明提供了一种基于SOM神经网络的注塑工艺优化方法，包括以下步骤：建立注塑产品的模流分析模型；利用CAE软件对模流分析模型的注塑工艺参数进行模拟仿真，获取导致注塑产品产生注塑缺陷的注塑工艺参数种类；基于注塑工艺参数，利用正交试验以及CAE软件获取注塑工艺参数种类导致注塑产品产生注塑缺陷的注塑工艺参数影响权重以及第一优化注塑工艺参数；基于注塑工艺参数影响权重以及第一优化注塑工艺参数，利用SOM神经网络获取最终优化注塑工艺参数。上述基于SOM神经网络的注塑工艺优化方法，不需要测试样本或对测试样本进行检验，符合注塑工艺参数对注塑成型质量的直接影响模型，提高获取的最终优化注塑工艺参数的精确性。

Description

基于SOM神经网络的注塑工艺优化方法及注塑工艺

技术领域

本发明涉及注塑工艺领域，特别是涉及一种基于SOM神经网络的注塑工艺优化方法及注塑工艺。

背景技术

注塑产品在众多注塑缺陷中，引起的因素主要包括模具结构、注塑机设备、成型工艺条件、塑料原材料及制品结构设计等。由于影响因素较多，故产品一旦出现如翘曲、黑斑、流纹等问题时，很难准确地找出其中的关键影响因素，因而需采用一定的逻辑排故方法对注塑缺陷问题进行处理。显然，依照实物逆推进行排故将造成极大的浪费。

引入计算机辅助工程(Computer Aided Engineering，CAE)分析方法并采用鱼刺导向法顺向进行注塑缺陷预测，其基本逻辑思路为先对成型工艺产品结构设计注塑的可行性进行CAE仿真模拟，而后再依次从原材料、模具结构、注塑机三个方面进行鱼刺导向法进行分析。依据经验，产品的注塑缺陷大多在试模调机阶段即可妥善解决，但经验试模的最大问题是针对试模时较难消除的缺陷问题，往往需要多次反复试模，很难找准最佳成型工艺参数，因而，容易造成较大的生产浪费和延误模具生产工期。

针对具体的产品，在模具设计前，在经验分析的基础上，结合CAE分析综合分析出可能的缺陷，并结合正交试验法、BP神经网络获取注塑工艺参数不失为一种提高模具生产效率、优化注塑工艺的有效途径。但是，基于BP神经网络获取注塑工艺参数的方法必需测试样本并对测试样本进行检验，不符合注塑工艺参数对注塑成型质量的直接影响模型，进而影响获取的注塑工艺参数的精确性。

发明内容

基于此，有必要针对基于BP神经网络获取注塑工艺参数的方法必需测试样本并对测试样本进行检验，不符合注塑工艺参数对注塑成型质量的直接影响模型，进而影响获取的注塑工艺参数的精确性，提供一种基于SOM神经网络的注塑工艺优化方法及注塑工艺。

本发明提供的一种基于SOM神经网络的注塑工艺优化方法，包括以下步骤：

建立注塑产品的模流分析模型；

利用CAE软件对所述模流分析模型的注塑工艺参数进行模拟仿真，获取导致所述注塑产品产生注塑缺陷的注塑工艺参数种类；

基于所述注塑工艺参数，利用正交试验以及CAE软件获取所述注塑工艺参数种类导致所述注塑产品产生注塑缺陷的注塑工艺参数影响权重以及第一优化注塑工艺参数；

基于所述注塑工艺参数影响权重以及所述第一优化注塑工艺参数，利用SOM神经网络获取最终优化注塑工艺参数。

在其中一个实施例中，所述基于所述注塑工艺参数影响权重以及所述第一优化注塑工艺参数，利用SOM神经网络获取最终优化注塑工艺参数步骤中，包括以下步骤：

对所述SOM神经网络的欧式距离进行优化处理。

在其中一个实施例中，对所述SOM神经网络的欧式距离进行优化处理为采用频率累计法对输入向量调整权重后计算所述欧式距离；

其中，所述输入向量选自所述第一优化注塑工艺参数，所述调整权重依据所述注塑工艺参数影响权重设置。

在其中一个实施例中，所述欧式距离的计算公式为：

其中，d为欧式距离，n为输入向量维数，e为累计频率，x为输入向量，ω_ij为对应的第i个输入向量与第j个输出向量之间的连接权值。

在其中一个实施例中，所述导致所述注塑产品产生注塑缺陷的注塑工艺参数种类包括模具温度、熔体温度、注射速率、保压压力、保压时间、冷却时间中的任意一种或几种。

在其中一个实施例中，所述建立注塑产品的模流分析模型包括以下子步骤：

建立所述注塑产品的CAD结构模型，利用Hypermesh软件对所述CAD结构模型进行网格划分。

在其中一个实施例中，在对所述CAD结构模型进行网格划分前还包括以下子步骤：

利用所述Hypermesh软件去除所述CAD结构模型的小圆点特征。

在其中一个实施例中，所述利用CAE软件对所述模流分析模型的注塑工艺参数进行模拟仿真步骤，还包括以下子步骤：

对所述注塑产品进行浇口位置优化。

在其中一个实施例中，所述利用CAE软件对所述模流分析模型的注塑工艺参数进行模拟仿真步骤，还包括以下子步骤：

利用CAE软件的材料库数据，获取所述注塑产品的注塑材料的注塑工艺参数要求。

本发明还提供了一种注塑工艺，所述注塑工艺通过如上所述的基于SOM神经网络的注塑工艺优化方法获得。

上述基于SOM神经网络的注塑工艺优化方法，利用SOM神经网络获取最终优化注塑工艺参数，不需要测试样本或对测试样本进行检验，符合注塑工艺参数对注塑成型质量的直接影响模型，提高获取的最终优化注塑工艺参数的精确性，进而降低注塑生产成本，提高生产效率。

附图说明

图1为本发明基于SOM神经网络的注塑工艺优化方法一实施例的优化方法流程图；

图2为本发明基于SOM神经网络的注塑工艺优化方法一实施例的注塑产品立体结构图；

图3为图1所示注塑产品立体结构图另一角度视图；

图4为本发明基于SOM神经网络的注塑工艺优化方法一选实施例的导致缩痕注塑缺陷的注塑工艺参数种类因素水平；

图5为本发明基于SOM神经网络的注塑工艺优化方法一实施例的导致翘曲注塑缺陷的注塑工艺参数种类因素水平；

图6为本发明基于SOM神经网络的注塑工艺优化方法一实施例的SOM神经网络计算流程图；

图7为本发明基于SOM神经网络的注塑工艺优化方法一实施例的训练误差曲线图。

具体实施方式

请参阅图1至图7所示，本发明提供的一种基于SOM神经网络的注塑工艺优化方法，包括以下步骤：

S100，建立注塑产品的模流分析模型；

S200，利用CAE软件对模流分析模型的注塑工艺参数进行模拟仿真，获取导致注塑产品产生注塑缺陷的注塑工艺参数种类；

S300，基于注塑工艺参数，利用正交试验以及CAE软件获取注塑工艺参数种类导致注塑产品产生注塑缺陷的注塑工艺参数影响权重以及第一优化注塑工艺参数；

S400，基于注塑工艺参数影响权重以及第一优化注塑工艺参数，利用SOM神经网络获取最终优化注塑工艺参数。

注塑产品在注塑时，依据理论和经验，为获得特定注塑产品的特定注塑质量要求，试模时可以通过调整注塑工艺参数之间的取值来补足另外一个苛刻性条件，如可以提高温度的办法来适当降低对注塑压力的要求，因而，基于注塑工艺参数影响权重以及第一优化注塑工艺参数，可以认为，采用神经网络来预测/寻找有各注塑工艺参数的最优组合时，各注塑工艺参数之间的关系可以认为是一种竞争型关系。而自组织特征映射神经网络(Self-organizing Feature Maps,SOM)是一种竞争型网络，因而采用SOM神经网络预测第一优化注塑工艺参数与最终优化注塑工艺参数之间的关系是合理的。

SOM神经网络的网络构成包括输入层和输出层，其特点是输入层中的每一个输入神经元，通过连接权值与输出层中的每一个输出神经元相连。与其他神经网络必需测试样本不同，SOM神经网络具有抽取输入信号模式特征的能力可以通过自身训练，自动对输入信号模式进行分类，无需测试测试样本。即本发明的基于SOM神经网络的注塑工艺优化方法，利用SOM神经网络获取最终优化注塑工艺参数，不需要测试样本或对测试样本进行检验，符合注塑工艺参数对注塑成型质量的直接影响模型，提高获取的最终优化注塑工艺参数的精确性，进而降低注塑生产成本，提高生产效率。

关于注塑产品的结构，请继续参阅图2至图3所示，本发明一实施例的注塑产品为汽车前顶灯盖板。对该注塑产品的进行分析发现，该注塑产品有较高的外观要求，经壁厚分析后，该注塑产品整体为薄壁件，平均壁厚1.45mm；外形基本尺寸为213mmx188mmx58mm；其主要特点表现为外观面为光滑组合曲面，内侧面主要包括有11类特征，其中窄槽型特征C1为窄槽结构，孔型特征C2、C3为孔型结构，加强筋特征C4至C11为凸出结构，例如可以是弹簧卡扣、卡扣挂孔、螺钉柱等结构特征，曲面型特征F1至F3为曲面结构。其中，加强筋特征C4至C11对注塑产品的注塑最终成型质量影响较大。窄槽型特征C1，孔型特征C2、C3以及加强筋特征C4至C11的存在，将直接导致注塑时料流在这些部位的流动发生变化，从而可能会引起充填不足、气孔、熔接线较多，特别是曲面型特征F1至F3上缩痕较多等注塑质量问题。

关于注塑产品的注塑材料的选择，注塑产品使用的注塑材料的选择也是保证注塑产品注塑成型质量的关键。本实施例中，注塑材料选用的PC/ABS牌号为CB2340。本实施例的注塑产品使用工况为汽车内饰件环境，因而材料的选用需具备：1)使用要求为有较好的耐候性、有一定的机械强度、表面光洁度要好、耐磨损、防静电、不吸附灰尘、抗变形性能好、不易老化抗降解功能好；2)成型要求为注塑时流动性好。

关于注塑产品的注塑布局，依据注塑产品的结构特点，从模具机构设计的特点来分析，注塑产品上加强筋特征C4、C7、C8、C9等为倒扣结构的特征，需设计较多的特殊脱模机构，限制了注塑产品进行多腔模布局设计的可能性，因而模具型腔基本布局一出一，考虑到注塑材料的流动性，模具采用冷流道两板模方式。

关于注塑缺陷的预测与分析，依据同类注塑产品的注塑经验，翘曲和收缩不均可能是本实施例注塑产品注塑的主要问题，流纹和缩痕可能是本实施例注塑产品的次要问题。其中，翘曲和收缩问题主要是因为窄槽型特征C1，孔型特征C2、C3以及加强筋特征C4至C11的不同及分布不均引起，而曲面型特征F1至F3上的缩痕则是由于窄槽型特征C1，孔型特征C2、C3以及加强筋特征C4至C11各特征与曲面型特征F1至F3结合部位壁厚不均导致料流流动及冷却收缩时引起，流纹则是因料流在窄槽型特征C1，孔型特征C2、C3以及加强筋特征C4至C11之间按次流动传递时料流的转向引起。因而为避免这些注塑缺陷的出现，在注塑工艺控制条件下，结合CAE软件仿真技术优化浇注系统和注塑工艺参数进行改善。

可选地，CAE软件可以是Moldflow。

作为一种可选实施方式，步骤S100，建立注塑产品的模流分析模型包括以下子步骤：

建立注塑产品的CAD结构模型，利用Hypermesh软件对CAD结构模型进行网格划分，建立注塑产品的模流分析模型。利用Hypermesh能够快速产生网格指标优良的模型，有利于建立的注塑产品模流分析模型在CAE软件中进行分析。

进一步地，作为一种可选实施方式，在对CAD结构模型进行网格划分前还包括以下子步骤：利用Hypermesh软件去除CAD结构模型的小圆点特征。

例如可以是，将如图2至图3所示的注塑产品的CAD结构模型通过UG10.0以Parasolid x_t格式导出到Hypermesh 10.0进行网格划分，CAD结构模型导入Hypermesh10.0后去除了小圆角等特征后划分网格，再以udm格式导入CAE软件中，导入的网格三角形单元总数85987个，节点42331个，连通区域1个，总表面积1000.8cm²，总体积100.8cm³，纵横比最大6.3，最小1.17，平均1.68，共用边126423，网格匹配率为92.7％。壁厚最大5.0mm，最小0.4mm左右，产品上壁厚不均的地方较多，基本能满足本产品的CAE软件分析需要。

作为一种可选实施方式，步骤S200，利用CAE软件对模流分析模型的注塑工艺参数进行模拟仿真步骤，获取导致注塑产品产生注塑缺陷的注塑工艺参数种类；还包括以下子步骤：

利用CAE软件的材料库数据，获取注塑产品的注塑材料的注塑工艺参数要求。

结合CAE软件的材料库数据，可以获得注塑材料的注塑工艺要求，以便在本发明基于SOM神经网络的注塑工艺优化方法中初步限定注塑用以参数的范围，减少计算范围，降低优化时间。

在本实施例中，从Moldflow的材料库数据，获取注塑材料CB2340的推荐注塑工艺参数为：模具表面温度55℃，熔体温度255℃，模具温度范围40～70℃，熔体温度范围230～280℃，绝对最大熔体温度320℃，顶出温度116℃，最大剪切应力0.25MPa，最大剪切速率10000(1/s)。

作为一种可选实施方式，利用CAE软件对模流分析模型的注塑工艺参数进行模拟仿真步骤，还包括以下子步骤：

对注塑产品进行浇口位置优化。

一般，注塑产品设置单个浇口时，浇口以设置在注塑产品的几何中央为佳，但由于分型以及模具结构设计的限制，在中央位置设置浇口往往不可取，为保证较佳的注塑效果，可以借助CAE分析来寻找浇口的最佳位置及数量，提高优化效率，提升最终注塑质量。

因而，结合生产经验，在分析注塑产品的形状特点后，考虑模具设计和生产难度的情况下，本实施例注塑产品的浇口的设置方案初步为外观面单浇口、内侧面双浇口以及外观面-内侧面双面三浇口三种

利用Moldflow软件的【最佳浇口】分析以上三种初步方案本实施例注塑产品的进浇方式，所开设的浇口采用同一尺寸大小的薄片式侧浇口，对三种初步方案进行浇口位置优化分析后，获得三种对应的浇注方案：浇注方案I、浇注方案II以及浇注方案III。

进一步利用Moldflow软件的【成型窗口】、【充填】分析对比浇注方案I、浇注方案II以及浇注方案III，能够对出以下结论：

浇注方案I、浇注方案II以及浇注方案III三种浇注方案的充填时间接近，表明三种浇注方案的各流动路径及流动性能较为接近。

浇注方案III所需的注塑压力最低，为60MPa左右，并且针对曲面型特征F1至F3面上的充填效果最佳。

从流动前沿温度、总体温度结果来看，三种浇注方案中，浇注方案II、浇注方案III的前沿温度梯度及整体温度变化较为合理，前沿温度能控制在234～245℃之间，能有效保证料流的良好流动性。

对注塑压力、顶出时的体积收缩率、冻结因子、平均速度、残余应力、缩痕指数等分析结果进行对比判读分析后，发现浇注方案III具有明显的应用优势。

因此，本实施例中，最终利用CAE软件分析认为浇注方案III适用于注塑产品的注塑工艺。

对浇注方案III进一步进行分析，采用侧边型大水口将明显不利于产品外观，因而本发明在浇注方案III浇口位置设置的基础上，对浇口形式进行进一步的改进，改进后设置为潜伏式顶针进料方式。

更进一步可选地，对改进后的浇注方案III利用CAE软件进行注塑工艺参数分析。利用Moldflow软件的【成型窗口】分析，得出改进后的浇注方案III的注塑产品最终的最高质量分数为93.78％，获取的对应的注塑工艺参数为：模具温度60℃，熔体温度270℃，注塑时间2s。进一步利用Moldflow软件的【充填】分析，获取模腔注塑所需的压力为32MPa。

通过上述分析以及优化，已大大减少了对注塑机的要求。相应地，各流动路径末端的压差差距小，充填平衡性亦得到了较好的的改善。

更进一步地，利用Moldflow软件的【填充+保压+翘曲】进一步对注塑产品可能存在的注塑缺陷进行分析，获取导致注塑产品产生注塑缺陷的注塑工艺参数种类。其中，注塑工艺参数参照前述工艺优化结果进行设置，运行分析后的结果表明，注塑产品在以下几点可能发生注塑缺陷。其一，前沿温度温差大。在窄槽型特征C1，孔型特征C2、C3以及加强筋特征C4至C11与曲面型特征F1至F3之间，前沿温差超过标准值20℃以上，需进一步调整；其二，气孔气穴较多；其三，缩痕指数偏大，特别是曲面型特征F3面上的缩痕指数较大，注塑后有可能将严重影响曲面型特征F3的外观；其四，熔接线较多；其五，翘曲变形严重，整体翘曲变形在3.2mm左右。

针对上述可能发生的注塑缺陷，气孔气穴较多可以在模具结构上增加排气措施加以解决；熔接线较多可以通过改善模具温度控制加以解决；前沿温度温差大可以通过改善料温加以解决。本实施例以缩痕以及翘曲的注塑缺陷为例，进一步说明本发明的基于SOM神经网络的注塑工艺优化方法。

进一步可选地，步骤S300中，基于注塑工艺参数，利用正交试验以及CAE软件获取注塑工艺参数种类导致注塑产品产生注塑缺陷的注塑工艺参数影响权重以及第一优化注塑工艺参数。首先通过正交试验来获取第一优化注塑工艺参数，并基于正交试验结果获取导致注塑产品产生注塑缺陷的注塑工艺参数影响权重。

作为一种可选实施方式，导致注塑产品产生注塑缺陷的注塑工艺参数种类包括模具温度、熔体温度、注射速率、保压压力、保压时间、冷却时间中的任意一种或几种。

如上，本实施例中优化目标主要以翘曲和缩痕为研究对象，优化的注塑工艺参数包括模具温度T₁、熔体温度T₂、注射速率V、保压压力P_i、保压时间t_i以及冷却时间t_c，考察不同的注塑工艺参数组合对注塑产品成型质量的影响。正交试验设计如表1所示。所采用的正交方案为L(27)-3-13。

表1正交试验设计表

请继续参阅图4所示，针对缩痕指数而言，从4中的直观分析可以看出，各注塑工艺参数对缩痕指数的影响表现为：缩痕指数随保压的增加而急速减小，保压压力对缩痕的影响最大；随熔体温度的升高、保压时间的增加缩痕指数先升高后下降；随模具温度的增高、注塑速率的增加将明显增大缩痕指数。

请继续参阅图5所示，针对翘曲量而言，从图5中的直观分析可以看出，各注塑工艺参数对翘曲量的影响表现为：翘曲量随保压的增加而急速减小，保压压力对翘曲量的影响最大；翘曲量随熔体温度的升高、保压时间的增加而呈现先升高后下降的趋势；翘曲亦随模具温度的增高、注塑速率的增加将明显增大。

对正交试验结果做进一步的方差和影响率分析，分析结构如表2以及表3所示。

表2缩痕指数方差分析结果

表3翘曲量方差分析结果

从表2中可以看出，注塑工艺参数种类不同，导致注塑产品产生缩痕注塑缺陷的注塑工艺参数影响权重也不同，其中，保压控制对缩痕指数控制占主导地位，为84.99％，其余各参数的影响率都比较低，低于5％以下，按序排列后各影响率依次为P_i>T₂>t_c>V>T₁>t_i。

同样，从表3中可以看出，注塑工艺参数种类不同，导致注塑产品产生注塑缺陷的注塑工艺参数影响权重也不同，其中，保压控制对翘曲指数控制占主导地位，为79.95％。其余各参数的影响则低于5％以下，排序后各影响率依次为P_i>t_i>t_c>T₁>V>T₂。

通过上述分析结果，可以看出缩痕指数、翘曲量在注塑过程中两者密切相关，在翘曲的影响因素中，塑件产生翘曲的成因一是无法保压，二是过保压造成的收缩，还有就是冷却也有较大的影响。对正交分析结果梳理后，可以判断获取第一优化注塑工艺参数为：(T₁-2)(T₂-1)(V-3)(t_i-1)(t_s-3),即模温为60℃，熔体温度250℃，注射速率为40cm³/s，保压60MPa，保压时间4s，冷却时间20s。

可选地，将上述第一优化注塑参数利用CAE软件进行模拟仿真，模拟结果为：翘曲量为1.892mm，收缩率为2.39％。相对于步骤S200中的注塑参数CAE软件模拟仿真结果，翘曲和缩痕均有一定的改善，说明优化组合是有效果的。但还有改善的空间，其原因在于所设定的正交等级水平跨距大，最终基于正交试验得出的第一优化注塑工艺参数的水平只是接近最佳注塑工艺参数，本发明基于注塑工艺参数影响权重以及第一优化注塑工艺参数，利用SOM神经网络获取最终优化注塑工艺参数，以期更趋近于最佳注塑工艺参数。

作为一种可选实施方式，步骤S400，基于注塑工艺参数影响权重以及第一优化注塑工艺参数，利用SOM神经网络获取最终优化注塑工艺参数步骤中，包括以下步骤：

对SOM神经网络的欧式距离进行优化处理。

传统地，SOM神经网络在竞争过程中，对每个输入向量以同等重要性来对待，从而选择最佳匹配神经元。而在本发明中，利用正交实验设计能够得出不同注塑工艺参数导致注塑产品产生注塑缺陷的注塑工艺参数影响权重不同，因此本发明进一步对SOM神经网络的欧式距离进行优化处理，进而选择最佳匹配神经元，以体现不同注塑工艺参数对注塑产品产生注塑缺陷的注塑工艺参数影响权重的不同，切合注塑工艺的实际情况。

作为一种可选实施方式，对SOM神经网络的欧式距离进行优化处理为采用频率累计法对输入向量调整权重后计算欧式距离；

其中，输入向量选自第一优化注塑工艺参数，调整权重依据注塑工艺参数影响权重设置。

作为一种可选实施方式，欧式距离的计算公式为：

其中，d为欧式距离，n为输入向量维数，e为累计频率，x为输入向量，ω_ij为对应的第i个输入向量与第j个输出向量之间的连接权值。

由以上分析可知，由正交试验的结果分析可知，注塑工艺参数种类不同，致注塑产品产生注塑缺陷的注塑工艺参数影响权重也不同，为提高利用SOM神经网络获取的最终优化注塑工艺参数的准确性，需要SOM神经网络对每个输入向量以不同重要性来对待，从而选择最佳匹配神经元，以体现不同注塑工艺参数对注塑产品产生注塑缺陷的注塑工艺参数影响权重的不同，切合注塑工艺的实际情况。

例如，设原输入向量为n维向量：

x＝[x₁,x₂,...,x_n]^T (1)

所构建的二维网格为m个输出向量，对应的第i个输人向量与第j个输出向量之间的连接权值为ω_ij，则输入向量在时刻t到所有输出向量的欧式距离，如式(2)所示：

式(2)中，x_i(t)-t时刻输入向量值。

结合注塑产品实际优化需要，本发明对输入向量在时刻t到所有输出向量的欧式距离d_j进行改进，采用频率累计法来调整权重，对欧式距离函数作加权处理，从而提高聚类的准确性和速度，如式(3)所示。

式(3)中，e为累计频率。

可选地，请参阅图6所示，SOM神经网络的构建采用Matlab软件来实现，输入向量维数为6，分别为模具温度T₁、熔体温度T₂、注射速率V、保压压力P_i、保压时间t_i以及冷却时间t_c；输出向量为2个，分别为缩痕和翘曲，以训练样本27个、训练次数设置为5000次为例，对欧式距离改进后的SOM神经网络进行训练，误差曲线如图7所示。

从图7中可以看出，本发明通过对SOM神经网络的欧式距离进行优化处理，能够进一步降低本训练误差，误差较小，应用于对注塑工艺参数进行变动而引起的翘曲量和缩痕指数的变化模拟预测更为精确。

基于步骤S3OO获取的第一优化注塑工艺参数(T₁-2)(T₂-1)(V-3)(t_i-1)(t_s-3)的每个注塑工艺参数为中心点，进行每一种参数的按梯度进一步密化调整，密化调整后的参数组合运用SOM神经网络进行预测，获得的最终优化工艺参数为模温58℃，熔体温度262℃，注射速率为35cm³/s，保压75MPa，保压时间6s，冷却时间18s。将所获得的最终优化工艺参数设置入Moldflow【填充+保压+翘曲】分析，仿真分析获得的缩痕指数为0.95％，翘曲量为0.89mm。将获得参数进行实际试模后获得实际注塑产品经质检后，产品各项质量指标稳定，符合产品的工业应用要求。

综上，通过基于注塑工艺参数影响权重对欧式距离进行优化处理，并且基于第一优化注塑工艺参数利用欧式距离优化处理后的SOM神经网络进行驯良，能够获取最终优化注塑工艺参数，并且获取的最终优化注塑工艺参数更为精确。

在本发明中，为实现产品的无缺陷注塑，借助CAE软件仿真辅助分析，对注塑产品进行了浇口位置优化及浇注系统的优化设计，并通过对注塑工艺参数的检验，获取了注塑时将可能存在的注塑缺陷。

进一步运用正交试验以及CAE软件分析，获得了第一优化注塑工艺参数，进一步结合改进后的SOM神经网络的预测功能，得出了最终优化注塑工艺参数，并将应用于实际注塑工艺设置，取得了非常良好的产品注塑效果。

结合注塑工艺参数的优化需要，应用SOM神经网络寻优和预测最终优化工艺参数，本发明为提高注塑试模成功率提供了一种有效手段，对于提高塑件成型质量和效率、缩短生产成本有很好的工程实践参考价值。

更进一步地，本发明还提供了一种注塑工艺，注塑工艺通过上述的基于SOM神经网络的注塑工艺优化方法获得。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种基于SOM神经网络的注塑工艺优化方法，其特征在于，包括以下步骤：

建立注塑产品的模流分析模型；

利用CAE软件对所述模流分析模型的注塑工艺参数进行模拟仿真，获取导致所述注塑产品产生注塑缺陷的注塑工艺参数种类；

基于所述注塑工艺参数，利用正交试验以及CAE软件获取所述注塑工艺参数种类导致所述注塑产品产生注塑缺陷的注塑工艺参数影响权重以及第一优化注塑工艺参数；

基于所述注塑工艺参数影响权重以及所述第一优化注塑工艺参数，利用SOM神经网络获取最终优化注塑工艺参数。

2.根据权利要求1所述的基于SOM神经网络的注塑工艺优化方法，其特征在于，所述基于所述注塑工艺参数影响权重以及所述第一优化注塑工艺参数，利用SOM神经网络获取最终优化注塑工艺参数步骤中，包括以下步骤：

对所述SOM神经网络的欧式距离进行优化处理。

3.根据权利要求4所述的基于SOM神经网络的注塑工艺优化方法，其特征在于，对所述SOM神经网络的欧式距离进行优化处理为采用频率累计法对输入向量调整权重后计算所述欧式距离；

其中，所述输入向量选自所述第一优化注塑工艺参数，所述调整权重依据所述注塑工艺参数影响权重设置。

4.根据权利要求3所述的基于SOM神经网络的注塑工艺优化方法，其特征在于，所述欧式距离的计算公式为：

<mrow> <msub> <mi>d</mi> <mi>j</mi> </msub> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>i</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>n</mi> </munderover> <msup> <mrow> <mo>(</mo> <mi>e</mi> <mo>*</mo> <msub> <mi>x</mi> <mi>i</mi> </msub> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>-</mo> <msub> <mi>&amp;omega;</mi> <mrow> <mi>i</mi> <mi>j</mi> </mrow> </msub> <mo>(</mo> <mi>t</mi> <mo>)</mo> <mo>)</mo> </mrow> <mn>2</mn> </msup> <mo>,</mo> </mrow>

其中，d为欧式距离，n为输入向量维数，e为累计频率，x为输入向量，ω_ij为对应的第i个输入向量与第j个输出向量之间的连接权值。

5.根据权利要求1所述的基于SOM神经网络的注塑工艺优化方法，其特征在于，所述导致所述注塑产品产生注塑缺陷的注塑工艺参数种类包括模具温度、熔体温度、注射速率、保压压力、保压时间、冷却时间中的任意一种或几种。

6.根据权利要求1所述的基于SOM神经网络的注塑工艺优化方法，其特征在于，所述建立注塑产品的模流分析模型包括以下子步骤：

建立所述注塑产品的CAD结构模型，利用Hypermesh软件对所述CAD结构模型进行网格划分。

7.根据权利要求6所述的基于SOM神经网络的注塑工艺优化方法，其特征在于，在对所述CAD结构模型进行网格划分前还包括以下子步骤：

利用所述Hypermesh软件去除所述CAD结构模型的小圆点特征。

8.根据权利要求1所述的基于SOM神经网络的注塑工艺优化方法，其特征在于，所述利用CAE软件对所述模流分析模型的注塑工艺参数进行模拟仿真步骤，还包括以下子步骤：

对所述注塑产品进行浇口位置优化。

9.根据权利要求1所述的基于SOM神经网络的注塑工艺优化方法，其特征在于，所述利用CAE软件对所述模流分析模型的注塑工艺参数进行模拟仿真步骤，还包括以下子步骤：

利用CAE软件的材料库数据，获取所述注塑产品的注塑材料的注塑工艺参数要求。

10.一种注塑工艺，其特征在于，所述注塑工艺通过权利要求1至9任意一项所述的基于SOM神经网络的注塑工艺优化方法获得。