Optymalizacja i prognozowanie deformacji wyrobów wtryskowych

• Autorzy: Frącz W. , Trzepieciński T.

Warianty tytułu

EN

The warpage optimization and warpage prediction of injection moulded parts

• Języki publikacji: PL

Abstrakty

PL

W pracy przedstawiono sposób optymalizacji procesu wtryskiwania w oparciu o metodę Taguchi oraz sposób wykorzystania sztucznych sieci neuronowych (SSN) do prognozowania deformacji wyrobów wtryskowych. Analizy wykonano dla procesu wtryskiwania mikroporującego, jako wstępne badania przed uruchomieniem produkcji wyrobu. Dane uczące dla badanych modeli sieci neuronowych oraz dane dla celów optymalizacyjnych uzyskano z symulacji procesu technologicznego w programie Autodesk Moldflow Insight 2010. Wykonano w praktyce 27 istotnych ewaluacji komputerowych procesu wtryskiwania, przy różnych konfiguracjach parametrów technologicznych. Wyboru konfiguracji parametrów dokonano za pomocą metod planowania czynnikowego z wykorzystaniem planu ortogonalnego typu L27, z 7 czynnikami sterującymi, zmiennymi na 3 poziomach, opracowanego przez G. Taguchi. Ustalono optymalną konfigurację parametrów wtryskiwania. Jako parametry planowania czynnikowego oraz uczące sieci neuronowe zastosowano: temperaturę formy, temperaturę wtrysku, czas wtrysku, czas docisku, ciśnienie docisku, objętość wtryśniętego tworzywa oraz koncentrację środka porującego.

EN

In this work the warpage prediction and optimization of the injection microcellular moulded piece, using CAE simulations results, were developed. The Taguchi method and artificial neural networks (ANN) were used to make this ones. Fill, flow, cool and warpage analyses, using CAE (Autodesk Moldflow MPI 2010) commercial code have done for warpage determination of the plastic part. Process parameters such as mold temperature, melt temperature, packing pressure, packing time, volume filled at start of foaming and initial gas concentration are considered as process variables. The design of experiment (DOE), standard L27 Taguchi orthogonal array with seven, 3-level parameters, and main effect analysis were used to optimize warpage value in the range of analysed process parameters. To predict the warpage values by ANN, the three multilayer perceptrons learned by backpropagation algorithm were used. Finally, results of the prognostic neural models were verified with FEM simulation results. The best results to CAE data were obtained by network model with 12 neurons in hidden layer.

Słowa kluczowe

PL

wtryskiwanie mikroporujące; sztuczne sieci neuronowe; planowanie eksperymentu; plan ortogonalny; metoda Taguchi; Moldflow MPI

EN

microcellular injection moulding process; artificial neural networks; design of experiments; orthogonal plan; Taguchi method; Moldflow MPI

• Wydawca: Sieć Badawcza Łukasiewicz – Instytut Inżynierii Materiałów Polimerowych i Barwników
• Czasopismo: Przetwórstwo Tworzyw
• Rocznik: 2010
• Tom: [R.] 16, nr 6
• Strony: 292--301
• Opis fizyczny: Bibliogr. 20 poz., rys., tab.

Twórcy

autor

Frącz W.

autor

Trzepieciński T.

• Politechnika Rzeszowska, Katedra Przeróbki Plastycznej, Al. Powstańców Warszawy 8, 35-959 Rzeszów,

Bibliografia

• 1. Sikora J.W., Samujło B., Kowalska B.: Otrzymywanie wytworów z polistyrenu porowatego strukturalnie, Przetwórstwo tworzyw 2006, 1, 4-12.
• 2. Praca zbiorowa pod red. Sikora R.: „Przetwórstwo tworzyw polimerowych: podstawy logiczne, formalne i technologiczne”, Wyd. Politechniki Lubelskiej, Lublin, 2006.
• 3. Sikora R.: „Podstawy przetwórstwa tworzyw wielkocząsteczkowych”, Wyd. Politechniki Lubelskiej, Lublin, 1992.
• 4. Bociąga E.: „Specjalne metody wtryskiwania tworzyw sztucznych”, WNT, Warszawa, 2008.
• 5. Kukiełka L.: „Podstawy badań inżynierskich”, PWN, Warszawa, 2002.
• 6. Mańczak K.: „Metody identyfikacji wielowymiarowych obiektów sterowania”, WNT, Warszawa, 1979.
• 7. Korzyński M.: „Metodyka eksperymentu, planowanie, realizacja i statystyczne opracowanie wyników eksperymentów technologicznych”, WNT, Warszawa, 2006.
• 8. Garbacz T., Tor A.: Aspekty wytwarzania oraz właściwości wytworów porowanych otrzymanych w procesie wytłaczania, Zeszyty Naukowe nr 246 - Chemia i Technologia Chemiczna 2006, 11, 37-42.
• 9. Bociąga E.: „Wtryskiwanie mikroporujące (MuCell). Praca zbiorowa pod red. Koszkul J., Bociąga E. Postęp w przetwórstwie materiałów polimerowych”. CWA Regina Poloniae, Częstochowa, 2006, 36-42.
• 10. Ozcelik B., Sonat I.: Warpage and structural analysis of thin shell plastic in the plastic injection molding, Materials and Design 2009, 30, 367-375.
• 11. Ozcelik B., Erzurumlu T.: Comparison of the warpage optimisation in the plastic injection molding using ANOVA, neural network model and genetic algorithm, J. Mat. Proc. Technol., 2006, 171, 437-445.
• 12. Fidan I., Kraft R.P., Ruff L.E., Derby S.J.: Designed experiments to investigate the solder joint quality output of a prototype automated surface mount replacement system, IEEE T Compon. Pack. T., 1998, 21, 172-181.
• 13. Wang W.H., Tarng Y.S.: Design Optimization of cutting parameters for turning operations based on the Taguchi method, J. Mat. Proc. Technol., 1998, 84, 122-129.
• 14. Syrcos G.P.: Die casting process Optimization using Taguchi methods, J. Mat. Proc. Technol., 2003, 135, 68-74.
• 15. Ghani J.A., Choudhury I.A., Hassan H.H.: Application of Taguchi method in the optimization of end milling parameters, J. Mat. Proc. Technol., 2004, 145, 84-92.
• 16. Ossowski S.: „Sieci neuronowe w ujęciu algorytmicznym”, WNT, Warszawa, 1996.
• 17. Garret J.H., Gunarathan D.J., Ivezic N.I., Kartam N., Flood I. (Eds.): „Artificial Neural Networks for Civil Engineers: Fundamentals and Applications”, ASCE New York 1997, 1-17.
• 18. StatSoft Inc.: „Manual of STATISTICA Neural Networks Software”, StatSoft Inc., Tulsa, 1998.
• 19. Patterson D.W.: „Artificial Neural Networks - Theory and Applications”, Prentice-Hall, Englewood Cliffs, 1998.
• 20. Myers R.H., Montgomery D.C., Anderson C.M.: „Response surface methodology process and product optimization using designed experiments”, John Wiley and Sons Inc., New York, 2009.