CN111444619B - 一种注塑模具冷却***在线分析方法及设备 - Google Patents

一种注塑模具冷却***在线分析方法及设备 Download PDF

Info

Publication number
CN111444619B
CN111444619B CN202010238565.9A CN202010238565A CN111444619B CN 111444619 B CN111444619 B CN 111444619B CN 202010238565 A CN202010238565 A CN 202010238565A CN 111444619 B CN111444619 B CN 111444619B
Authority
CN
China
Prior art keywords
cooling
cooling system
model
heat source
plastic part
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.)
Active
Application number
CN202010238565.9A
Other languages
English (en)
Other versions
CN111444619A (zh
Inventor
张云
王明中
黄志高
侯斌魁
周华民
李德群
吕帅
周晓伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202010238565.9A priority Critical patent/CN111444619B/zh
Publication of CN111444619A publication Critical patent/CN111444619A/zh
Application granted granted Critical
Publication of CN111444619B publication Critical patent/CN111444619B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C33/00—Moulds or cores; Details thereof or accessories therefor
    • B29C33/38—Moulds or cores; Details thereof or accessories therefor characterised by the material or the manufacturing process
    • B29C33/3835—Designing moulds, e.g. using CAD-CAM
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B29—WORKING OF PLASTICS; WORKING OF SUBSTANCES IN A PLASTIC STATE IN GENERAL
    • B29C—SHAPING OR JOINING OF PLASTICS; SHAPING OF MATERIAL IN A PLASTIC STATE, NOT OTHERWISE PROVIDED FOR; AFTER-TREATMENT OF THE SHAPED PRODUCTS, e.g. REPAIRING
    • B29C45/00—Injection moulding, i.e. forcing the required volume of moulding material through a nozzle into a closed mould; Apparatus therefor
    • B29C45/17—Component parts, details or accessories; Auxiliary operations
    • B29C45/72—Heating or cooling
    • B29C45/73—Heating or cooling of the mould
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mechanical Engineering (AREA)
  • Manufacturing & Machinery (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Injection Moulding Of Plastics Or The Like (AREA)
  • Moulds For Moulding Plastics Or The Like (AREA)

Abstract

本发明属于模具设计及评估领域，公开了一种注塑模具冷却***在线分析方法及设备。该方法包括以下步骤：在不考虑冷却***的条件下进行模具和塑件的模型冷却分析，得到表征内部因素对塑件冷却效果影响的内部因子；引入恒温边界的有限长持续线热源模型，计算表征外部因素对塑件冷却效果影响的外部因子；对整个***模型进行仿真得到塑件冷却时间，即综合热影响效应；建立内部因子、外部因子和综合热影响效应的神经网络模型并训练；在线分析时根据修改后冷却管道的尺寸及位置数据重新计算外部因子，内部因子不重新计算，采用训练后的神经网络模型预测综合热影响效应。本发明简单易行，能够实现冷却***的在线分析。

Description

一种注塑模具冷却***在线分析方法及设备
技术领域
本发明属于模具设计及评估领域，更具体地，涉及一种注塑模具冷却***在线分析方法及设备。
背景技术
注塑成型因为生产效率高、产品质量好、材料消耗少、生产成本低而获得广泛应用，目前注塑模具的产量占整个塑料模具设计生产的三分之一以上。随着以塑代钢、以塑代木趋势的发展，塑料制品在日常生活和工业中得到了越来越多的应用，汽车、能源、机械、电子、信息、航空航天等行业对注塑成型技术的要求也在不断提高。
注塑成型过程主要由锁模、塑化、注射、保压、冷却、开模、顶出等阶段组成，其中冷却时间约占成型周期的50％～80％。注塑模具冷却***是决定塑件质量和生产效率的重要因素，它不但决定塑件的成型性能、尺寸精度和力学性能，避免塑件出现壁厚不均、翘曲变形、尺寸变化和残余应力等缺陷，而且通过决定冷却进程影响成型周期的长短。合理的冷却***可以调节注塑模具内部的温度环境，实现塑件的均匀和快速冷却，从而保证塑件的质量并缩短注塑成型的周期，提高生产效率。因此，在模具设计阶段对冷却***进行快速的分析，进而作为冷却***调整优化的依据，对于缩短整个模具的设计周期和模具实际生产中的成型周期具有重大意义。
传统的注塑模具冷却***设计及分析主要依赖设计师的经验和直觉，这对设计师的水平提出了很高的要求，不利于初级设计师的工作。此外，依靠经验的设计缺乏理论依据和科学计算，需要通过不断的试模来判断设计是否合理，塑件出现缺陷时主要靠修模来解决，从而导致塑件的生产效率低，成本高且质量难以保证。随着计算机应用技术的发展，计算机辅助工程(CAE)在注塑模具领域的应用使得注塑模具冷却***的设计效率和质量得到了大幅度提高。CAE主要采用有限元(FEM)、有限差分(FDM)和边界元(BEM)等数值分析方法，通过迭代法对冷却过程进行分析，分析结果中的冷却时间可以反映塑件的综合热影响效应。虽然CAE的结果比较准确，但是需要将CAD模型重构为相应格式的CAE模型，冷却***修改之后还需要对模具重新划分网格，操作复杂，而且多次修改需要多次分析，计算量大，时间长，难以满足在线分析的要求。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了注塑模具冷却***在线分析方法，其目的在于将影响塑料制品冷却的因素分为内部因素和外部因素两类，分别根据两类因素计算得到内部因子和外部因子，结合二者计算得到反映制品实际冷却情况的综合热影响效应，从而实现冷却***的在线分析，由此解决当前冷却***分析时间长、效率低的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种注塑模具冷却***在线分析方法，包括以下步骤：
离线训练阶段：
步骤1：不考虑冷却***的影响，将模具和塑件的模型离散为三角单元；其中，包含同一个节点的三角单元互为邻接单元，选取任意三角单元作为中心单元，将该中心单元及其邻接单元的冷却时间共同作为表征内部因素对塑件冷却效果影响的内部因子，此时内部因子是一个矩阵，记为：
Figure BDA0002431813430000021
其中，θin表示内部因子，t表示当前选定的三角单元的冷却时间，
Figure BDA0002431813430000022
分别表示第1圈第1～n1个三角单元的冷却时间，
Figure BDA0002431813430000023
分别表示第2圈第1～n2个三角单元的冷却时间，
Figure BDA0002431813430000024
和
Figure BDA0002431813430000025
分别表示第3圈第1～n3个三角单元的冷却时间，
Figure BDA0002431813430000031
和
Figure BDA0002431813430000032
分别表示第m圈第1～nm个三角单元的冷却时间；
步骤2：在步骤1的模型中引入恒温边界的有限长持续线热源模型对步骤1的模型进行冷却，从而计算表征外部因素对塑件冷却效果影响的外部因子，公式如下：
Figure BDA0002431813430000033
其中，θex表示外部因子，i＝1…q表示模具不同边界面，q为模具边界面数量，
Figure BDA0002431813430000034
和
Figure BDA0002431813430000035
分别表示中心单元质心相对于源线热源轴线方向的坐标和源线热源关于边界面i的镜像线热源轴线方向的坐标，
Figure BDA0002431813430000036
和
Figure BDA0002431813430000037
分别表示源线热源的两个端点在轴线方向的坐标，
Figure BDA0002431813430000038
和
Figure BDA0002431813430000039
分别表示源线热源关于边界面i的镜像线热源的两个端点在轴线方向的坐标，
ri 1和ri 2分别表示中心单元质心相对于源线热源距离和中心单元质心到源线热源关于边界面i的镜像线热源的距离；
步骤3：将步骤1的模具和塑件的模型及步骤2的初始冷却***模型作为一个整体，通过仿真得到塑件冷却时间，即塑件的综合热影响效应；
步骤4：建立神经网络模型，将步骤1的内部因子θin、步骤2的外部因子θex作为输入特征，步骤3的综合热影响效应作为期望输出，对该神经网络模型进行训练，获得综合热影响效应预测模型；
在线分析阶段：
步骤5：在注塑模具冷却***的调整优化过程中，根据调整后冷却管道的尺寸及位置数据，按照步骤2的方法重新计算外部因子，内部因子则直接沿用步骤1的结果，然后采用步骤4中训练得到的综合热影响效应预测模型来预测综合热影响效应。
进一步地，步骤1中m的值为1～5。
进一步地，步骤4中的神经网络模型为BP神经网络模型，BP神经网络模型包含四层：输入层，隐含层1，隐藏层2和输出层；所述输入层节点数量m入在1～60之间，该数量与所选取的中心单元和邻接单元的总数量相等；所述隐藏层1的节点数量h1≥2m入+1，所述隐藏层2的节点数量在2～20之间，输出层的节点数量为1，节点传递函数选取Sigmoid函数。
进一步地，步骤四中的BP神经网络模型采用变步长调整和批处理的方法进行迭代优化。
进一步地，步骤4中，在训练之前，将内部因子和外部因子分别作为原始数据，按照如下公式分别进行最大最小归一化处理：
Figure BDA0002431813430000041
其中，x0、xmin、xmax和xnorm分别表示原始数据、原始数据序列中的最小值、原始数据序列中的最大值和最大最小归一化后的数据。
为实现上述目的，按照本发明的另一个方面，提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如前任一项所述的方法。
为实现上述目的，按照本发明的另一个方面，提供了一种注塑模具冷却***在线分析设备，其特征在于，包括如前所述的计算机可读存储介质以及处理器，处理器用于调用和处理计算机可读存储介质中存储的计算机程序。
总体而言，本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
1、本发明的分析方法可以直接在CAE***中运行，其中离线训练阶段最多只需要两次CAE分析，即内部因子和综合热影响效应的分析；而在线分析阶段可以直接沿用离线训练阶段的内部因子，并且外部因子可以直接重新计算而无需重新划分有限元网格。因此，采用本发明的方法，迭代计算次数大大减少，过程简单，计算量小，节省时间，能够实现冷却***的在线分析，能够在保证冷却分析结果满足使用精度的条件下，实现快速甚至实时的计算。
2、步骤1中所选取的邻接单元的数量优选以计算单元为中心向外扩展1～5圈所包含的网格单元数量，能够在保证计算精度的前提下进一步减少计算量和计算时间。
3、通过选用BP神经网络模型，以及对BP神经网络模型的具体结构和节点数量进行设计，能够保证准确度并提高训练效率。
4、BP神经网络模型采用变步长调整和批处理的方法进行算法改进，能够克服传统算法训练时间长和收敛慢的缺点。
5、训练前先对内部因子和外部因子进行最大最小归一化，可以进一步提升模型的精度及收敛速度。
附图说明
图1是本发明的算法流程示意图；
图2是网格单元传热示意图；
图3是恒温边界的有限长持续线热源示意图；
图4是本发明的BP神经网络示意图；
图5的(a)(b)是实施案例的预测结果与实际结果对比示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明的基本原理为：以未设计冷却***时CAE分析的单元冷却时间作为表征影响塑件冷却的内部因子，以简化的恒温边界的有限长持续线热源模型计算表征影响塑件冷却的外部因子，通过内部因子和外部因子得出对塑件的综合热影响效应。
本方法将决定冷却结果的因素分为两种：内部因素和外部因素，内部因素包括塑件和模具的材料、形状、尺寸以及模具温度，外部因素包括冷却管道的尺寸、位置和冷却介质的温度、流速等。对于同一副模具，内部因素是恒定的，这里以不设计冷却***时CAE分析所得的冷却时间大小表征内部因素对冷却过程的影响，也称作内部因子。对冷却***进行修改优化，改变的是冷却管道的尺寸及位置，一般而言冷却管道的长度比直径大1～2个数量级，因此可以把冷却管道近似为线热源，通过求解傅里叶导热微分方程得到冷却管道影响效应，也称作外部因子。本方法只需要进行两次CAE分析，通过BP神经网络构建预测模型，以不设计冷却***时CAE分析所得塑件各网格单元的冷却时间(内部因子)和计算所得的外部因子作为训练模型的输入，以包含初始冷却***CAE分析所得塑件各网格单元的冷却时间作为训练模型的输出。在冷却***调整优化阶段，只需要对外部因子重新计算，再利用BP神经网络预测模型得到综合热影响效应，实现冷却***在线分析。
本发明采用如下技术方案：
步骤1：利用CAE软件对只包括模具和塑件的模型进行冷却分析，得到塑件每个网格单元的冷却时间。由于塑件各单元温度不同，存在着因温差而导致的热量传递，进而影响该单元的冷却过程。塑件表面被离散为三角单元后，单元之间存在几何上的拓扑关系，包含同一个节点的三角形单元互为邻接单元，因此选取该单元及邻接单元的冷却时间共同作为该单元的内部因子，此时内部因子是一个矩阵。
优选地，步骤1中每个单元的冷却过程受所有其他单元的影响，增加邻接单元的数量可以更好地表征内部因子，进而提高综合热影响效应的精度，但是增大计算成本和时间，一般选取1～5圈临接单元即可。
步骤2：设计初始冷却***，计算所有网格单元的质心坐标和冷却管道的端点坐标，通过恒温边界的有限长持续线热源模型计算外部因子，所使用的公式为：
Figure BDA0002431813430000071
所述θex表示外部因子，i＝1…6表示模具的六个边界面，
Figure BDA0002431813430000072
和
Figure BDA0002431813430000073
分别表示单元质心相对于源线热源轴线方向的坐标和源线热源关于边界面i的镜像线热源轴线方向的坐标，
Figure BDA0002431813430000074
和
Figure BDA0002431813430000075
表示源线热源的两个端点在轴线方向的坐标，
Figure BDA0002431813430000076
和
Figure BDA0002431813430000077
表示源线热源关于边界面i的镜像线热源的两个端点在轴线方向的坐标，ri 1和ri 2分别表示单元质心相对于源线热源距离和单元质心到源线热源关于边界面i的镜像线热源的距离。
步骤3：利用CAE软件分析包含初始冷却***设计的方案，得到网格单元的冷却时间，即综合热影响效应。
步骤4：根据步骤1、步骤2和步骤3所获得的数据，建立内部因子、外部因子和综合热影响效应的神经网络模型，内部因子和外部因子作为输入特征，综合热影响效应作为期望输出。
优选地，步骤4中的神经网络模型采用BP神经网络，模型包含四层：输入层，隐含层1，隐藏层2和输出层。所述输入层节点数量m入在1～60之间，其数量视所选取的邻接单元数量而定；所述隐藏层1的节点数量h1≥2m入+1，隐藏层2的节点数量在2～20之间，输出层的节点数量为1。节点传递函数选取Sigmoid函数，公式为：
Figure BDA0002431813430000078
训练方法选取Levenberg-Marquardt算法，对于中等规模的网络训练速度最快。所述神经网络的训练，根据步骤一所取得的数据量的大小选择合适的最大训练次数、精度要求、学习率和最小梯度要求。
优选地，对步骤1和步骤2中所获得的的数据进行最大最小归一化处理，需要对内部因子矩阵的每一行和外部因子分别归一化。
最大最小归一化方法为：
Figure BDA0002431813430000081
所述x0、xmin、xmax和xnorm分别表示原始数据、原始数据序列中的最小值、原始数据序列中的最大值和归一化后的数据。
优选地，所述BP神经网络模型采用变步长调整和批处理的方法进行算法改进，以克服传统算法训练时间长和收敛慢的缺点。
步骤5：在注塑模具冷却***的调整优化过程中，根据修改后冷却管道的尺寸及位置数据重新计算外部因子，内部因子不用重新计算，采用步骤4中训练的BP神经网络模型预测综合热影响效应。
下面以塑料制品为例，对上述方法进行更为具体地说明：
步骤1：图2所示为本案例中塑料制品划分网格的局部，具有共同节点的单元互为邻接单元，图中单元1(即图2中心标有“①”的单元)由近及远两种不同底纹的单元分别表示第一圈邻接单元和第二圈邻接单元。由于单元1(即图2中心标有“①”的单元)与邻接单元存在温差，所以存在着热量传递(如图2中的箭头所示)，因此在考虑内部因子时不能将各个单元孤立计算。
塑料制品的冷却与其形状和尺寸关系密切，具体地，每一个单元都受到其他所有单元的影响，但是在计算内部因子时包含所有单元会出现大量冗余，大幅度增加计算量和计算时间，因此，本实施优选1～5层邻接单元即可。内部因子的表达式如下：
Figure BDA0002431813430000082
所述θin表示内部因子，t表示当前单元(即当前选定的中心单元)的冷却时间，
Figure BDA0002431813430000091
和
Figure BDA0002431813430000092
分别表示第1圈第1个邻接单元和第n1个单元的冷却时间，
Figure BDA0002431813430000093
和
Figure BDA0002431813430000094
分别表示第2圈第1个邻接单元和第n2个单元的冷却时间，
Figure BDA0002431813430000095
和
Figure BDA0002431813430000096
分别表示第3圈第1个邻接单元和第n3个单元的冷却时间，
Figure BDA0002431813430000097
和
Figure BDA0002431813430000098
分别表示第m圈第1个邻接单元和第nm个单元的冷却时间，以上冷却时间均是在未设计冷却***时计算所得。未设计冷却***的本质其实是不考虑冷却***的影响，反映在实际的仿真模拟计算过程中，先不进行冷却***的建模，处理起来会更为简单。在其他实施例中，也可以在仿真过程中设计冷却***后将其对单元冷却的影响调为0，但是模型调试过程会稍微复杂一些。
步骤2：图3所示为恒温边界的有限长持续线热源的示意图，根据傅里叶导热微分方程可以求得瞬时点热源传热的解析解，在时间和空间上积分即可得有限长持续线热源的解析解。
由于边界恒温，因此在源热源与边界对称的位置添加一镜像热源，二者相减为外部因子，在本实施例中模具有上、下、左、右、前、后共6个面，需要设置6个镜像热源。因此，外部因子的计算公式如下：
Figure BDA0002431813430000099
所述θex表示外部因子，i＝1…6表示模具的六个边界面，
Figure BDA00024318134300000910
和
Figure BDA00024318134300000911
分别表示中心单元质心相对于源线热源轴线方向的坐标和源线热源关于边界面i的镜像线热源轴线方向的坐标，
Figure BDA00024318134300000912
和
Figure BDA00024318134300000913
表示源线热源的两个端点在轴线方向的坐标，
Figure BDA00024318134300000914
和
Figure BDA00024318134300000915
表示源线热源关于边界面i的镜像线热源的两个端点在轴线方向的坐标，ri 1和ri 2分别表示中心单元质心相对于源线热源距离和单元质心到源线热源关于边界面i的镜像线热源的距离。上述公式适用于具有不同数量边界面的模具。
步骤3：在获得内部因子和外部因子后，将包含初始设计的冷却***方案进行CAE分析，得到综合热影响效应；
步骤4：然后建立内部因子、外部因子和综合热影响效应的神经网络模型，将内部因子和外部因子作为神经网络模型的输入特征，综合热影响效应作为神经网络模型的期望输出。
优选地，本案例中采用BP神经网络模型，模型训练的最大迭代步数为1000，学习率为0.1，允许迭代误差0.0001。作为一个简单的示例性展示，本案例设计的BP神经网络模型包含四层：输入层、隐含层1、隐含层2与输出层；输入层表示内部因子和外部因子，包含57个节点；隐藏层1和隐藏层2分别包含120和10个节点；输出层表示综合热影响效应，包含1个节点。节点传递函数选取Sigmoid函数，公式为：
Figure BDA0002431813430000101
其中，x表示节点的输入数据，S(x)表示节点的输出数据；
优选地，训练方法选取Levenberg-Marquardt算法，训练过程采用变步长调整和批处理的方法进行算法改进，以克服传统算法训练时间长和收敛慢的缺点。
优选地，在训练之前，对内部因子和外部因子进行最大最小归一化处理。归一化方法为：
Figure BDA0002431813430000102
所述x0、xmin、xmax和xnorm分别表示原始数据、原始数据序列中的最小值、原始数据序列中的最大值和最大最小归一化后的数据。
对于训练后的BP模型，利用其进行在线检测的方法如下：
步骤5：在注塑模具冷却***的调整优化过程中，根据修改后冷却管道的尺寸及位置数据，按照步骤2的方法重新计算外部因子，内部因子则不用重新计算，直接沿用步骤1的结果，然后采用步骤4中训练得到的BP神经网络模型预测综合热影响效应。本案例的预测结果及实测结果如图5所示，由图5可知预测结果和实际结果的变化规律高度一致，能够准确反映塑料制品各部位因位置和结构不同而受到冷却***的真实影响的差异，可以精确预测制品的过热点等缺陷。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种注塑模具冷却***在线分析方法，其特征在于，包括以下步骤：
离线训练阶段：
步骤1：不考虑冷却***的影响，将模具和塑件的模型离散为三角单元；其中，包含同一个节点的三角单元互为邻接单元，选取任意三角单元作为中心单元，将该中心单元及其邻接单元的冷却时间共同作为表征内部因素对塑件冷却效果影响的内部因子，此时内部因子是一个矩阵，记为：
Figure FDA0003796127710000011
其中，θin表示内部因子，t表示当前选定的三角单元的冷却时间，
Figure FDA0003796127710000012
分别表示第1圈第1～n1个三角单元的冷却时间，
Figure FDA0003796127710000013
分别表示第2圈第1～n2个三角单元的冷却时间，
Figure FDA0003796127710000014
和
Figure FDA0003796127710000015
分别表示第3圈第1～n3个三角单元的冷却时间，
Figure FDA0003796127710000016
和
Figure FDA0003796127710000017
分别表示第m圈第1～nm个三角单元的冷却时间；
步骤2：在步骤1的模型中引入恒温边界的有限长持续线热源模型对步骤1的模型进行冷却，从而计算表征外部因素对塑件冷却效果影响的外部因子，公式如下：
Figure FDA0003796127710000018
其中，θex表示外部因子，i＝1…q表示模具不同边界面，q为模具边界面数量，
Figure FDA0003796127710000019
和
Figure FDA00037961277100000110
分别表示中心单元质心相对于源线热源轴线方向的坐标和源线热源关于边界面i的镜像线热源轴线方向的坐标，
Figure FDA00037961277100000111
和
Figure FDA00037961277100000112
分别表示源线热源的两个端点在轴线方向的坐标，
Figure FDA00037961277100000113
和
Figure FDA00037961277100000114
分别表示源线热源关于边界面i的镜像线热源的两个端点在轴线方向的坐标，
ri 1和ri 2分别表示中心单元质心相对于源线热源距离和中心单元质心到源线热源关于边界面i的镜像线热源的距离；
步骤3：将步骤1的模具和塑件的模型及步骤2的初始冷却***模型作为一个整体，通过仿真得到塑件冷却时间，即塑件的综合热影响效应；
步骤4：建立神经网络模型，将步骤1的内部因子θin、步骤2的外部因子θex作为输入特征，步骤3的综合热影响效应作为期望输出，对该神经网络模型进行训练，获得综合热影响效应预测模型；
在线分析阶段：
步骤5：在注塑模具冷却***的调整优化过程中，根据调整后冷却管道的尺寸及位置数据，按照步骤2的方法重新计算外部因子，内部因子则直接沿用步骤1的结果，然后采用步骤4中训练得到的综合热影响效应预测模型来预测综合热影响效应。
2.根据权利要求1所述的一种注塑模具冷却***在线分析方法，其特征在于，步骤1中m的值为1～5。
3.根据权利要求1所述的一种注塑模具冷却***在线分析方法，其特征在于，步骤4中的神经网络模型为BP神经网络模型，BP神经网络模型包含四层：输入层，隐藏层1，隐藏层2和输出层；所述输入层节点数量m入在1～60之间，该数量与所选取的中心单元和邻接单元的总数量相等；所述隐藏层1的节点数量h1≥2m入+1，所述隐藏层2的节点数量在2～20之间，输出层的节点数量为1，节点传递函数选取Sigmoid函数。
4.根据权利要求1～3任意一项所述的一种注塑模具冷却***在线分析方法，其特征在于，步骤四中的BP神经网络模型采用变步长调整和批处理的方法进行迭代优化。
5.根据权利要求1～3任意一项所述的一种注塑模具冷却***在线分析方法，其特征在于，步骤4中，在训练之前，将内部因子和外部因子分别作为原始数据，按照如下公式分别进行最大最小归一化处理：
Figure FDA0003796127710000031
其中，x0、xmin、xmax和xnorm分别表示原始数据、原始数据序列中的最小值、原始数据序列中的最大值和最大最小归一化后的数据。
6.一种计算机可读存储介质，其特征在于，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现如权利要求1～5任一项所述的方法。
7.一种注塑模具冷却***在线分析设备，其特征在于，包括如权利要求6所述的计算机可读存储介质以及处理器，处理器用于调用和处理计算机可读存储介质中存储的计算机程序。
CN202010238565.9A 2020-03-30 2020-03-30 一种注塑模具冷却***在线分析方法及设备 Active CN111444619B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010238565.9A CN111444619B (zh) 2020-03-30 2020-03-30 一种注塑模具冷却***在线分析方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010238565.9A CN111444619B (zh) 2020-03-30 2020-03-30 一种注塑模具冷却***在线分析方法及设备

Publications (2)

Publication Number Publication Date
CN111444619A CN111444619A (zh) 2020-07-24
CN111444619B true CN111444619B (zh) 2022-12-02

Family

ID=71649328

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010238565.9A Active CN111444619B (zh) 2020-03-30 2020-03-30 一种注塑模具冷却***在线分析方法及设备

Country Status (1)

Country Link
CN (1) CN111444619B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117916070A (zh) * 2021-08-27 2024-04-19 西门子工业软件有限公司 用于注塑模具设计的共形冷却通道的构建
CN115890987B (zh) * 2022-12-19 2023-09-05 苏州可米可酷食品有限公司 一种智能柔性模具及其应用生产***

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1485195A (zh) * 2002-08-16 2004-03-31 ����ʵҵ��ʽ���� 注射机用热流道***的开闭式喷嘴及其开闭方法
CN101853318A (zh) * 2010-05-11 2010-10-06 华中科技大学 塑料注射成形中冷却时间的快速预测方法
CN103020361A (zh) * 2012-12-17 2013-04-03 华南理工大学 一种柔顺机构无棋盘格拓扑图提取方法
CN103266272A (zh) * 2013-04-16 2013-08-28 安徽省宁国市宁沪钢球有限公司 一种球磨机筒体衬板的制备方法
KR20140022251A (ko) * 2012-08-13 2014-02-24 유도썬스(주) 사출 금형의 냉각 시스템용 밸브 유니트장치
CN110826225A (zh) * 2019-11-06 2020-02-21 安徽工业大学 一种竖直单u型地埋管换热器温度场分析方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130110306A1 (en) * 2011-10-26 2013-05-02 Zhikui Wang Managing multiple cooling systems in a facility

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1485195A (zh) * 2002-08-16 2004-03-31 ����ʵҵ��ʽ���� 注射机用热流道***的开闭式喷嘴及其开闭方法
CN101853318A (zh) * 2010-05-11 2010-10-06 华中科技大学 塑料注射成形中冷却时间的快速预测方法
KR20140022251A (ko) * 2012-08-13 2014-02-24 유도썬스(주) 사출 금형의 냉각 시스템용 밸브 유니트장치
CN103020361A (zh) * 2012-12-17 2013-04-03 华南理工大学 一种柔顺机构无棋盘格拓扑图提取方法
CN103266272A (zh) * 2013-04-16 2013-08-28 安徽省宁国市宁沪钢球有限公司 一种球磨机筒体衬板的制备方法
CN110826225A (zh) * 2019-11-06 2020-02-21 安徽工业大学 一种竖直单u型地埋管换热器温度场分析方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Eddy Current Computation in Translational Motion Conductive Plate of an Induction Heater With Consideration of Finite Length Extremity Effects;M. Messadi等;《IEEE Transactions on Magnetics》;20151106;第1-4页 *
地源热泵竖直埋管数值线源综合模型;陆志等;《上海交通大学学报》;20080315(第03期);第109-414页 *
地源热泵竖直埋管的有限长线热源模型;曾和义等;《热能动力工程》;20030331;第166-169页 *
注射模冷却过程CAE技术;申长雨等;《模具工业》;20010425(第04期);第52-56页 *
边界元矩阵稀疏化算法及其应用;崔树标等;《上海交通大学学报》;20081031;第11618-1621页 *

Also Published As

Publication number Publication date
CN111444619A (zh) 2020-07-24

Similar Documents

Publication Publication Date Title
Cao et al. Multi-objective optimization of injection-molded plastic parts using entropy weight, random forest, and genetic algorithm methods
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
CN113051831B (zh) 机床热误差自学习预测模型建模方法及热误差控制方法
CN104298818B (zh) 一种端铣加工表面误差预测及仿真方法
US20230252203A1 (en) Multidisciplinary structural design optimization method for fuel assembly based on co-simulation
US11328107B2 (en) Hybrid measurement and simulation based distortion compensation system for additive manufacturing processes
CN111444619B (zh) 一种注塑模具冷却***在线分析方法及设备
CN111723440B (zh) 一种薄壁件加工精度预测混合建模方法
CN112926152B (zh) 一种数字孪生驱动的薄壁件装夹力精准控制与优化方法
CN111605199A (zh) 一种fdm3d打印机有限元分析及成型精度方法
CN112069610A (zh) 一种透明复杂多腔塑件的注塑工艺参数优化方法
CN114919181B (zh) 连续纤维3d打印过程动态模拟及打印件翘曲变形的预测方法
Feng et al. Application of machine learning to optimize process parameters in fused deposition modeling of PEEK material
Tlija et al. A novel model for the tolerancing of nonrigid part assemblies in computer aided design
CN115795933A (zh) 一种金属嵌件注塑成型优化方法、装置及存储介质
Yang et al. Thermal error modeling by integrating GWO and ANFIS algorithms for the gear hobbing machine
Sun et al. Toward axial accuracy prediction and optimization of metal tube bending forming: A novel GRU-integrated Pb-NSGA-III optimization framework
Sun et al. Uncertainty calibration and quantification of surrogate model for estimating the machining distortion of thin-walled parts
Yang et al. Study of Residual Wall Thickness and Multiobjective Optimization for Process Parameters of Water‐Assisted Injection Molding
Wu et al. Adaptive sampling method for thin-walled parts based on on-machine measurement
Zhang et al. Optimized design method for profile extrusion die based on NURBS modeling
CN111210877B (zh) 一种推断物性参数的方法及装置
Yang et al. Research on Optimization of Injection Molding Process Parameters of Automobile Plastic Front‐End Frame
Liu et al. Warpage optimization of the GFRP injection molding process parameters
CN114398728A (zh) 一种考虑冷却水温度变化的模温仿真分析方法

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
GR01 Patent grant
GR01 Patent grant