基于PSO-BP神经网络优化的汽车斗框注塑成型优化

针对塑件在注塑成型时,翘曲变形量和收缩率均较大的实际生产难题,利用神经网络预测的方法,对其注塑工艺参数进行优化,获得优质的塑件成品.采用粒子群算法(PSO)对BP神经网络进行了改进,并基于神经网络构建了注塑工艺参数与翘曲变形、体积收缩之间的预测模型.在准确地预测了翘曲变形和收缩率的最小变量的基础上,获得了最佳注塑成型工艺参数为(t1、T2、T3、P4、t5、t6)=(3.345 s、71.85℃、213.36 MPa、68％、12.5 s、13.7 s),相应的质量指标(△q、△v)的灰色关联适用度为0.089 5,相应的指标为[1.125,3.54％].翘曲变形能控制在0.95 rnm以下,收缩率降低至4％以下,工艺参数优化后的塑件的成型质量同样得到有效控制,大幅缩短了模具的生产周期,提高了模具生产经济效益.