CN115795933A - 一种金属嵌件注塑成型优化方法、装置及存储介质 - Google Patents
一种金属嵌件注塑成型优化方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115795933A CN115795933A CN202211236430.4A CN202211236430A CN115795933A CN 115795933 A CN115795933 A CN 115795933A CN 202211236430 A CN202211236430 A CN 202211236430A CN 115795933 A CN115795933 A CN 115795933A
- Authority
- CN
- China
- Prior art keywords
- injection molding
- metal insert
- analysis
- abaqus
- moldflow
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000001746 injection moulding Methods 0.000 title claims abstract description 52
- 239000002184 metal Substances 0.000 title claims abstract description 51
- 238000005457 optimization Methods 0.000 title claims abstract description 39
- 238000003860 storage Methods 0.000 title claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 46
- 230000008878 coupling Effects 0.000 claims abstract description 26
- 238000010168 coupling process Methods 0.000 claims abstract description 26
- 238000005859 coupling reaction Methods 0.000 claims abstract description 26
- 238000004364 calculation method Methods 0.000 claims abstract description 23
- 239000002245 particle Substances 0.000 claims abstract description 22
- 238000009826 distribution Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000005070 sampling Methods 0.000 claims abstract description 10
- 238000004088 simulation Methods 0.000 claims abstract description 9
- 239000008186 active pharmaceutical agent Substances 0.000 claims abstract description 6
- 238000005206 flow analysis Methods 0.000 claims abstract description 4
- 239000000463 material Substances 0.000 claims description 16
- 230000007547 defect Effects 0.000 claims description 13
- 238000003062 neural network model Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 239000000835 fiber Substances 0.000 claims description 6
- 238000001816 cooling Methods 0.000 claims description 5
- 230000035882 stress Effects 0.000 description 44
- 238000000465 moulding Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000012916 structural analysis Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000005336 cracking Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 229910001369 Brass Inorganic materials 0.000 description 1
- 229920006100 Vydyne® Polymers 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000010951 brass Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008646 thermal stress Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000003466 welding Methods 0.000 description 1
Images
Landscapes
- Injection Moulding Of Plastics Or The Like (AREA)
Abstract
本发明公开了一种金属嵌件注塑成型优化方法、装置及存储介质，其包括以下步骤：(1)在Moldflow中建立金属嵌件和注塑件的3D网格有限元模型；(2)设置模具结构、工艺参数和分析序列，进行3D网格有限元模型的仿真分析，得到模流分析结果；(3)运行API脚本，导出3D网格和分析结果数据；(4)将文件整合为Abaqus可识别的inp文件；(5)编辑inp文件，添加分析步和关键字，输入指令提交Abaqus热耦合计算分析，得到金属嵌件注塑件的热耦合应力分布情况；(6)通过工艺参数作为变量，将Abaqus得到的热耦合最大应力，作为目标函数，构建BP神经网络；(7)通过拉丁超立方采样，利用粒子群优化算法求得最佳目标函数和对应的工艺参数；(8)验证最佳工艺参数准确性。
Description
技术领域
本发明涉及金属嵌件注塑成型技术领域，具体涉及一种用于预测金属嵌件成型参与应变发展的金属嵌件注塑成型优化方法、装置及存储介质。
背景技术
随着注塑件在各个领域的快速发展，近年来CAE分析技术已经相当成熟和稳定。然而，当带有金属镶块或者嵌件的产品成型时，仍然会出现可能影响精度、密封性和开裂的缺陷。另一方面，对于带有金属嵌件的注塑件，由其引起的残余应力和变形无法准确预测。
残余应力是注塑件顶出后在无外部载荷的情况下所留下的应力，由于进一步冷却至环境温度，热应力仍可能在喷射后引入产品，残余应力重新分布，导致金属嵌件注塑件变形或者产生开裂。
因此，如何准确的确定金属嵌件注塑件开模后，残余应力和温度发展的情况，进而避免开裂风险，减少试模次数，提高生产效率，成为目前本领域需要解决的问题。
公开号为：CN114662357A，专利名称为：一种确定散热器进出水室注塑件最佳工艺参数的方法，其公开了散热器进水室注塑件的最佳工艺确定方法，该方法用于解决注塑件成型时会存在短射、熔接线、翘曲变形等缺陷，而进行的注塑件的注塑工艺优化，但该方法无法满足具有金属嵌件的注塑件的残余应力和变形的预测。
发明内容
本发明的目的是针对现有技术的不足，提供一种金属嵌件注塑成型优化方法、装置及存储介质，解决具有金属嵌件的注塑件，的问题。
本发明为实现上述目的所采用的技术方案是：
一种金属嵌件注塑成型优化方法，其包括以下步骤：
(1)在Moldflow中建立金属嵌件和注塑件的3D网格有限元模型；
(2)设置模具结构、工艺参数和分析序列，进行3D网格有限元模型的仿真分析，得到模流分析结果；
(3)运行API脚本，导出3D网格和分析结果数据；
(4)将文件整合为Abaqus可识别的inp文件；
(5)编辑inp文件，添加分析步和关键字，输入指令提交Abaqus热耦合计算分析，得到金属嵌件注塑件的热耦合应力分布情况；
(6)通过工艺参数作为变量，将Abaqus得到的热耦合最大应力，作为目标函数，构建BP神经网络；
(7)通过拉丁超立方采样，利用粒子群优化算法求得最佳目标函数和对应的工艺参数；
(8)验证最佳工艺参数准确性。
所述步骤(1)具体包括：
(1.1)将金属嵌件和注塑件模型分别导入CADdoctor中简化模型，优化残缺曲面；
(1.2)将简化后的模型导入Moldflow中，设置嵌件材料及其参数，选择3D有限元网格，进行有限元网格的划分；
(1.3)优化有限元网格长边缺陷、大体积单元缺陷、纵横比缺陷、大角度单元缺陷，提高3D网格质量。
所述步骤(2)具体包括：
(2.1)在Moldflow设置模具结构，包括流道、浇口、冷却回路位置和尺寸、模具镶块；
(2.2)根据材料牌号或者性能参数，在Moldflow中选择合适的材料，设置工艺参数；
(2.3)选择分析序列，该分析序列至少包括填充、保压和翘曲，并提交分析数据进行计算。
所述步骤(4)具体包括：将命令提示符工作路径切换到Moldflow导出文件，将导出文件的材料信息、纤维取向、温度、残余应力分布和3D网格信息，整合为Abaqus可识别的inp文件。
所述步骤(6)具体包括：将嵌件表面温度、模具温度、填充时间、保压压力、保压时间5个工艺参数作为变量，将Abaqus计算得到的热耦合最大应力为目标函数，在Matlab中构建一个BP神经网络模型。
所述步骤(7)具体包括：
(7.1)将影响残余应力的5个重要参数作为变量，将所述变量按照正态分布进行拉丁超立方取样，得到多组样本；
(7.2)将步骤(7.1)中的样本数据分别输入至Moldflow中进行分析，然后导入Abaqus进行计算，得到不同样本所对应的热耦合应力；
(7.3)结合粒子群优化算法和BP神经网络，评估神经网络模型预测误差；得到粒子群算法优化神经网络模型下最小应力值，并记录下此时对应的最佳工艺参数。
所述步骤(8)具体包括：
(8.1)将步骤(7)通过粒子群优化算法得到的最佳工艺参数，输入Moldflow中进行分析；
(8.2)导入Moldflow结果文件，生成inp文件，转化成Abaqus文件进行计算；
(8.3)对比最佳工艺参数下Abaqus模拟得到的应力，与由粒子群算法迭代得到的最小应力，若对比得到的应力在数值上误差越小，则说明该模型预测越准确。
一种金属嵌件注塑成型优化装置，其包括：
存储器，用于存储计算机程序；
处理器，用于在存储计算机程序时，实现所述的金属嵌件注塑成型优化方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现所述的金属嵌件注塑成型优化方法的步骤。
本发明的有益效果是：本发明通过基于Moldflow，进行金属嵌件注塑成型分析，将导出的残余应力和温度来定义Abaqus结构分析的初始条件，然后利用Abaqus软件对最终变形和应力进行预测。数值实验表明，该方法是一种有效的残余应力和变形分析方法。通过与能够显示畸变分布并得到其测量值的三维扫描照片进行比较，发现仿真结果与实验结果一致。
将模流分析软件Moldflow和结构分析软件Abaqus联合使用，将Moldflow得到的残余应变等数据，作为Abaqus结构分析初始条件进行热耦合分析，弥补模流分析软件不能进行结构分析的不足；
构建神经网络模型并运用粒子群算法预测结构热耦合最小应力时对应的工艺参数，提高工作效率，减少成本。
附图说明
图1为本发明流程图；
图2为本发明三维模型图；
图3为本发明神经网络预测误差图；
图4为本发明粒子群优化算法迭代最小应力图；
图5为本发明Abaqus热耦合计算最小应力云图。
具体实施方式
实施例1：参见图1至图5，本实施例提供一种金属嵌件注塑成型优化方法，其包括以下步骤：
(1)在Moldflow中建立金属嵌件和注塑件的3D网格有限元模型；
(2)设置模具结构、工艺参数和分析序列，进行3D网格有限元模型的仿真分析，得到模流分析结果；
(3)运行API脚本mpi2abq，导出3D网格和分析结果数据；
(4)将文件整合为Abaqus可识别的inp文件；
(5)编辑inp文件，添加分析步和关键字，输入指令提交Abaqus热耦合计算分析，得到金属嵌件注塑件的热耦合应力分布情况；
(6)通过工艺参数作为变量，将Abaqus得到的热耦合最大应力，作为目标函数，构建BP神经网络；
(7)通过拉丁超立方采样，利用粒子群优化算法求得最佳目标函数和对应的工艺参数；
(8)验证最佳工艺参数准确性。
所述步骤(1)具体包括：
(1.1)将金属嵌件和注塑件模型分别导入CADdoctor中简化模型，优化残缺曲面；包括删除小圆角，消除干涉曲面，修补存在缺陷的曲面；
(1.2)将简化后的模型导入Moldflow中，设置嵌件材料及其参数，选择3D有限元网格，进行有限元网格的划分；
(1.3)优化有限元网格长边缺陷、大体积单元缺陷、纵横比缺陷、大角度单元缺陷，提高3D网格质量。
所述步骤(2)具体包括：
(2.1)在Moldflow中，按照UG设计的模型三维图，设置模具结构，包括流道、浇口、冷却回路位置和尺寸、模具镶块；
(2.2)根据材料牌号或者性能参数，在Moldflow中选择合适的材料，设置工艺参数；
(2.3)选择分析序列，该分析序列至少包括填充、保压和翘曲，并提交分析数据进行计算。
所述步骤(3)具体包括：在得到Moldflow分析结果后，在命令行窗口运行API脚本mpi2abq，将3D网格和分析结果数据导出为Abaqus可识别的文件；
该文件包括主方向中基于正交假设的九个弹性常数：Job_e11.xml、Job_e22.xml、Job_e33.xml、Job_g12.xml、Job_g13.xml、Job_g23.xml、Job_v12.xml、Job_v13.xml、Job_v23.xml；
第一、第二、第三主方向中的线性热膨胀系数：Job_ltec_1.xml、Job_ltec_2.xml、Job_ltec_3.xml；
包含金属嵌件注塑件3D网格单元信息的Job_mesh.inp文件；包含金属嵌件注塑件成型后纤维取向分布信的Job_principalDirections.xml文件；包含金属嵌件注塑件成型后残余应力分布信息的Job_initStresses.xml文件。
所述步骤(4)具体包括：将命令提示符工作路径切换到Moldflow导出文件，将导出文件的材料信息、纤维取向、温度、残余应力分布和3D网格信息，整合为Abaqus可识别的inp文件。
具体的，将Moldflow导出文件剪切到‘c:temp’文件夹，将命令提示符工作路径切换到‘c:temp’，输入以下指令：
Abaqus Moldflow Job＝Job_name input＝Job_name 3D initial_stress＝onelement_order＝on
material＝traditional orientation＝traditional，然后运行指令，导出文件的材料信息、纤维取向、温度、残余应力分布和3D网格信息被整合成一个Abaqus可识别的inp文件。
所述步骤(5)具体包括：以记事本方式打开inp文件，编辑inp文档，添加分析步和关键字：
*Step,name＝Step-1,nlgeom＝YES
*Static,direct
*OUTPUT,FIELD,VARIABLE＝PRESELECT
在当前路径下打开命令提示符，输入指令：
abaqusjob＝job_name.inp cpus＝16int，然后执行计算，得到零件热耦合应力分布情况。
所述步骤(6)具体包括：将嵌件表面温度、模具温度、填充时间、保压压力、保压时间5个工艺参数作为变量，将Abaqus计算得到的热耦合最大应力为目标函数，在Matlab中构建一个BP神经网络模型。
所述步骤(7)具体包括：
(7.1)将影响残余应力的5个重要参数作为变量，将所述变量按照正态分布进行拉丁超立方取样，得到多组样本；
(7.2)将步骤(7.1)中的样本数据分别输入至Moldflow中进行分析，然后导入Abaqus进行计算，得到不同样本所对应的热耦合应力；
(7.3)结合粒子群优化算法和BP神经网络，评估神经网络模型预测误差；得到粒子群算法优化神经网络模型下最小应力值，并记录下此时对应的最佳工艺参数。
所述步骤(8)具体包括：
(8.1)将步骤(7)通过粒子群优化算法得到的最佳工艺参数，输入Moldflow中进行分析；
(8.2)导入Moldflow结果文件，生成inp文件，转化成Abaqus文件进行计算；
(8.3)对比最佳工艺参数下Abaqus模拟得到的应力，与由粒子群算法迭代得到的最小应力，若对比得到的应力在数值上误差越小，则说明该模型预测越准确。
一种金属嵌件注塑成型优化装置，其包括：
存储器，用于存储计算机程序；
处理器，用于在存储计算机程序时，实现所述的金属嵌件注塑成型优化方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现所述的金属嵌件注塑成型优化方法的步骤。
实施例2：本实施例提供一种金属嵌件注塑成型优化方法，其步骤与实施例1基本相同，其不同之处在于：
(1)将嵌件螺母和注塑件模型分别导入CADdoctor中优化模型，删除小圆角、消除干涉曲面、修补存在缺陷的曲面；
将简化后的模型导入Moldflow中，设置嵌件材料为黄铜，设置嵌件表面温度，选择3D网格，网格边长8mm，四面体层数为6层，进行有限元网格划分；
修改有限元网格，优化网格长边、大体积单元、纵横比、大角度单元等缺陷，提高3D网格质量，最终得到模型四面体单元数为265024。
(2)在Moldflow中按照UG设计的模具三维图设置模具结构，包括流道、浇口、冷却回路位置和尺寸、模具镶块等；
本实施例为牌号Vydyne R530H BK02 Q533的PA66+30％GF材料，设置工艺参数；
选择分析序列填充+保压+翘曲，提交分析数据进行计算。
(3)在得到Moldflow分析结果后，在命令行窗口运行API脚本mpi2abq，将3D网格和分析结果数据导出为Abaqus可识别的文件；
该文件包括主方向中基于正交假设的九个弹性常数：Job_e11.xml、Job_e22.xml、Job_e33.xml、Job_g12.xml、Job_g13.xml、Job_g23.xml、Job_v12.xml、Job_v13.xml、Job_v23.xml；
第一、第二、第三主方向中的线性热膨胀系数：Job_ltec_1.xml、Job_ltec_2.xml、Job_ltec_3.xml；
包含金属嵌件注塑件3D网格单元信息的Job_mesh.inp文件；包含金属嵌件注塑件成型后纤维取向分布信的Job_principalDirections.xml文件；包含金属嵌件注塑件成型后残余应力分布信息的Job_initStresses.xml文件。
(4)以记事本方式打开inp文件，编辑inp文档，添加分析步和关键字：
*Step,name＝Step-1,nlgeom＝YES
*Static,direct
*OUTPUT,FIELD,VARIABLE＝PRESELECT
在当前路径下打开命令提示符，输入指令：
abaqusjob＝job_name.inp cpus＝16int，然后执行计算，得到零件热耦合应力分布情况。
(5)将嵌件表面温度、模具温度、填充时间、保压压力、保压时间5个工艺参数作为变量，通过abaqus计算得到的热耦合最大应力为目标函数，在Matlab中构建一个(5×5×1)BP神经网络模型。
(6)把影响残余应力的5个重要参数作为变量，将变量按照正态分布进行拉丁超立方取样50组样本；
其中各变量取值范围是：嵌件表面温度240℃-280℃，模具温度80℃-120℃，填充时间5s-7s，保压时间2s-10s，保压压力60MPa-120MPa。
将50组样本数据分别输入Moldflow分析，然后导入Abaqus计算，得到不同样本所对应的热耦合应力，表1为拉丁超立方取样结果：
表一：拉丁超立方取样结果
结合粒子群优化算法和BP神经网络，评估神经网络模型预测误差，随机选取42组数据作为训练集，8组数据作为预测集，测试集BP神经网络预测结果如表2所示：
表二：神经网络预测结果
根据试验结果可以看到，整体误差都在3％以内，拟合效果较好。
利用优化粒子群算法迭代计算寻找BP神经网络模型的极小值，经过200次迭代，得到的最小热耦合应力为147.6MPa，此时对应的最佳工艺参数为：嵌件表面温度270.6℃、模具表面温度98.4℃、填充时间6.3s、保压压力60.5MPa、保压时间10s。
将通过粒子群算法得到的最佳工艺参数输入Moldflow中进行分析；导入Moldflow结果文件，生成inp文件，转化成Abaqus文件提交计算，该工艺参数下对应的热耦合应力为145.5MPa；
对比最佳工艺参数下Abaqus模拟得到的应力和由粒子群算法迭代得到的最小应力，误差1.3％，则说明该模型预测较为准确。
以上所述，仅为本发明的较佳可行实施例，并非用以局限本发明的专利范围，故凡运用本发明说明书内容所作的方法步骤变化，均包含在本发明的保护范围。
Claims (9)
1.一种金属嵌件注塑成型优化方法，其特征在于，其包括以下步骤：
(1)在Moldflow中建立金属嵌件和注塑件的3D网格有限元模型；
(2)设置模具结构、工艺参数和分析序列，进行3D网格有限元模型的仿真分析，得到模流分析结果；
(3)运行API脚本，导出3D网格和分析结果数据；
(4)将文件整合为Abaqus可识别的inp文件；
(5)编辑inp文件，添加分析步和关键字，输入指令提交Abaqus热耦合计算分析，得到金属嵌件注塑件的热耦合应力分布情况；
(6)通过工艺参数作为变量，将Abaqus得到的热耦合最大应力，作为目标函数，构建BP神经网络；
(7)通过拉丁超立方采样，利用粒子群优化算法求得最佳目标函数和对应的工艺参数；
(8)验证最佳工艺参数准确性。
2.根据权利要求1所述的金属嵌件注塑成型优化方法，其特征在于，所述步骤(1)具体包括：
(1.1)将金属嵌件和注塑件模型分别导入CADdoctor中简化模型，优化残缺曲面；
(1.2)将简化后的模型导入Moldflow中，设置嵌件材料及其参数，选择3D有限元网格，进行有限元网格的划分；
(1.3)优化有限元网格长边缺陷、大体积单元缺陷、纵横比缺陷、大角度单元缺陷，提高3D网格质量。
3.根据权利要求1所述的金属嵌件注塑成型优化方法，其特征在于，所述步骤(2)具体包括：
(2.1)在Moldflow设置模具结构，包括流道、浇口、冷却回路位置和尺寸、模具镶块；
(2.2)根据材料牌号或者性能参数，在Moldflow中选择合适的材料，设置工艺参数；
(2.3)选择分析序列，该分析序列至少包括填充、保压和翘曲，并提交分析数据进行计算。
4.根据权利要求1所述的金属嵌件注塑成型优化方法，其特征在于，所述步骤(4)具体包括：将命令提示符工作路径切换到Moldflow导出文件，将导出文件的材料信息、纤维取向、温度、残余应力分布和3D网格信息，整合为Abaqus可识别的inp文件。
5.根据权利要求1所述的金属嵌件注塑成型优化方法，其特征在于，所述步骤(6)具体包括：将嵌件表面温度、模具温度、填充时间、保压压力、保压时间5个工艺参数作为变量，将Abaqus计算得到的热耦合最大应力为目标函数，在Matlab中构建一个BP神经网络模型。
6.根据权利要求1所述的金属嵌件注塑成型优化方法，其特征在于，所述步骤(7)具体包括：
(7.1)将影响残余应力的5个重要参数作为变量，将所述变量按照正态分布进行拉丁超立方取样，得到多组样本；
(7.2)将步骤(7.1)中的样本数据分别输入至Moldflow中进行分析，然后导入Abaqus进行计算，得到不同样本所对应的热耦合应力；
(7.3)结合粒子群优化算法和BP神经网络，评估神经网络模型预测误差；得到粒子群算法优化神经网络模型下最小应力值，并记录下此时对应的最佳工艺参数。
7.根据权利要求1所述的金属嵌件注塑成型优化方法，其特征在于，所述步骤(8)具体包括：
(8.1)将步骤(7)通过粒子群优化算法得到的最佳工艺参数，输入Moldflow中进行分析；
(8.2)导入Moldflow结果文件，生成inp文件，转化成Abaqus文件进行计算；
(8.3)对比最佳工艺参数下Abaqus模拟得到的应力，与由粒子群算法迭代得到的最小应力，若对比得到的应力在数值上误差越小，则说明该模型预测越准确。
8.一种金属嵌件注塑成型优化装置，其特征在于，其包括：
存储器，用于存储计算机程序；
处理器，用于在存储计算机程序时，实现权利要求1～7之一所述的金属嵌件注塑成型优化方法的步骤。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，实现权利要求1～7之一所述的金属嵌件注塑成型优化方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211236430.4A CN115795933A (zh) | 2022-10-10 | 2022-10-10 | 一种金属嵌件注塑成型优化方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211236430.4A CN115795933A (zh) | 2022-10-10 | 2022-10-10 | 一种金属嵌件注塑成型优化方法、装置及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115795933A true CN115795933A (zh) | 2023-03-14 |
Family
ID=85432765
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211236430.4A Withdrawn CN115795933A (zh) | 2022-10-10 | 2022-10-10 | 一种金属嵌件注塑成型优化方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115795933A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117131638A (zh) * | 2023-10-27 | 2023-11-28 | 江苏富松模具科技有限公司 | 用于转子压铸模具的冲压调控方法及系统 |
| CN117140847A (zh) * | 2023-10-24 | 2023-12-01 | 南通佳腾精密模具有限公司 | 一种精密模具用的封装方法及系统 |
-
2022
- 2022-10-10 CN CN202211236430.4A patent/CN115795933A/zh not_active Withdrawn
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117140847A (zh) * | 2023-10-24 | 2023-12-01 | 南通佳腾精密模具有限公司 | 一种精密模具用的封装方法及系统 |
| CN117140847B (zh) * | 2023-10-24 | 2023-12-29 | 南通佳腾精密模具有限公司 | 一种精密模具用的封装方法及系统 |
| CN117131638A (zh) * | 2023-10-27 | 2023-11-28 | 江苏富松模具科技有限公司 | 用于转子压铸模具的冲压调控方法及系统 |
| CN117131638B (zh) * | 2023-10-27 | 2023-12-26 | 江苏富松模具科技有限公司 | 用于转子压铸模具的冲压调控方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN115795933A (zh) | 一种金属嵌件注塑成型优化方法、装置及存储介质 | |
| CN108304657B (zh) | 基于有限元的机床关重件残余应力多工序连续建模仿真方法 | |
| US7870792B2 (en) | Forming limit strain analysis | |
| AU2020103406A4 (en) | Method and system for predicting residual stress of large aluminum alloy part | |
| CN112069610B (zh) | 一种透明复杂多腔塑件的注塑工艺参数优化方法 | |
| CN103886125B (zh) | 一种钛合金热复合成形数值模拟方法 | |
| KR20160013012A (ko) | 기술적 시스템의 스타팅 변수의 모델을 확인하기 위한 방법 | |
| CN102549580B (zh) | 用于优化制造厚壁元件的注塑过程的计算机实施的方法 | |
| Hwang et al. | Injection mold design of reverse engineering using injection molding analysis and machine learning | |
| CN112489734B (zh) | 一种内燃机替代燃料二甲醚燃烧反应机理模型的简化方法 | |
| CN111881524A (zh) | 一种阀门流量特性模拟实验方法 | |
| CN114662357A (zh) | 一种确定散热器进出水室注塑件最佳工艺参数的方法 | |
| CN113378433B (zh) | 一种复合铝板成形工艺参数确定方法、装置、设备及介质 | |
| Wang et al. | Structural topology optimization of a stamping die made from high-strength steel sheet metal based on load mapping | |
| CN111444619B (zh) | 一种注塑模具冷却系统在线分析方法及设备 | |
| CN111222280B (zh) | 一种高合金超高强度钢焊接升温过程中相份数的计算方法 | |
| Li et al. | Application of six sigma robust optimization in sheet metal forming | |
| JP4785587B2 (ja) | 成形条件の設定方法、プログラムおよび射出成形機 | |
| JP5237015B2 (ja) | 成形条件の設定方法および多目的最適化方法 | |
| CN109598023A (zh) | 一种高强度车轮轮辐结构设计方法 | |
| CN114880792A (zh) | 一种基于形变预测的全方位多角度优化方法 | |
| CN115828676A (zh) | 一种热压罐成型工艺参数优化方法 | |
| CN114218819B (zh) | 基于自适应元模型的复杂结构有限元参数区间的修正方法 | |
| Gao et al. | Size effect in curing optimization for thick composite laminates | |
| CN117877642B (zh) | 一种焊缝晶体塑性模型本构参数标定方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20240311 Address after: No. 7 Keguan Road, Baigang Community, Lishui Town, Nanhai District, Foshan City, Guangdong Province, 528244 Applicant after: FOSHAN NANHAI LEITE AUTO PARTS Co.,Ltd. Country or region after: China Applicant after: Hanlei Intelligent Manufacturing (Guangdong) Technology Co.,Ltd. Applicant after: SOUTH CHINA University OF TECHNOLOGY Address before: 528000 No.7 Keguan Road, Baigang Community, Lishui Town, Nanhai District, Foshan City, Guangdong Province (residence application) (one photo and multiple sites) Applicant before: FOSHAN NANHAI LEITE AUTO PARTS Co.,Ltd. Country or region before: China |
|
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230314 |