注塑成型发展现状研究

游晓燕

中图分类号：TQ320.662 文献标识码：A 文章编号：1672-8882（2015）04-126-01

一、注塑CAE软件的发展概要

传统的注塑模具设计和制造很大程度上依赖于设计者的经验和制造工人的技巧，因此设计的正确与否只有通过试模才能知道，设计完成的模具时常会产生许多人们料想不到的缺陷，出现的问题也主要靠修模来纠正，有时甚至会导致整套模具的报废，对于设计复杂的中高档模具，会直接影响到模具的生产成本。模具CAE技术采用有限元计算方法，根据高分子聚合物流变学和传热学的基本理论，建立了塑料熔体在模具型腔中的流动、传热的物理数学模型，利用数值分析工具来分析和预测生产中注塑产品和注塑工艺可能存在的问题，定量地给出成型过程的状态参数及时判断如何修改制件的形状以获得较理想的状态，避免了在模具上进行试模、修模的繁琐过程。在当今市场竞争日趋激烈的社会，企业的产品开发和更新愈来愈快，新的产品与技术产生的周期愈来愈短，一些公司甚至每年要生产出多个品牌的产品来投放市场，参与纷繁激烈的市场竞争。

目前，国际上较为成熟的注塑商业软件主要有加拿大Moldflow公司的Moldnow、台湾科盛科技公司的 Moldex3D、美国和意大利P&C公司的TMCONCEPT和美国SDRC公司等。国内高校和科研机构自主研发的系统则以郑州大学国家橡胶模具工程中心的华中科技大学模具技术国家重点实验室开发的HSC以及北航华正软件工程研究所开发的CAXA等为代表。此外，上海交通大学、华南理工大学、浙江大学以及大连理工大学等多所科研机构也都在注塑领域进行了广泛而深入的研究。

21世纪以来，CAE技术及基于CAE技术的优化设计在注塑成型工艺中的应用极大地提高了制品成型的质量和效率。资料表明，应用CAE技术后，模具的设计时间缩短约50%，制造时间缩短约30%，成本下降约10%。塑料原料节省约7%。据统计，市场上百分之八十以上的新产品的零部件都需要相关的模具加工工作与之匹配，许多塑料制件在产品中都充当着重要的零部件。产品迅速发展的要求决定了注塑制品生产的需求，同时产品的性能要求又对注塑制品的开发和生产提出了更高的技术要求。从注塑生产的总体需求来看，产品的生产周期更短、质量要求更高，模具的需求量不断增加；从单个部件生产来看，模具的生产趋于多品种小批量，乃至单件的生产；模具品种多样化，生产能力复杂化，是模具技术发展的需要。为解决以上大批量模具生产问题，

注塑成型过程中，塑料在型腔中的流动和成型与材料的性能、制品形状尺寸，成型工艺参数和模具设计等因素有关；因此，对于一个新产品或形状复杂、精度要求高的产品，即使是经验丰富的工艺和模具设计人员，也很难一次设计出合格的模具和调整出合理的工艺参数。。利用moldnow软件，可在模具设计的初始阶段，在无需试模的情况下进行注塑成型质量的评估、选优，突破了传统的在注塑机上反复试模、修模的束缚，提高了一次试模成功率，并提高了制品的质量，缩短了模具设计制造周期和产品开发周期。本文基于CAE技术，利用moldflow分析软件，对成型过程中浇口位置、保压曲线、冷却工艺参数以及成型工艺参数进行优化，对不同的成型条件进行流动、翘曲和冷却分析，预测产品成型后出现的流动不平衡、不均匀收缩、翘曲变形等情况，根据分析结果给出相应的产品调整方案，从而为模具设计人员进行模具设计和注塑人员进行注塑工艺参数调整提供依据。

二、优化设计方法的发展现状

最优化方法是用数学的结果和计算机的数值计算去寻找一个最佳选择的方法。二十世纪六十年代以来，最优化理论和方法发展迅速，己成为一门新兴的学科，并得到了广泛的应用。尤其计算机技术的迅速发展，为最优化方法提供了更为广阔的发展空间。目前，优化算法主要分为三类：

（一）直接法

在无法得到或者很难得到目标函数对设计参数的灵敏度信息时，传统的解决方法是基于直接搜索的。直接法种类很多，如穷尽法，即遍历所有可能解，通过比较得出最優解，直接计算和比较目标函数值，并以此作为迭代、收敛的依据。该算法虽然能保证得到全局最优，但效率相当低，让人无法忍受。

（二）梯度法

利用目标函数和约束条件的函数梯度信息，达到迭代、收敛的目的。这类算法速度快、效率高，灵敏度分析是关键。最速下降寻优法就是其中的一种，即通过计算设计灵敏度，采用一般的线性规划或者序列二次规划来优化目标函数。

（三）启发式搜索算法

该算法种类很多，例如模拟退火算法。模拟退火算法是基于金属退火的机理而建立起的一种全局最优化方法，优化的目标函数f（i）相当于金属的内能E（O，变量组合状态空间相当于金属的内部状态空间，优化问题的解i相当于金属的一个内部状态，控制参数t相当于温度T，优化问题的求解过程就是寻找一个组合状态使目标函数值最小。由初始解i和控制参数t开始，对当前解重复/产生新解一判断一舍弃接受0的迭代，逐渐衰减t值，直到算法中止，得到最优解。模拟退火算法与初始值无关，具有渐进收敛J性和并行性。

人工神经网络也是启发式算法之一，是用机器模拟人脑智能活动的杰出代表。它巧妙地将生物神经网络的结构及工作方式用数学形式构造出模型，通过模拟大脑的某些机理与机制，实现某个方面的功能。人工神经网络具有很强的自学能力和自适应能力，可以充分逼近任意复杂的非线性关系，其并行分布处理方法也使得快速进行大量运算成为可能。因此，在模具优化领域中也得到广泛的应用。

遗传算法是由美国J.H.Holland教授于1975年提出的一种自适应全局优化概率搜索算法。它是通过模拟生物进化中的优胜劣汰、自然选择、适者生存和物种遗传的过程，使种群不断进化，最终收敛于最优解。由于遗传算法优化时不依赖于梯度，具有很强的鲁棒性和全局搜索能力，因此，在应用领域格外活跃并不断扩大，在工程科学和计算机科学方面取得了重要的成果。并且，学科开始相互交叉，相互渗透，取长补短，使得跨学科的研究日趋活跃。