外文翻译-热动态建模与控制注塑成型工艺.docVIP

外文翻译-热动态建模与控制注塑成型工艺.doc

  1. 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
  2. 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载
  3. 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
  4. 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
  5. 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们
  6. 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
  7. 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
外文翻译-热动态建模与控制注塑成型工艺.doc

毕业设计(论文) 文献翻译 院(系)名称 工学院机械系 专业名称 机械设计制造及其自动化 学生姓名 指导教师 2012年 03 月 3 日 热动态建模与控制注塑成型工艺 摘要 热控制是注塑模具高速发展的关键。对于一个有效的热管理系统,本研究提供了一个方法,以确定热动态模型的控制器的设计。采用神经网络和有限元分析,系统辨识对模具成型工艺各周期动态进行了处理。基于系统识别,控制器采用径向基函数(RBF)的目的是调整控制器的参数。根据不同成型工艺的精度对控制器的性能进行研究跟踪。:塑料注塑成型热动态建模周期时间神经网络有限元分析基于RBF自适应PID控制 图1显示了用于在这项研究中分析的注塑模具。热聚合物注入模腔通过靠近冷却通道冷却到脱模温度。由于注塑过程中的主导热量传递手段[3,9],将冷却液的流速和温度的选择作为控制参数。模具的热有限元动态分析基于这种投入产出模型来开展。在注塑过程中,周期时间分配为主体注射阶段,包装,保温,冷却和弹射。由于在这些阶段,冷却阶段需要一个周期的很大一部分时间来将聚合物冷却到[10]凝固温度,冷却时间在周期中起着重要的作用。以往的研究在注塑成型过程中在处理系统识别和热控时使用了预定的冷却时间(即周期)。然而广泛的热动力学变化周期时间是不固定的。“基于这有限的认知,控制策略不能充分利用通过减少冷却时间(周期时间)在成本效益中制造的优势。在这项研究中,不同的成型周期时间过程被认为是热动力学建模的过程。 3 热动力学建模 3.1有限元分析 有限元分析的目的是确定在注塑模具的成型工艺热动力学(即温度分布),并获得输入输出数据集。104J.SEO,A. Khajepour,和J.P.Huissoon 图1 注塑模具冷却通道 注塑模具的过程可以简述如下:聚合物在注塑成型周期开始前205 ℃注入模腔。在循环过程中,通过冷却液与空气自然对流来实现熔体和磨具间的热传导。冷却阶段后,聚合物的一部分是从开模腔喷出。为有限元分析时,ANSYS CFX的11软件包使用SolidWorks的三维CAD文件。对于聚合物和模具,材料性能的Santoprene 8211-45[11]和铸铁GG-15 [12]分别应用。水由于其特性被用于冷却剂。在冷却通道中的流动很快。模具的初始温度假定为室温(25℃),与静止的空气自然对流,6 W/m2℃ 为对流换热系数。暂态分析中的有限元分析注射周期时间的温度分布进行了观察成型工艺腔附近的一些节点。四个节点(MO1,MO2,MO3MO4)位于模具图内。1被选为监测温度分布。为有限元网格划分,网格细化的收敛性进行研究,直到达到了温度分布的收敛。 3.2系统辨识NARX模型及有限元分析 利用有限元分析动力学模型来描述在模具中的温度分布,NARX(非线性自回归与输入输出数据提供外部输入)模型作为神经网络的方法。NARX是一个功能强大的非线性动力学模型,它能够处理不确定动态和嵌入式存储器,其中包括时空变化反映系统的动态响应。由于这个特点,NARX有以下几种结构: 数据类型 输入变量 范围 实验 流量(gpm) 0,1,3,4,5,6,8 周期(秒) 61,71,81,91 结论 流量(gpm) 0,2,7,3 周期(秒) 66,86 图3 NARX模型示意图 采用Levenberg-Marquardt(LM)算法作为训练算法,根据最小平方差通过实验和误差决定实验和隐层节点的数目。通过200组实验数据,测试与验证NARX模型的性能(即精度)。使用验证输入条件(见表1),NARX模型 验证(见图4)。从图4可以看出我们的NARX模型具有良好的性能,所有节点在没有利用实验数据,输入新的输入条件的情况下进行温度估量。 4 控制器设计 4.1模腔温度控制 图4 验证结果(模型(YN)和实际产出(Y)之间的比较) 由于四个钽的平均噪声或独特的反应是比较敏感的可在特定节点产生,此值更适合使用分析腔体壁的温度。当零件达到这种材料所需的脱模温度(Santoprene8211-45:85℃),腔壁面温度是25℃左右,这相当于为22℃四个钽的平均线性关系。因此,22℃将被用作成型过程中的质量控制的客观价值(或产品质量)。 4.2自整定PID的RBF神经网络 图5 RBF神经网络自适应PID控制 图6 各种基于RBF自适应PID控制器的性能和周期的设定值 对于第一个范围(0-6000秒),91秒的周期时间(因此66没有周期)被认为是25℃和22℃(相当于多设定点脱模温度)。然后,设定点上升至24℃,并保持在6000秒 - 12000秒与71秒不同的周期时间(共85个周期)不变。 然后使

文档评论(0)

zhangningclb + 关注
实名认证
文档贡献者

该用户很懒,什么也没介绍

1亿VIP精品文档

相关文档