基于神经网络的连接器外壳注射工艺研究

赵 毅，刘淑梅，潘泓谊

（上海工程技术大学 材料工程学院，上海 201620）

0 引 言

电连接器在汽车航天等领域应用广泛，而塑料制品由于质量轻、成本低等优势，常用于制造电连接器外壳。连接器外壳除了要求良好的阻燃、绝缘性能外，还需具有优良的尺寸稳定性，以降低翘曲影响，确保在连接配合时不出现误差[1]。为了探究翘曲影响因素，李海梅等[2]综合工艺参数、模具结构及人为因素等方面分析了翘曲的机制和影响；高月华等[3]针对工艺研究了不同部件的翘曲影响因素，发现除了保压压力外，其余工艺参数的权重各不相同，说明工艺参数与翘曲的关系错综复杂，尤其对于结构复杂塑件，在现有CAE基础上，仅靠传统的优化回归方法无法准确预测参数的影响趋势。人工神经网络的应用给翘曲影响研究带来了新的思路和方法，神经网络属于智能处理系统，常用于解决复杂的多变量非线性问题[4]。王卫东、修辉平等[5,6]研究成型塑件注射工艺时，在正交试验的样本基础上创建BP神经网络模型，并证明其具有良好的预测能力。邓其贵等[7]利用DPA-BP神经网络模型分析了工艺参数对4种注射缺陷的影响规律，验证了神经网络模型的可靠性。

现对连接器外壳的注射工艺进行研究，结合正交试验和BP神经网络模型，分析其工艺参数和翘曲的非线性关系，为后续连接器外壳的参数设计提供思路。

1 塑件结构及正交试验

1.1 塑件结构分析

连接器外壳结构如图1所示，材料为PA6，含30%玻璃纤维，牌号为Ultramid B3GK24，密度为1.34 g/cm3，其熔体流动性好，MFR（熔体质量流动速率）测量值为81.5 g/min，具有优良的尺寸稳定性。

图1 连接器外壳结构

由图1可知，连接器外壳尺寸为145 mm×120 mm×20 mm，存在大量拐角、凸台和圆孔，属于复杂结构塑件。在其注射成型过程中，内部熔料流动过程难以预测，纤维取向差异较大，容易导致填充不足、翘曲及收缩率高等缺陷。

针对连接器外壳的注射工艺，首先根据Mold⁃Flow软件分析浇口最佳注射位置，设计了单浇口注射方案，浇口尺寸为φ1.5 mm。模具采用1模2腔结构，根据系统默认工艺参数进行仿真分析，并设置流道和浇口，图2所示为单浇口方案的结构设计与填充分析结果。

图2 单浇口注射方案

由图2（b）可以看出，待成型塑件部分凸台填充时间晚，导致前沿熔料逐渐凝固，无法填充完整。针对此问题，结合软件的浇口填充分析，重新制定了双浇口和三浇口注射方案，同样采用1模2腔工艺对2种方案进行注射仿真。根据分析结果，双浇口方案的成型塑件最大变形为0.779 6 mm，三浇口方案的成型塑件最大变形为0.751 7 mm，如图3所示。因此，采用三浇口注射方案不仅可以保证熔料填充完整，且成型塑件的翘曲变形量较小，现基于三浇口方案继续进行工艺参数的分析。

图3 双浇口和三浇口方案

1.2 正交试验设计

首先建立连接器外壳的有限元模型，并在MoldFlow软件中进行模拟分析，由于三维模型中存在大量细小倒角和文字标记，导致网格划分困难，运用CAD Doctor软件对模型进行简化和修复，删除细小的倒角和文字，但不会影响分析的准确性[8]。网格匹配率由75%提升到93%，选用双层面网格，网格数量为80 971，材料为数据库中Ultramid B3GK24。

在连接器外壳注射工艺研究中，选取注射温度A、模具温度B、注射时间C、保压时间D以及保压压力E作为参数分析对象，结合成型窗口分析和默认参数模拟结果，得到各参数的合理取值范围，并依此建立因素水平表，如表1所示。

表1 因素水平

根据表1选取L16(45)设计表建立正交试验方案，分析各参数的影响权重，并为之后的网络模型设计提供参考样本，试验方案和翘曲结果如表2所示，共16组数据样本。

表2 试验方案和翘曲结果

极差分析如表3所示，对于外壳的翘曲，注射参数的影响顺序为E＞A＞B＞D＞C，即保压压力的影响权重最大，且最优组合为注射温度300℃、模具温度80℃、注射时间1.0 s、保压时间6 s、保压压力55 MPa。

表3 极差分析

2 人工神经网络的构建

2.1 BP神经网络

人工神经网络是近年来发展的优化处理技术，主要参考生物脑信息加工方式，创立众多神经单元相互联接，组成一套可以自我反馈的智能信息处理系统，适合推理因素交互复杂的非线性问题，发展至今，已有大量的改进模型和优化算法相继提出。其中，应用最普遍的是BP神经网络，具有经典的“Back Propagation”思路，即首先正向递进，数据信息从输入层开始，经中间层处理传递到输出层，如果出现误差较大，则进行反向信息传递，过程中修改各层之间的联结权值，经此反复以达到减少误差的目的[9]。

在连接器外壳注射成型中，工艺参数和翘曲的关系具有明显的非线性，结合BP神经网络的非线性处理机制，可以更贴切地反应各参数和翘曲的关系趋势。在正交试验样本基础上，建立3层拓扑神经网络结构，可以较好地解释大部分非线性问题，层数选用过多则可能导致拟合过度。以选取的5个注射参数作为输入层神经元，翘曲量作为输出层，网络结构和信息传递方式如图4所示。

图4 神经网络结构

2.2 神经网络训练

依靠Matlab软件编码构建网络模型，并对建立的模型进行训练，训练函数的选择差异也会影响模型的训练速度。模型构建中使用newff函数实现反向传播，根据kolmogorov定理选择10个隐含层的处理元，设计dividerand抽取70%数据组作为训练数据，学习速率为0.02，最大训练次数为10 000，期望最小偏差为10-5，用trainlm函数进行训练，sim用于计算仿真[10]。为使模型更加稳定地迭代，采用map⁃minmax函数对数据进行归一化和反归一化处理，经过多次迭代计算后，训练误差逐步收敛于目标误差。

3 神经网络模型测试验证

建立的神经网络模型经过训练后，仍需要测试其准确性，对模型的预测能力和精度进行评判。随机选取未经过训练的5个工艺方案组合作为样本，利用MoldFlow软件重新进行模拟，并对比网络模型的预测结果，翘曲量的网络预测值和软件模拟值的误差如表4所示。

表4 翘曲量的网络预测值和模拟值对比

由表4可以看出，在5组样本的验证测试中，神经网络的输出结果和仿真模拟结果误差在2.5%～3.6%，结果基本相符。样本测试结果对比如图5所示，可以更直观地观测网络训练值和实际模拟值之间的误差。综合表4和图5可知，模型具有较高的预测精度。

图5 样本测试结果对比

传统的试模方法耗时费力，利用CAE有限元分析可以节省较多时间，但连接器外壳注射模拟中每次改变注射参数都要重新进行仿真分析，且需要4～5 h，模拟DOE的试验设计方案则需要5～6天。为进一步节省时间，加快产品研发，利用训练好的神经网络模型直接输入相应工艺参数，可得出对应的预测翘曲量。由于该网络模型的精确度较高，无需重复对每组参数进行仿真分析，降低了时间成本。

由上述正交试验结果可知，注射时间C和保压时间D对连接器外壳翘曲的影响较小，因此，可以保持其最优水平不变，即注射时间1.0 s、保压时间6 s。针对影响较大的注射温度A、模具温度B和保压压力D进行二次寻优，以正交最优水平为基准进行参数微调，然后利用建立的网络模型对调整后的参数组合进行翘曲量预测，微调后的参数组合和翘曲预测结果如表5所示。

表5 微调参数组合和翘曲预测结果

由表5可以看出，翘曲变形最小的是第5组参数，即注射温度305℃、模具温度85℃、注射时间1.0 s、保压时间6 s、保压压力60 MPa，此时翘曲预测值为0.664 mm。利用MoldFlow软件对该组参数进行模拟验证，仿真的变形结果为0.657 mm，与预测值接近，且外壳的Z方向变形（平面度偏差）为0.48 mm。采用该参数组合指导样品生产，所用设备为200T-LZ立式注塑机，材料采用BASF生产的PA6，牌号为Ultramid B3GK24。试生产的样品如图6所示，对样品进行三维尺寸测量，其平面度偏差为0.46 mm，与仿真值接近，且图纸要求的平面度最大偏差不超过0.6 mm，生产的样品符合质量要求。

图6 连接器外壳

4 结束语

针对连接器外壳结构复杂、注射工艺难以预测的问题，建立了3层拓扑的神经网络模型，用于分析预测工艺参数对于翘曲的影响趋势。建立正交试验，由极差分析得出保压压力对翘曲影响最大，在正交试验的样本基础上设立BP神经网络模型，结合Matlab软件对模型进行训练，通过5组样本测试，发现神经网络优化模型的预测误差在2.5%～3.6%，证明所建立的网络模型具有良好的预测能力。利用训练后的模型继续对工艺参数进行二次寻优，可以直接获得各参数对应的翘曲变形量，节省了软件分析时间，得出的最优工艺参数组合为注射温度305℃、模具温度85℃、注射时间1.0 s、保压时间6 s、保压压力60 MPa，利用该参数指导生产，获得了质量合格的样品。因此，该模型可以用于指导连接器外壳的工艺参数设置，为后续生产提供应用价值。