汽車底盤零件高強(qiáng)鋼內(nèi)高壓成形技術(shù)解析

大型汽車注塑件產(chǎn)品由于其結(jié)構(gòu)復(fù)雜、尺寸較大，因而在實(shí)際生產(chǎn)中容易出現(xiàn)諸如體積收縮率大、翹曲變形大、熔接痕多等缺陷。這些缺陷會(huì)嚴(yán)重降低產(chǎn)品的質(zhì)量合格率，在一定程度上增加了生產(chǎn)成本的投入。

近年來，注塑 CAE 技術(shù)在塑料產(chǎn)品開發(fā)和模具設(shè)計(jì)行業(yè)中占據(jù)著不可或缺的地位。汽車儀表板是汽車內(nèi)飾件里的重要組成部分，王良柱等 通過Moldflflow 分析了汽車儀表板本體骨架的翹曲變形主要原因，根據(jù)塑件成型時(shí)的纖維取向規(guī)律改變塑件結(jié)構(gòu)進(jìn)而優(yōu)化了塑件的翹曲變形，吳俊超 借助Moldflflow 軟件和正交實(shí)驗(yàn)對(duì)汽車儀表板注塑模具進(jìn)行了優(yōu)化分析，李淵博等 利用 Moldflflow 軟件對(duì)重卡儀表板本體注塑分別進(jìn)行了料厚、翹曲變形和體積收縮率的分析，探究了塑件材料和塑件結(jié)構(gòu)對(duì)塑件成型質(zhì)量的影響。

目前國(guó)內(nèi)外對(duì)汽車儀表板注塑數(shù)值模擬的研究還存在很多不足之處，筆者研究的汽車儀表板結(jié)構(gòu)復(fù)雜，成型質(zhì)量要求較高，故以翹曲變形和體積收縮率這兩個(gè)目標(biāo)來進(jìn)行優(yōu)化探究，采用了較為智能的 BP 神經(jīng)網(wǎng)絡(luò)和多目標(biāo)遺傳算法組合方式來進(jìn)行汽車儀表注塑工藝參數(shù)的優(yōu)化。

塑件結(jié)構(gòu)及有限元模型

塑件三維模型

以某汽車儀表板為研究對(duì)象，采用 CATIA 建立汽車儀表板的三維零件模型，該儀表板的基本尺寸為 1 360.11 mm×559.11 mm×459.58 mm，平均壁厚為 2.41 mm，最大壁厚為 11.80 mm，如圖 1 所示，該汽車儀表板塑件結(jié)構(gòu)較復(fù)雜且尺寸較大，屬于大型注塑件產(chǎn)品，注塑質(zhì)量要求儀表板外觀面無明顯熔接痕、氣穴等缺陷。

a—主視圖；b—俯視圖；c—左視圖

圖 1　汽車儀表板模型三視圖

塑件有限元模型

將汽車儀表板三維模型導(dǎo)入 CAD doctor 中進(jìn)行模型轉(zhuǎn)換的預(yù)處理及修復(fù)以便于后續(xù)有限元模型的建立，利用 Moldflflow 對(duì)修復(fù)后的模型進(jìn)行網(wǎng)格劃分，網(wǎng)格劃分結(jié)果如圖 2 所示，網(wǎng)格劃分質(zhì)量見表 1。

圖 2　汽車儀表板有限元模型

初步工藝模擬分析

筆者研究的汽車儀表板是硬塑儀表板，要求有一定的彈塑性和剛度以及高的尺寸穩(wěn)定性和良好的力學(xué)性能，因此儀表板材料選擇上海普利特復(fù)合材料制造的聚丙烯 / 三元乙丙橡膠 / 質(zhì)量分?jǐn)?shù) 20%。

表 1　網(wǎng)格劃分質(zhì)量

滑石粉 (PP+EPDM-T20)，材料主要工藝性能見表 2。依據(jù)所選材料的工藝性能、塑件結(jié)構(gòu)特點(diǎn)以及注塑經(jīng)驗(yàn)，設(shè)定初步的工藝參數(shù)見表 3，數(shù)值模擬后得到的翹曲變形量為 9.556 mm，體積收縮率為10.72%，如圖 3 所示。

表 2　材料的主要工藝性能

表 3　初步數(shù)值模擬得到的工藝參數(shù)組合

a—翹曲變形量；b—體積收縮率

圖 3　初步數(shù)值模擬得到的翹曲變形量與體積收縮率

Box-Behnken 試驗(yàn)設(shè)計(jì)

在建立數(shù)據(jù)擬合模型前需要獲取一定數(shù)量的試驗(yàn)數(shù)據(jù)，科學(xué)的試驗(yàn)設(shè)計(jì)方法能夠獲得良好全面的所研究對(duì)象的信息，筆者采用 Box-Behnken 試驗(yàn)設(shè)計(jì)進(jìn)行試驗(yàn)數(shù)據(jù)的獲取，其特點(diǎn)是所需的因素水平較少，設(shè)計(jì)點(diǎn)較少，并且能夠高效地獲得擬合模型的系數(shù)。

選取開模時(shí)間(A)、熔體溫度(B)、模具溫度(C)、注塑時(shí)間(D)、速度壓力切換(E)、保壓壓力(F)、保壓恒壓時(shí)間(G)、保壓衰減時(shí)間(H)、冷卻時(shí)間(I)這9個(gè)工藝參數(shù)作為試驗(yàn)因子，以翹曲變形量(X)和體積收縮率(Y)為目標(biāo)變量，進(jìn)行9因子3水平Box-Behnken試驗(yàn)設(shè)計(jì)，工藝參數(shù)范圍見表4。

表 4　工藝參數(shù)取值范圍

根據(jù) Box-Behnken 試驗(yàn)設(shè)計(jì)以及數(shù)值模擬過程得到了 130 組試驗(yàn)數(shù)據(jù)結(jié)果，考慮到文章篇幅的大小，只列出如表 5 所示的部分?jǐn)?shù)據(jù)結(jié)果。

表 5 Box-Behnken 試驗(yàn)設(shè)計(jì)表部分?jǐn)?shù)據(jù)

BP 神經(jīng)網(wǎng)絡(luò)模型的建立

人工神經(jīng)網(wǎng)絡(luò)是無需在了解輸入和輸出之間函數(shù)關(guān)系式的前提下，就能憑借自身不斷的訓(xùn)練進(jìn)而去學(xué)習(xí)輸入和輸出之間的映射規(guī)則的一種智能信息處理系統(tǒng)，BP 神經(jīng)網(wǎng)絡(luò)是一種以 BP 算法為核心算法的反向傳播神經(jīng)網(wǎng)絡(luò)，梯度下降法是 BP神經(jīng)網(wǎng)絡(luò)用來實(shí)現(xiàn)預(yù)測(cè)值和實(shí)際值之間的均方差和誤差最小化的主要方式。BP 神經(jīng)網(wǎng)絡(luò)包含隱藏層、輸入層和輸出層這 3個(gè)組成部分，通常 BP 神經(jīng)網(wǎng)絡(luò)的隱藏層為 1，實(shí)際上隱藏層節(jié)點(diǎn)數(shù)通常根據(jù)經(jīng)驗(yàn)公式和實(shí)際試驗(yàn)來確定，經(jīng)驗(yàn)公式如下：

式 (1) 中 w，u，v 分別為隱藏層、輸入層、輸出層節(jié)點(diǎn)數(shù)，a 可以選擇 1～10 之間的整數(shù)，筆者所建立的 BP 神經(jīng)網(wǎng)絡(luò)模型為 9 個(gè)輸入節(jié)點(diǎn)，2 個(gè)輸出節(jié)點(diǎn)，19 個(gè)隱藏層節(jié)點(diǎn)，神經(jīng)網(wǎng)絡(luò)模型拓?fù)鋱D如圖 4所示。

圖 4 BP 神經(jīng)網(wǎng)絡(luò)模型拓?fù)鋱D

為了擬合較為精確的BP神經(jīng)網(wǎng)絡(luò)模型，從130組Box-Behnken試驗(yàn)中隨機(jī)選取90組作為訓(xùn)練集數(shù)據(jù)，從剩下的40組試驗(yàn)數(shù)據(jù)里隨機(jī)選取20組作為測(cè)試集數(shù)據(jù)，最后剩余的20組數(shù)據(jù)作為驗(yàn)證集數(shù)據(jù)，最大迭代數(shù)為1000，目標(biāo)誤差為1.00×10-7，學(xué)習(xí)率為0.01，最后得到的模型均方誤差變化以及誤差直方圖如圖5a、圖5b所示，各數(shù)據(jù)集的回歸性如圖6所示。

從圖 5a 中可以得到當(dāng)數(shù)據(jù)集對(duì)模型完整訓(xùn)練

a—均方差變化圖；b—誤差直方圖

圖 5　均方差和直方圖

a—訓(xùn)練集；b—驗(yàn)證集；c—測(cè)試集；d—綜合

圖 6　模型回歸能力圖

7次時(shí)，驗(yàn)證集和測(cè)試集達(dá)到最小均方誤差，圖 5b中神經(jīng)網(wǎng)絡(luò)的輸出值與樣本原目標(biāo)值的誤差集中在0.008 739 左右，誤差較小，圖 6 中訓(xùn)練集、測(cè)試集、驗(yàn)證集的 R 均大于 0.9，表明了該擬合模型的線性化程度較高，結(jié)果良好。

基于多目標(biāo)遺傳算法的參數(shù)優(yōu)化

非支配排序遺傳算法 (NSGA-Ⅱ) 相較于傳統(tǒng)多標(biāo)遺傳算法，計(jì)算復(fù)雜度降低了許多，其擁擠度和擁擠度比較算子的計(jì)算，改善了傳統(tǒng)多目標(biāo)遺傳算法需要指定共享半徑的適應(yīng)度共享策略，為后續(xù)的快速排序提供了擇優(yōu)的標(biāo)準(zhǔn)，同時(shí)它可使解集域中解的個(gè)體均勻分布，保證了種群多樣性。NSGA-Ⅱ的原理圖如圖 7 所示。

本文優(yōu)化的多目標(biāo)為汽車儀表板體積收縮率最小和翹曲變形量最小，Pareto 最優(yōu)解集是多目標(biāo)遺傳算法求解結(jié)果中由多個(gè)目標(biāo)均達(dá)到最優(yōu)解的集合組成的解集，利用 NSGA-Ⅱ 進(jìn)行優(yōu)化求解，算法的種群個(gè)體總數(shù)為 200、交叉和變異概率分別為 0.8和 0.02、迭代次數(shù)為 200，優(yōu)化得到體積收縮率和翹曲變形量 Pareto 最優(yōu)解集如圖 8 所示。

由于最優(yōu)解集里存在多個(gè)解，為了使兩個(gè)目標(biāo)均達(dá)到最小化即兩個(gè)目標(biāo)權(quán)重均為 1，由此綜合考慮優(yōu)選出一個(gè)最佳組合方案為：翹曲變形量

圖 7 NSGA-Ⅱ 原理流程圖

圖 8 Pareto 最優(yōu)解集

8.603 mm，體積收縮率 9.75%。此時(shí)的工藝參數(shù)為：開模時(shí)間 5.984 s，熔體溫度 250.73℃，模具溫度64.035℃，注塑時(shí)間 3.234 s，速度壓力切換98.34%，保壓壓力 83.491 MPa，保壓恒壓時(shí)間 15.31 s，保壓衰減時(shí)間 44.30 s，冷卻時(shí)間 78.161 s。

數(shù)值模擬驗(yàn)證

為 了驗(yàn)證優(yōu)化方法的準(zhǔn)確性與可行性，在Moldflflow軟件中設(shè)置好優(yōu)化過的工藝參數(shù)進(jìn)行模擬仿真，最后得到的結(jié)果如圖9所示。圖9中，仿真得到翹曲變形量為8.712mm，體積收縮率為9.8%，對(duì)比尋優(yōu)得到的最優(yōu)解，翹曲變形量誤差為1.27%，體積收縮率誤差為0.51%，誤差均滿足在3%以內(nèi)，表明了所用優(yōu)化方法的準(zhǔn)確性。初步工藝模擬分析時(shí)的翹曲變形量為9.556mm，體積收縮率為10.72%，經(jīng)過優(yōu)化后的翹曲變形量減小了8.83%，體積收縮率降低了8.58%，塑件產(chǎn)品的質(zhì)量得到了更進(jìn)一步的提升，同時(shí)表明了所用優(yōu)化方法的準(zhǔn)確性與可行性。

a—翹曲變形量；b—體積收縮率

圖 9　仿真驗(yàn)證結(jié)果

結(jié)論

(1) 以汽車儀表板體積收縮率和翹曲變形量作為優(yōu)化目標(biāo)，以開模時(shí)間、模具溫度等9個(gè)工藝參數(shù)為影響因子，設(shè)計(jì)了Box-Behnken試驗(yàn)來獲取不同水平影響因子所產(chǎn)生的目標(biāo)結(jié)果數(shù)據(jù)，建立了BP神經(jīng)網(wǎng)絡(luò)模型，結(jié)合NSGA-Ⅱ最終確定了最優(yōu)的注塑工藝參數(shù)為：開模時(shí)間5.984s，熔體溫度250.73℃，模具溫度64.035℃，注塑時(shí)間3.234s，速度壓力切換98.34%，保壓壓力83.491MPa，保壓恒壓時(shí)間15.31s，保壓衰減時(shí)間44.30s，冷卻時(shí)間78.161s。

(2)  通過 Moldflflow 仿真驗(yàn)證發(fā)現(xiàn)仿真結(jié)果與尋優(yōu)得到的結(jié)果之間誤差較小，翹曲變形量?jī)?yōu)化了8.83%，體積收縮率優(yōu)化了 8.58%。