基于神經網絡的連接器外殼注射工藝研究

趙 毅，劉淑梅，潘泓誼

（上海工程技術大學 材料工程學院，上海 201620）

0 引 言

電連接器在汽車航天等領域應用廣泛，而塑料制品由于質量輕、成本低等優勢，常用于制造電連接器外殼。連接器外殼除了要求良好的阻燃、絕緣性能外，還需具有優良的尺寸穩定性，以降低翹曲影響，確保在連接配合時不出現誤差[1]。為了探究翹曲影響因素，李海梅等[2]綜合工藝參數、模具結構及人為因素等方面分析了翹曲的機制和影響；高月華等[3]針對工藝研究了不同部件的翹曲影響因素，發現除了保壓壓力外，其余工藝參數的權重各不相同，說明工藝參數與翹曲的關系錯綜復雜，尤其對于結構復雜塑件，在現有CAE基礎上，僅靠傳統的優化回歸方法無法準確預測參數的影響趨勢。人工神經網絡的應用給翹曲影響研究帶來了新的思路和方法，神經網絡屬于智能處理系統，常用于解決復雜的多變量非線性問題[4]。王衛東、修輝平等[5,6]研究成型塑件注射工藝時，在正交試驗的樣本基礎上創建BP神經網絡模型，并證明其具有良好的預測能力。鄧其貴等[7]利用DPA-BP神經網絡模型分析了工藝參數對4種注射缺陷的影響規律，驗證了神經網絡模型的可靠性。

現對連接器外殼的注射工藝進行研究，結合正交試驗和BP神經網絡模型，分析其工藝參數和翹曲的非線性關系，為后續連接器外殼的參數設計提供思路。

1 塑件結構及正交試驗

1.1 塑件結構分析

連接器外殼結構如圖1所示，材料為PA6，含30%玻璃纖維，牌號為Ultramid B3GK24，密度為1.34 g/cm3，其熔體流動性好，MFR（熔體質量流動速率）測量值為81.5 g/min，具有優良的尺寸穩定性。

圖1 連接器外殼結構

由圖1可知，連接器外殼尺寸為145 mm×120 mm×20 mm，存在大量拐角、凸臺和圓孔，屬于復雜結構塑件。在其注射成型過程中，內部熔料流動過程難以預測，纖維取向差異較大，容易導致填充不足、翹曲及收縮率高等缺陷。

針對連接器外殼的注射工藝，首先根據Mold?Flow軟件分析澆口最佳注射位置，設計了單澆口注射方案，澆口尺寸為φ1.5 mm。模具采用1模2腔結構，根據系統默認工藝參數進行仿真分析，并設置流道和澆口，圖2所示為單澆口方案的結構設計與填充分析結果。

圖2 單澆口注射方案

由圖2（b）可以看出，待成型塑件部分凸臺填充時間晚，導致前沿熔料逐漸凝固，無法填充完整。針對此問題，結合軟件的澆口填充分析，重新制定了雙澆口和三澆口注射方案，同樣采用1模2腔工藝對2種方案進行注射仿真。根據分析結果，雙澆口方案的成型塑件最大變形為0.779 6 mm，三澆口方案的成型塑件最大變形為0.751 7 mm，如圖3所示。因此，采用三澆口注射方案不僅可以保證熔料填充完整，且成型塑件的翹曲變形量較小，現基于三澆口方案繼續進行工藝參數的分析。

圖3 雙澆口和三澆口方案

1.2 正交試驗設計

首先建立連接器外殼的有限元模型，并在MoldFlow軟件中進行模擬分析，由于三維模型中存在大量細小倒角和文字標記，導致網格劃分困難，運用CAD Doctor軟件對模型進行簡化和修復，刪除細小的倒角和文字，但不會影響分析的準確性[8]。網格匹配率由75%提升到93%，選用雙層面網格，網格數量為80 971，材料為數據庫中Ultramid B3GK24。

在連接器外殼注射工藝研究中，選取注射溫度A、模具溫度B、注射時間C、保壓時間D以及保壓壓力E作為參數分析對象，結合成型窗口分析和默認參數模擬結果，得到各參數的合理取值范圍，并依此建立因素水平表，如表1所示。

表1 因素水平

根據表1選取L16(45)設計表建立正交試驗方案，分析各參數的影響權重，并為之后的網絡模型設計提供參考樣本，試驗方案和翹曲結果如表2所示，共16組數據樣本。

表2 試驗方案和翹曲結果

極差分析如表3所示，對于外殼的翹曲，注射參數的影響順序為E＞A＞B＞D＞C，即保壓壓力的影響權重最大，且最優組合為注射溫度300℃、模具溫度80℃、注射時間1.0 s、保壓時間6 s、保壓壓力55 MPa。

表3 極差分析

2 人工神經網絡的構建

2.1 BP神經網絡

人工神經網絡是近年來發展的優化處理技術，主要參考生物腦信息加工方式，創立眾多神經單元相互聯接，組成一套可以自我反饋的智能信息處理系統，適合推理因素交互復雜的非線性問題，發展至今，已有大量的改進模型和優化算法相繼提出。其中，應用最普遍的是BP神經網絡，具有經典的“Back Propagation”思路，即首先正向遞進，數據信息從輸入層開始，經中間層處理傳遞到輸出層，如果出現誤差較大，則進行反向信息傳遞，過程中修改各層之間的聯結權值，經此反復以達到減少誤差的目的[9]。

在連接器外殼注射成型中，工藝參數和翹曲的關系具有明顯的非線性，結合BP神經網絡的非線性處理機制，可以更貼切地反應各參數和翹曲的關系趨勢。在正交試驗樣本基礎上，建立3層拓撲神經網絡結構，可以較好地解釋大部分非線性問題，層數選用過多則可能導致擬合過度。以選取的5個注射參數作為輸入層神經元，翹曲量作為輸出層，網絡結構和信息傳遞方式如圖4所示。

圖4 神經網絡結構

2.2 神經網絡訓練

依靠Matlab軟件編碼構建網絡模型，并對建立的模型進行訓練，訓練函數的選擇差異也會影響模型的訓練速度。模型構建中使用newff函數實現反向傳播，根據kolmogorov定理選擇10個隱含層的處理元，設計dividerand抽取70%數據組作為訓練數據，學習速率為0.02，最大訓練次數為10 000，期望最小偏差為10-5，用trainlm函數進行訓練，sim用于計算仿真[10]。為使模型更加穩定地迭代，采用map?minmax函數對數據進行歸一化和反歸一化處理，經過多次迭代計算后，訓練誤差逐步收斂于目標誤差。

3 神經網絡模型測試驗證

建立的神經網絡模型經過訓練后，仍需要測試其準確性，對模型的預測能力和精度進行評判。隨機選取未經過訓練的5個工藝方案組合作為樣本，利用MoldFlow軟件重新進行模擬，并對比網絡模型的預測結果，翹曲量的網絡預測值和軟件模擬值的誤差如表4所示。

表4 翹曲量的網絡預測值和模擬值對比

由表4可以看出，在5組樣本的驗證測試中，神經網絡的輸出結果和仿真模擬結果誤差在2.5%～3.6%，結果基本相符。樣本測試結果對比如圖5所示，可以更直觀地觀測網絡訓練值和實際模擬值之間的誤差。綜合表4和圖5可知，模型具有較高的預測精度。

圖5 樣本測試結果對比

傳統的試模方法耗時費力，利用CAE有限元分析可以節省較多時間，但連接器外殼注射模擬中每次改變注射參數都要重新進行仿真分析，且需要4～5 h，模擬DOE的試驗設計方案則需要5～6天。為進一步節省時間，加快產品研發，利用訓練好的神經網絡模型直接輸入相應工藝參數，可得出對應的預測翹曲量。由于該網絡模型的精確度較高，無需重復對每組參數進行仿真分析，降低了時間成本。

由上述正交試驗結果可知，注射時間C和保壓時間D對連接器外殼翹曲的影響較小，因此，可以保持其最優水平不變，即注射時間1.0 s、保壓時間6 s。針對影響較大的注射溫度A、模具溫度B和保壓壓力D進行二次尋優，以正交最優水平為基準進行參數微調，然后利用建立的網絡模型對調整后的參數組合進行翹曲量預測，微調后的參數組合和翹曲預測結果如表5所示。

表5 微調參數組合和翹曲預測結果

由表5可以看出，翹曲變形最小的是第5組參數，即注射溫度305℃、模具溫度85℃、注射時間1.0 s、保壓時間6 s、保壓壓力60 MPa，此時翹曲預測值為0.664 mm。利用MoldFlow軟件對該組參數進行模擬驗證，仿真的變形結果為0.657 mm，與預測值接近，且外殼的Z方向變形（平面度偏差）為0.48 mm。采用該參數組合指導樣品生產，所用設備為200T-LZ立式注塑機，材料采用BASF生產的PA6，牌號為Ultramid B3GK24。試生產的樣品如圖6所示，對樣品進行三維尺寸測量，其平面度偏差為0.46 mm，與仿真值接近，且圖紙要求的平面度最大偏差不超過0.6 mm，生產的樣品符合質量要求。

圖6 連接器外殼

4 結束語

針對連接器外殼結構復雜、注射工藝難以預測的問題，建立了3層拓撲的神經網絡模型，用于分析預測工藝參數對于翹曲的影響趨勢。建立正交試驗，由極差分析得出保壓壓力對翹曲影響最大，在正交試驗的樣本基礎上設立BP神經網絡模型，結合Matlab軟件對模型進行訓練，通過5組樣本測試，發現神經網絡優化模型的預測誤差在2.5%～3.6%，證明所建立的網絡模型具有良好的預測能力。利用訓練后的模型繼續對工藝參數進行二次尋優，可以直接獲得各參數對應的翹曲變形量，節省了軟件分析時間，得出的最優工藝參數組合為注射溫度305℃、模具溫度85℃、注射時間1.0 s、保壓時間6 s、保壓壓力60 MPa，利用該參數指導生產，獲得了質量合格的樣品。因此，該模型可以用于指導連接器外殼的工藝參數設置，為后續生產提供應用價值。