汽车翼子板注塑成型工艺多目标优化及能源效率

计算设计与工程学报。号14（2014）256~265www.jcde.org从节能和产品质量角度Hong Seok Park*和Trung Thanh Nguyen蔚山大学机械自动工学部生产工学研究室，韩国，Ulsan，Namgu，Mugeo 2-dong，San 29，680-749（2014年6月30日接收;2014年8月25日修订;2014年9月1日接受摘要能源效率是可持续制造的一个重要考虑因素以工艺参数为优化变量，以解决能耗与产品质量之间的权衡为目标，对轿车翼子板注塑成型工艺进行优化为了解决多目标优化问题，采用响应面法和非支配排序遗传算法Ⅱ（NSGA Ⅱ）对该工艺进行了优化为了减少计算成本和时间在解决问题的过程中，结合CAE集成工具基于Pareto图，导出了一个合适的解，以获得最优参数.优化结果表明，该方法可以有效地帮助工程师确定最优工艺参数，实现能耗和产品质量的竞争优势此外，本文还提出了工程分析方法，可以对注塑成型过程进行整体优化，以提高能源效率和产品质量关键词：多目标优化;注塑工艺;能效;塑料汽车翼子板1. 介绍注射成型由于其高效率和可制造性而成为最流行的塑料制品制造注射成型过程包括四个重要阶段：填充、包装、冷却和脱模。传统上，注塑成型中的主要关注点是在没有任何不希望的缺陷的情况下，可以制造具有强机械性能的高质量产品的程度许多先前的研究试图消除塑料产品中的缺陷。为了使汽车产品的温度偏差最小化，使用CAE程序优化冷却回路参数[1]。在减少翘曲的情况下，响应面法或神经网络与遗传算法相结合，以获得最佳参数[2，3]。这些研究的不足之处是缺乏对注塑工艺能耗的考虑。消费者压力、能源成本上升和环境立法相结合，增加了降低工业塑料行业能耗的重要性为了提高实际应用，*通讯作者。联系电话：+82-52-259-2294，传真：+82-52-259-1680电子邮件地址：phosk@ulsan.ac.kr© CAD/CAM工程师协会Techno-Press doi：10.7315/JCDE. 2014. 025产品质量也要考虑。注塑工艺的节能可分为两个子目标。在第一个子目标中，公司和制造商专注于与注塑机硬件和辅助设备相关的机器改进和制造技术第二个子目标侧重于优化操作过程中的工艺参数，以降低能耗。在第一个子目标中在该子目标中，根据提供的数据建立了过程参数之间的数学模型和能量模型通过工艺参数优化实现节能是目前研究的热点。通过分析方法或人工神经网络（ANN），建立了工艺参数与能耗之间的相互关系[4，5]。然而，在这些研究中，缺乏产品为降低汽车翼子板注塑成型过程中的能耗和碳排放，同时提高产品质量，提出了一种多目标优化框架。本文重点介绍了optimiz-H. Park等人计算设计与工程杂志1、不。4（2014）256~265257(a)（b）第（1）款（c）第（1）款图1.汽车翼子板塑料成型模具：（a）动模，（b）定模，（c）成型件。在模制过程中可以改变工艺参数。本文的其余部分组织如下。第二节介绍了一个多目标优化问题的求解框架。第3节介绍了数值实验和描述性数据分析。第4节描述优化结果。第五节给出结论并展望了未来可能的工作。2. 优化框架2.1 优化问题原型模具和塑料汽车挡泥板产品如图1所示。在汽车翼子板的注塑成型过程中，由于能量消耗大，注塑件的尺寸为650 mm × 1160 mm × 235 mm，厚度固定为2.8mm，因此，在注塑成型过程中，需要对注塑件的能量消耗进行控制。图2.分享能源消耗总量。塑化加热过程、锁模力是影响节能的重要因素在本文中，我们专注于最小化的夹紧力，从而引起夹紧能量的工艺参数优化的基础上。此外，由于薄壳的特点，翘曲值，应尽量减少，以提高成型产品的质量作为优化标准。为了节省时间和成本，基于仿真的优化，而不是昂贵的物理实验。由于模拟值与实验值充分相关[7]，因此开发了基于FE的模型采用Autodesk MolflowInsight 2012商业软件对成型过程进行了模拟，该软件能够保证结果的可靠性在模拟过程中，根据实际生产条件，将最大注射压力设定为固定值。基于模塑工艺条件和先前的研究[2-5]，五个关键 参数被认为是控制因素 ：模具温度（TM），熔体温度（TME），保压时间（Pt），保压压力（PP）和冷却时间（tc）。多目标优化函数可以用以下等式描述{（，）(,,,,)白藜芦醇 ≤������ ≤���≤���日本语简体中文 ≤��������� ≤≤≤������通过塑化、加热、熔融塑料注射、锁模力、辅助装置操作和模具移动/部件顶出来进行。通过以前的研究[6]，制造数据和对公司专家的采访������min ≤ ������ ≤������≤最小值≤最小值≤最大值l最小值≤最小值≤最大值���������（一）调查表明，塑化过程能耗最大，桶加热支出为19%。夹力使用率为12%。注射力消耗率为11%。只有少量的能量（每个过程4%）用于线性运动来打开和关闭模具，并缩回桶进行冷却。总能耗份额见图2。根据能耗分析，除258H. Park等人计算设计与工程杂志1、不。4（2014）256~265其中F表示夹紧力，W表示翘曲。2.2 优化策略在本节中，提出了一个多目标优化框架图3描述了所提出的方法的多目标优化过程的两个阶段一个系统的方法学的基础上，响应面法（RSM），采用建立工艺参数和目标函数的性能之间的关系。RSM涉及到重新-H. Park等人计算设计与工程杂志1、不。4（2014）256~265259图3.多目标优化框架。回归分析和数值试验统计设计，以构造全局最优解。响应面模型是一种众所周知的方法，它比其他流行的元模型，如径向基函数和克里格模型，具有更高的精度和更好的易用性。二阶响应面模型适用于设计变量较少的中等非线性行为的建模这些因素使响应面模型成为一种合适的方法。表示工艺参数与响应之间关系的近似响应面函数的一般形式如下：5 5 4 5近似为了解决优化问题，非排序主导遗传算法II（NSGAII）[8]用于解决目标函数之间的NSGA II是一种多目标的探索性技术，非常适合高度非线性的设计空间。该算法被用来搜索多目标优化问题的Pareto最优解。非支配排序遗传算法Ⅱ（NSGA Ⅱ）是由Deb公司提出的一种多目标进化算法，与神经网络、粒子群优化算法相比的NSGA-Ⅱ的流程示意图如图-������=���0+∑������������+∑������������2+∑ ∑���������������������+���（二）当然4.=1=1=1NSGA II的程序可以粗略地描述为：其中β0、βi、βii和βij称为回归系数;ε为近似误差;x1至x5分别表示TM、TME、Pt、Pp和tc;fk表示包括夹紧力和翘曲值的响应。表达输入与响应关系的精度近似模型通常用决定系数或R平方分析来评价。在优化过程之前，应创建过程参数和目标函数之间的因此，DOE或空间采样技术被用来建立实验矩阵设计。在获得数值数据之后，进行近似处理以建立数学模型。基于模拟数据，进行方差分析（ANOVA），以验证工艺参数对可描述性的影响优化过程是基于通过前面的回归根据以下步骤：(Step 1）确定NGSA II参数，包括群体大小、交叉和突变概率、终止标准和设计变量范围。(Step 2）在边界条件下初始化种群。(Step3）基于非支配准则对种群进行(Step4）拥挤距离的计算一旦排序完成时，计算每个个体的拥挤距离群体中的个体是根据等级和拥挤距离选择的(Step（5）利用中间群体的遗传结果(Step6）结合后代群体和现世代。根据等级和拥挤距离计算下一代个体(Step7）转到步骤3并重复，直到满足终止标准260H. Park等人计算设计与工程杂志1、不。4（2014）256~265图4. NSGA-II程序示意图[6]。表1. GTX 810的材料特性熔体密度（g/m3）1.2465固体密度（g/m3）1.3493喷射温度（°C）231最大剪应力（MPa）0.45最大剪切速率（1/s）50000导热系数（W/m°C）0.23弹性模量（MPa）3869.81泊松比0.4232许多研究人员已经证明NSGA II是解决复杂优化问题的有效技术[9-11]。在NSGA II中，每个目标被单独处理，通过选择可行的非支配设计来构建Pareto前沿帕累托图允许设计者根据定制的要求达到补偿的解决方案。最后通过数值实验验证了优化参数和方法的可靠性3. 数值实验结果3.1 有限元模型为了开发绿色产品[12]，已使用非钢替代虽然热塑性塑料的机械强度和尺寸稳定性低于钢，但由于密度较低和功能集成的可能性较高，它们具有巨大的汽车挡泥板是由短纤维增强塑料，Noryl GTX 810。材料-从MoldFlow数据中获得的该材料的性能在表中给出1. 为了降低模具制造成本，提高冷却性能和适用性，图5. MoldFlow环境中的仿真模型。在塑料注射成型工艺中采用了一排挡板（图5）。3.2 CAE-集成工具之间的组合为了减少时间和成本，图6中显示了一个将MoldFlow与集成工具（即I-Sight）相基于DOE技术的工艺参数组合、模拟次数、数据读取和存储以及响应值的优化均由集成工具实现该程序基于几个步骤。模拟模型首先在MoldFlow环境中设计，具有边界条件，例如材料属性、冷却通道属性和工艺参数。然后，随着输入参数的变化，依次执行H. Park等人计算设计与工程杂志1、不。4（2014）256~265261图6. CAE集成工具之间的集成。表2.工艺参数水平。因子参数–10+1个一模具温度（°C）6080100B熔融温度（°C）280300320C包装时间81012D填充压力（%注射压力）6080100E冷却时间（s）101520仪表以获得响应值。然后计算响应并将其存储在文本文件中。数值实验的新循环完成，直到获得所有必要的数据，包括夹紧力和翘曲值然后建立目标函数，并验证意义与响应面方法。最后一步是根据NGSA II获得最佳基于优化搜索。其目的是应用程序编程接口（API）语言，并使所有工作自动化。3.3 模拟、近似和分析在本研究中，使用Box-Behnken实验设计，使用规定的条件生成实验计划，具有46次运行。Box-Behnken实验方法是基于多维球体的有效设计之一，所有设计点位于同一球体上，中心点至少运行三次或五次[13]。在模拟过程中，根据来自MoldFlow的推荐值确定模具温度和熔体温度范围。保压压力设定为保压过程中最大注射压力的固定百分比包装时间和冷却时间范围由模塑工艺条件给出。参数及其级别为(a)（b）第（1）款图7.初始值的响应值：（a）夹紧力图，（b）翘曲值。262H. Park等人计算设计与工程杂志1、不。4（2014）256~265表3.响应系数Term系数Term系数a0级-76587.1735b0的201.1459的129.2760B10.3757一个2520.4209B2-1.5619一个3463.9137B34.6255一个424.8671B4-0.2726一个5-7.3101B50.7469一个6-0.0037B6-0.0013一个7-0.6048B70.00024a8-0.00186B8-0.00115一个9-0.3471B90.00187一个10-0.6795B10-0.04225a11-0.1498B110.00112一个120.1847B12-0.00456一名13-0.1808B13-0.00895一名140.3125B140.027一个150.0923B150.00019一个16-0.1137B160.00057一名17-0.8541B170.00355一个18-9.9590B180.37272一名190.7117B190.00048一个20-1.0496B200.0058如表2所根据仿真结果，建立了评价夹紧力和翘曲变形两个目标函数的回归响应曲面模型。夹紧力和翘曲初始值如图7所示二阶多项式回归用于建立设计变量和响应之间的非线性关系响应是模具温度的函数表4.翘曲的ANOVA表源平方MSFP模型136.496.8239.3<0.0001一0.720.724.130.05B26.3826.38151.95<0.0001C49.4549.45284.81<0.0001D9.089.0852.27<0.0001E1.781.7810.260.0037AB1.061.066.090.0208AD0.850.854.870.0367BC11.4111.4165.72<0.0001BD0.810.814.650.0409被0.830.834.790.0382B217.5917.59101.32<0.0001C219.419.4111.72<0.0001残余1.250.17总137.74表5.夹紧力的ANOVA表。源平方MSFP模型1.497 × 1077.486 × 105396.31<0.0001一13292.3613292.367.040.0137B4.449 × 1054.449 × 105235.53<0.0001C14975.614975.67.650.0115D1.211 × 1071.211 × 1076408.93<0.0001BD14360.4314360.437.60.0107一个218064.4918064.499.560.0048B21.019 × 1061.019 × 106539.29<0.0001C213849.413849.47.330.012D27.072 × 1057.072 × 105374.43<0.0001残余47219.811888.79总1.502 × 107熔体温度、保压时间、保压压力和冷却时间。两个响应的近似方程(3)（4）分别。表3描述了通过回归方法确定的方程系数值夹紧力=100+101+102+103+104+105+106+107+108+109+1000日元+1100日元+1200日元+1300日元+1400日元16 +16 2 + 17 2 + 18 2 + 19 2 +20 （三）夹紧力=100+101+102+103+104+105+106+107+108+109+1000日元+1100日元+1200日元+1300日元+1400日元+16+162+172+182+192+202（4）基于计算成本和时间的模拟，与MoldFlow相比，开发的预测模型是一个更简单，更有效地预测输出与设计变量的变化。所开发模型的充分性，包括通过方差分析的翘曲和夹紧力，平方和（SQ）、均方（MS）、F值（F）、P值（P）分别见表4和表后向过程消除了无关项，以调整二次模型。在表4中，模型“P- value”在这种方式下，所有的单项（A，B，C，D，E），相互作用项（AB，AD，BC，BD，BE）和二次项（B2，C2）被认为是显著的模型项。P值> 0.05的其他项为不显著的模型项，其对设计空间中的响应变量几乎没有影响。在表5中，模型只有0.01的机会，“模型F值”，这种大可能基于确定“P值”大于0.05的因素H. Park等人计算设计与工程杂志1、不。4（2014）256~265263(a)（b）第（1）款图8.预测值和数值：（a）夹紧力，（b）翘曲。(a)（b）第（1）款图9.使用NSGAII优化过程中的响应历史图：（a）夹紧力的历史优化(b) 翘曲历史优化A、B、C、D单项、BD交互作用项和A2、B2、C2、D2二次项是夹紧力的重要模型项。图8显示了期望性的预测值和数值实验值预测值与数值结果基本一致R平方夹紧力和翘曲分别为0.99和0.99，表明回归模型的结果高度准确因此，所开发的模型可以应用于优化过程中。优化过程将在下一步骤中描述。4. 优化结果模具温度、熔体温度、保压时间、保压压力和冷却时间等工艺参数对目标函数的影响较为复杂设置夹紧力值的目标是等式约束。在这项研究中，翘曲值作为不等式约束。通过实际条件，可接受的翘曲值被设置为小于初始值。基于以下表达式描述优化问题找到=[，]最小化：1（ ）+ 2（ ）（5）受约束：W≤ 3.372（mm）范围：60 ≤TM ≤ 100（℃）; 280 ≤TME ≤ 320（℃）; 8≤Pt ≤ 12（s）; 60 ≤PP ≤ 100（%）; 10 ≤tC ≤ 20（s）;式中λ1、λ2分别为夹紧力和翘曲力的权重具体的NSGA II参数是群体大小，世代数，交叉概率，交叉分布指数和突变分布指数，值分别为由于能量消耗的重要性，夹紧力和翘曲权重被选择为2和1。图9描述了基于NSGA II的优化过程的历史图10显示了用于获得最佳参数和响应的工程数据挖掘和帕累托图帕累托图使得264H. Park等人计算设计与工程杂志1、不。4（2014）256~265（一）(b)（c）第（1）款图10.工程数据挖掘和Pareto图用于确定最佳参数：（a）优化过程的工程数据挖掘，（b）夹紧力与翘曲之间的Pareto图，（c）翘曲与夹紧力之间的Pareto图。设计师决定最佳解决方案。优化结果如表6所示该表的结果夹紧力值的下降百分比约为12%，表6.与初始值相比节省能源。Optim化参数ters温度（℃）Ti（°C）Pt（s）PP（%）tC（s）62.845290.4510.5265.0717.6目标值节能F（吨）宽（毫米）%38313.19412与初始值相比，翘曲值也减小结果表明，该方法可以应用于注塑工艺优化，解决能耗与产品质量之间的权衡问题优化结果如表6所示该表的结果与初始值相比，夹紧力值的下降百分比约为12%，同时翘曲值也降低结果表明，该方法可以应用于注塑工艺优化，解决能耗与产品质量之间的权衡问题H. Park等人计算设计与工程杂志1、不。4（2014）256~265265(a)（b）第（1）款图11.最佳参数下的响应：（a）夹紧力图，（b）翘曲值。为了检验优化结果的准确性，对NSGA II和数值实验的误差百分比进行了比较。比较结果列于表7中错误百分比非常小。NSGA II和数值实验的偏差百分比确认运行的数值实验值在95%预测区间内这些微小的误差表明了优化算法注塑成型过程能耗高，且各子过程缺乏优化，因此提高注塑成型过程的能效有很大潜力虽然节能的电动和混合动力注塑机已经有近30年的历史，但由于成本低和方便，基于工艺参数的优化仍然是最有效的解决方案。对能量流注射成型的研究表明，减少干燥系统、机筒加热系统的热损失和优化冷却系统有助于提高能量效率。为了减少热损失[14]，可以在筒体表面上使用隔热装置。由于筒体表面温度高，存在由辐射和对流引起的相当大的热损失这些设备是简单的解决方案，基于结构、低成本以及易于制造和组装。由于减少了辐射和降低了车间温度，工人但工艺参数、塑化过程、加热系统、冷却系统对能耗和产品质量的影响是复杂的目标函数的不同变量的效果可能是矛盾的。例如，较低的熔体温度减少了用于加热的能量和热损失，但它增加了注射压力，这导致短射或液压系统的能量消耗冷却剂温度越低，冷却器需要的能量越多，但冷却时间或循环时间减少，导致每个成型循环的能量减少。此外，注塑件的质量，如重量的变化，收缩率，翘曲，和残余应力的因此，从全局意义上和工艺参数上，有必要在可能的情况下，在每个问题上采用整体优化和系统方法来降低能耗，全过程链优化是指基于优化的子过程、相互依赖性和多评价标准的整体优化过程。可以采用基于仿真的优化方法代替昂贵的物理实验采用离散事件仿真模型可以实现整体方法，而离散事件仿真模型主要通过对过程链的仿真来5. 结论工程师通常在最佳工艺参数确定中使用试错法。这种传统的方法有一些缺点，增加成本，并导致低于最佳值。本文介绍了汽车翼子板塑料注射成型工艺的优化设计，该工艺与能耗和产品质量密切相关在该方法中，使用Meta模型类型-响应面和非支配排序遗传算法II（NSGA II），以获得帕累托最优解。工艺参数与响应变量（包括夹紧力（相关能耗）和翘曲（相关产品质量））之间的关系用显式二次响应面方程表示。采用非支配排序遗传算法Ⅱ（NSGA Ⅱ）进行参数优化266H. Park等人计算设计与工程杂志1、不。4（2014）256~265集成了CAE优化工具，以降低成本和时间。通过最优解的推导，可以看出，可以同时优化能耗和产品质量同时，所提出的方法可以应用于优化成型过程中的复杂问题。该方法也是一个有效的工具，以帮助工程师在寻找最佳的参数，同时考虑多个响应。虽然该方法可以提高注塑成型过程中的能源效率和产品质量，但这项工作仍然存在一定的局限性，可以改进。首先，在优化过程中可以考虑与产品质量相关的其他标准其次，应进行加热过程、塑化过程或冷却系统等子过程的能效优化在此基础上，可以对注塑工艺进行整体优化，以减少能耗和缺陷。引用[1] Choi JH，Choi SH，Park D，Park CH，Rhee BO，ChoiDH. 优化注塑模具设计以减小温度偏差. 国际汽车技术杂志2012; 13（2）：273-277.[2] Ozcelik B，Erzumlu T.用集成响应面法和遗传算法确定影响薄壁塑件翘曲变形的传热与传质国际交流2005; 32（8）：1085-1094.[3] 李伟，王伟，王伟.基于神经网络模型和遗传算法的客车顶灯底座翘曲优化材料加工技术杂志2001; 169（2）：314-319.[4] [10]杨伟，王伟.一个框架，用于分析节能注塑模具设计，电子和环境。In：Proceedings of the 1996 IEEE Inter-national Symposium; 1996 May 6-8; Dallas，TX; p.207-212[5] 林平。注塑机实验系统中注射能耗的研究。M.S.论文;北京化工大学; 2008.[6] 塑料工程学会[Internet]。c 2013年。Newton，CT：TheAssociation; c1942-Present.[更新于2013年8月21日;引用于2014年7月12日]可从http://plasticsengineeringblog.com/2013/08/31/demystifying-energy-saving-devices-on-injection-molding-machines[7] 郭志，阮翔，彭毅，李东. 热塑性塑料注塑件翘曲变形的数值模拟与实验验证。材料工程与性能杂志。2002; 11（2）：138-144.[8] 黛布·K使用进化算法的多目标优化。John Wiley Sons;2001.497页。[9] 翟明，林耀昌，欧锦强。基于非支配排序遗传算法的多型腔注塑模流道设计。工程与计算机2009; 25（3）：237-245.[10] Park HS，Dang XP.轻量化汽车用纤维强化塑胶扶手架之开发。国际汽车技术杂志。2011; 12（1）：83-92.[11] OujebFZ，Habbal A，Ellaia R，Zhao Z.冲压成形中板料外形的多准则形状设计计算设计与工程杂志2014; 1（3）：187-193.[12] Park HS，Nguyen TT.面向绿色产品的辊弯成形工艺进化算法优化国际精密工程与制造杂志。2013; 14（12）：2127-2135.[13] 作者：Jeff CF，Zhang RC，Lan Y.实验设计分析与参数优化。Wiley; 2000.664页。[14] Park HS，Dang XP.通过优化隔热来减少在线感应加热系统国际精密工程与制造杂志2013; 14（6）：903-909.