图像识别器外壳成型缺陷分析及优化设计

Analysis of Molding Defects and Optimization Design of Image Recognizer Housing

摘要

通过UG 12.0软件建立图像识别器外壳的3D模型，并利用Moldflow进行模拟仿真和优化分析。选用聚对苯二甲酸丁二醇酯/丙烯腈-苯乙烯-丙烯酸酯（PBT/ASA）复合材料作为外壳材料，通过Design Expert 10.0软件设计30组样本实验，有效节约了生产成本。响应面模型揭示了工艺参数与体积收缩率之间的数学关系，方差分析确认了模型的显著性，R²=0.927 4表明模型具有良好的预测能力。优化分析得到的最佳工艺参数组合为：保压时间14 s、保压压力65 MPa、表面温度85 ℃、熔体温度256 ℃。在此条件下，制件的体积收缩率从初始的2.898 0%降至0.507 4%，降低幅度达到82.49%，模型预测值与实际值之间误差仅为1.15%，验证了优化模型的预测能力和可靠性。

Abstract

The 3D model of image recognition device shell was built by UG 12.0 software and performed simulation and optimization analysis using Moldflow. Polybutylene terephthalate/acrylonitrile-styrene-acrylate (PBT/ASA) composites were selected as the shell materials, and 30 sets of samples were designed through Design Expert 10.0 software, which effectively saves the production cost. The response surface model revealed the mathematical relationship between process parameters and volume shrinkage rate, ANOVA confirmed the model significance, and R²=0.927 4 indicated that the model had good predictive power. The best combination of process parameters obtained by the optimization analysis were pressure holding time of 14 s, pressure of 65 MPa, surface temperature of 85 ℃ and melt temperature of 256 ℃. Under these conditions, the volume shrinkage rate of the parts decreased from the initial 2.898 0% to 0.507 4%, reducing about 82.49%, and the difference between the predicted value and the actual value was only 1.15%, which verified the predictive ability and reliability of the optimization model.

Graphical abstract

关键词

图像识别器 / Moldflow / 工艺优化 / 响应面法 / 体积收缩率

Key words

Image recognizer / Moldflow / Process optimization / Response surface methodology / Volume shrinkage

随着图像识别技术的不断发展和应用，图像识别器在各行各业中的需求日益增长，尤其是在智能家居、安防监控、自动驾驶等领域，其核心功能得到了广泛关注^[1]。方堃^[2]研究表明，光学制品的传统玻璃透镜作为图像识别器的关键组成部分，已难以适应轻量、环保、高效的现代化需求，其外壳不仅要具备良好的机械性能，还需要满足较高的外观要求。徐勤涛等^[3]研究发现，在图像识别器外壳高精度注塑成型过程中，变形、翘曲和尺寸不稳定等问题影响外壳的成型质量与最终的装配精度。如何优化注塑成型工艺，确保外壳的尺寸精度与外观质量，成为提升产品性能和降低生产成本的关键。

传统的注塑工艺优化方法多依赖经验和单因素试验，难以全面反映各工艺参数之间的相互关系及其对成型质量的影响，且试验周期长、成本高。王叶等^[4]发现对于注塑复杂部件来说，其注塑成型过程中，模具温度、注射压力、熔体温度、冷却时间等工艺参数之间的相互影响尤为重要。传统的注塑工艺调整往往难以应对多因素的协同效应，容易导致外壳翘曲变形、气泡、裂纹等缺陷^[5]。响应面法作为一种系统的优化工具，能够设计合理的实验方案、建立数学模型，从多角度分析和优化工艺参数，最终找到最佳的工艺组合。Moldflow软件作为领先的注塑仿真工具，通过对注塑过程的仿真模拟，可以在虚拟环境中预测流动、冷却和收缩等过程中的关键物理现象，进而为工艺参数的优化提供重要依据。将响应面法与Moldflow软件相结合，不仅可以全面考察各个工艺参数之间的相互关系对外壳翘曲、表面质量及尺寸精度等因素的影响，从而优化工艺，提高成型质量^[6]，还能够减少实验次数，节约时间和成本，为复杂制件的优化设计提供依据。

研究将通过响应面法设计实验，结合Moldflow仿真分析，探讨不同工艺参数对图像识别器外壳的影响，进而优化注塑成型工艺，以减少外壳翘曲变形和提升外观精度，确保产品符合技术要求并具备良好的市场竞争力。

1 模拟仿真

1.1 构建模型

通过UG 12.0软件建立图像识别器外壳的3D模型，可以直观地定义外壳的几何形状和尺寸。设定这些尺寸是为了当出现意外跌落或撞击等情况时，外壳能够为内置镜头提供可靠保护。图1为图像识别器外壳的3D模型和2D平面设计。从图1可以看出，最大长度为79 mm，宽度为42 mm，厚度为38 mm。该模型作为后续模流分析的基础，其精确性和完整性将直接影响分析结果的准确性^[7]。

将3D模型导入Moldflow软件对外壳模型进行网格划分，图2为模型网格分布。从图2可以看出，网格形状规则、尺寸均匀，为后续的流动、热传导和体积收缩率分析奠定了基础。总计生成了24 244单元的网格，其中最大纵横比为14.75，远低于常规要求的20，表明网格具有较高的各向同性和良好的质量。同时，网格匹配率达到98.7%，进一步说明网格划分的均匀性和可靠性^[8]。特别是针对流动分析，均匀的网格能够更准确地捕捉熔体在复杂几何结构中的流动行为，在热传导和体积收缩率分析中，细致的网格划分则有助于更好地表征温度分布和成型后收缩变形^[9]。

聚对苯二甲酸丁二醇酯/丙烯腈-苯乙烯-丙烯酸酯(PBT/ASA)复合材料融合了PBT的机械强度、耐热性与ASA的耐候性、耐化学性，具备出色的耐冲击性，能够保护图像识别器免受意外撞击。此外，PBT/ASA复合材料所具备的耐候性，使外壳能够保持长期稳定，有效防止材料性能出现退化现象。PBT/ASA复合材料的耐化学性则赋予外壳抵抗清洁剂、溶剂等各类化学物质侵蚀的能力，确保外壳始终维持完整性和功能性。在加工性能方面，PBT/ASA复合材料表现出色，通过注塑成型等加工工艺，可以制造出精确而复杂的外壳结构，精准满足精密设备的装配需求。该材料的热稳定性可靠，在图像识别器工作过程中产生的热量，不会使外壳发生变形，进而保障了设备能够长期稳定运行。因此，PBT/ASA复合材料是制造图像识别器外壳的理想选择，为设备提供坚固、耐用且美观的保护。

1.2 模流分析

将3D模型导入Moldflow软件进行模流分析，为研究注塑工艺中的流动行为、热传导过程以及成型质量提供有效的工具和方法^[10]。这种分析能够直观地揭示材料在流动过程中的行为特征和材料在复杂几何结构中的性能表现，从而为优化注塑工艺参数提供数据支持。

表1为注塑常用工艺参数。在初始设置中，注塑条件包括模具温度为100 ℃、注射压力为160 MPa、注塑温度为260 ℃、熔体温度为275 ℃、冷却时间为40 s以及保压时间为20 s，保压压力设为注射压力的一半^[11]。图3为初始模拟结果。从图3可以看出，制件的最大体积收缩率为2.898 0%，并且集中于制件边缘部位。这种收缩现象反映了制件复杂几何形状和材料特性导致的受力不均与收缩集中问题，显示出初始参数虽然能够基本满足注塑需求，但仍存在显著改进空间。

翘曲变形的集中分布揭示了复杂几何结构的受力不均，而体积收缩率偏高则表明成型过程中可能存在尺寸偏差。调整保压时间和保压压力能够改善材料在冷却时的应力分布，降低翘曲风险；提高表面温度和熔体温度能够增强材料流动性，减少流动阻力，从而提高制件边缘的尺寸精度。经参数调整，可以降低制件边缘的残余应力和体积收缩率，提升成型质量^[12]。

2 响应面成型工艺参数优化

2.1 因素水平设计

由于不同工艺的因素参数组合对变形量有显著差异，因此参数的选择对制件成型质量至关重要。保压时间、保压压力、表面温度和熔体温度的不同组合可能导致体积收缩率较大，这可能是因为高注射压力或短冷却时间导致了内应力释放不均；而其他组合则可能通过优化模具温度和熔体温度实现了变形量的显著减小。这种差异性为后续优化提供了清晰的方向。通过对数据进行响应面模型拟合，可以定量描述各工艺参数的主效应及其交互作用，之后，利用方差分析(ANOVA)进一步评估各因素的显著性。这种分析不仅能够找出影响翘曲变形的主要因素，还能揭示复杂的参数协同效应，为优化提供多维度的指导^[13]。表2为响应面实验因素水平设计。

2.2 响应面样本数据

传统的试错法需要大量的实验成本和时间，而利用Design Expert 10.0软件对30组样本进行实验设计，能够通过有限的实验数据预测和优化响应变量的变化趋势，显著降低实验资源消耗。该方法具有高度的可重复性和系统性，适用于注塑成型中复杂的多因素分析问题。通过DOE法找到最优的工艺参数组合，可以有效减小体积收缩率(R)，提升制件的尺寸精度和成型质量。这种科学化、数据驱动的分析方法对推动注塑成型技术的发展具有重要意义，同时为复杂工艺参数优化问题提供了参考范例^[14]。表3为DOE实验方案及响应值。

2.3 响应面拟合

在本实验中，通过响应面法对注塑成型工艺参数进行拟合分析，以期找出最佳参数组合来减少制件的翘曲变形。首先，根据实验数据，采用线性回归方法得到了以下响应面模型方程：

\begin{array}{c}R=\mathrm{0.63}-\mathrm{0.034}\times A-\mathrm{0.055}\times B+\mathrm{0.077}\times C+\mathrm{0.028}\times D+\mathrm{0.043}\times AB+\mathrm{0.15}\times AC-\mathrm{0.018}\times AD-\mathrm{0.080}\times BC+\\ \mathrm{0.051}\times BD-\mathrm{0.079}\times CD+\mathrm{0.068}\times A^{\mathrm{2}}+\\ \mathrm{0.071}\times B^{\mathrm{2}}-\mathrm{0.011}\times C^{\mathrm{2}}+\mathrm{0.16}\times D^{\mathrm{2}}\end{array}(1)

通过分析该方程的各个系数，可以确定各工艺参数及其交互作用对体积收缩率的影响程度。C的系数为0.077，表明表面温度与体积收缩率呈正相关，适当降低表面温度可以减少体积收缩率。B的系数为-0.055，表明保压压力与体积收缩率呈负相关，适当增大保压压力有助于减少变形。交互作用项如AC、BC等，表示这两个因素的交互作用对体积收缩率的影响。从方程中可以看出，AC项的系数的绝对值最大，为0.15，表明A和C的交互作用对体积收缩率影响最大。其次是BC项的系数为-0.08，表明B与C交互作用影响显著^[15]。

图4为拟合曲线与正态分布。数据点在动态平衡状态下的分布模式，直接反映了回归模型的稳健性。动态平衡意味着模型能够合理地反映系统的物理过程，而非依赖某些特殊数据点，从而确保预测的普适性和可靠性^[16]。在减少体积收缩率的过程中，模型的高精度预测可以有效指导参数的选择和调整，从而减少实验试错的成本，缩短优化周期。从图4可以看出，数据点对称分布在中心线两侧，呈现动态对称的特征。这种分布模式明确显示了模型与实验数据之间具有较高的拟合性。基于响应面法构建的回归模型方程具备较强的预测能力。

2.4 数据分析与模型建立

表4为方差分析结果。从表4可以看出，本实验建立的响应面模型在统计学上具有显著性，模型的F值为2.72，P值为0.032 1，小于显著性水平0.05，证明模型有效且可信。同时，失拟项的P值为0.159 4，不显著，表明模型与实验数据之间不存在显著失拟现象，即模型能够较好地拟合实验数据，进一步增强了模型的可靠性^[17]。模型的相关系数R²=0.927 4，高于0.9的标准，说明模型对实验数据的解释能力较强；精度为6.544，远大于4，表示模型的响应值具有足够的区分度，可以用于预测和优化工艺参数。这些统计指标表明，所构建的响应面模型在工艺参数优化方面具备良好的实用性和预测能力。

进一步分析交互项的显著性，发现AC和BC的交互项对响应变量表现出显著性。这表明A与C之间的相互作用显著影响制件的翘曲变形量。同样，B和C的交互作用也起到重要作用。根据偏差平方和或者方差，独立因素影响的排序为C>B>A>D，这与线性回归分析得出的结论一致，进一步验证了结果的准确性。其中，表面温度对翘曲变形量的影响最大，意味着适当增加表面温度有助于减少变形，提高制件的尺寸精度^[18-19]。

通过对3D等高线图的分析，可以直观地评估不同因素及其交互作用对体积收缩率的影响强度。等高线图清晰显示了AC和BC交互项的显著性及其影响范围^[19]。图5为响应面模型的三维曲面图和3D等高线图。从图5可以看出，随着A和C的变化，体积收缩率的梯度变化显著，表明两者的协同作用对工艺优化至关重要^[20-21]。此外，B和C的交互作用也表现出明显的影响，揭示了通过综合调整两者的水平可以有效控制翘曲变形。

这些分析方法为优化注塑成型工艺提供了系统方法和科学依据。方差分析确认了模型的显著性和预测能力，交互项分析揭示了主要参数间的协同作用，为优化参数提供了方向^[22]。3D等高线图直观展示了关键交互效应，帮助识别影响翘曲变形的主要因素及其优化路径。这种分析不仅验证了模型的可靠性，还为制件质量的提升提供了明确的指导，有助于实现高效、精准的工艺参数优化^[23]。

3 模拟验证

通过Design Expert 10.0软件建立响应面模型，并进行模拟优化分析，通过最小化体积收缩率来优化注塑成型的工艺参数。通过响应面模型的分析，得到了最佳工艺参数组合：A为14 s，B为65 MPa，C为85 ℃，D为256 ℃。将优化参数组合带入Moldflow软件中进行模拟验证，旨在确认这些工艺参数是否能够显著改善制件的成型质量，特别是减少体积收缩率^[24]。

表5为优化后模拟分析结果。图6为优化后的验证结果。从图6可以看出，在优化条件下，制件的体积收缩率显著降低，从初始的2.898 0%降至0.507 4%，降低约82.49%。结果表明，合理的工艺参数能够有效地控制注塑过程中材料的收缩行为，提高产品的质量和精度。模型预测的体积收缩率为0.513 3%，与实际模拟结果相比，误差仅为1.15%，远低于3%的误差范围，这进一步验证了优化模型的预测能力和可靠性。

通过响应面模型的建立和优化，可以量化和精确控制各个工艺参数对制件成型质量的影响。通过对这些参数的优化调整，可以显著提高制件的精度，减少生产过程中的瑕疵。具体来说，保压时间、保压压力、表面温度和熔体温度等参数的优化组合，对减少体积收缩率起到了决定性作用，模拟验证结果也证明了优化模型的实际应用价值。

4 结论

通过UG 12.0软件建立图像识别器外壳的三维模型，并利用Moldflow软件进行注塑成型工艺的模拟仿真和优化分析。网格划分生成24 244单元，最大纵横比为14.75，网格匹配率达到98.7%，确保了模拟分析的精度与稳定性。采用DOE方法预测和优化体积收缩率，显著降低了实验资源消耗。响应面模型的建立揭示了工艺参数与体积收缩率之间的数学关系，方差分析确认了模型的显著性，R²为0.927 4表明模型具有良好的预测能力。优化分析得到的最佳工艺参数组合为保压时间14 s、保压压力65 MPa、表面温度85 ℃、熔体温度256 ℃。在此条件下，制件的体积收缩率从初始的2.898 0%降至0.507 4%，降低幅度82.49%，模型预测值与实际值之间的误差仅为1.15%，验证了优化模型的预测能力和可靠性。

参考文献

[1] 王光博.基于深度学习的小样本图像识别方法研究[D].沈阳:沈阳理工大学,2023.

[2] 方堃.基于护目镜图像识别的光弹性材料精密注塑成型研究[D].北京:北京化工大学,2021.

[3] 徐勤涛,杨自恒,朱伟男,基于神经网络的图像识别技术与方法探讨[J].通讯世界,2018,(7):100-101.

[4] 王叶,刘义.注塑工艺参数对聚丙烯透明料雾度影响研究[J].中国塑料,2024,38(11):93-96.

[5] 王媛,杨晶,孙然.基于CAD/CAE技术的复杂面板注塑模具设计研究[J].科技资讯,2023,21(21):100-104.

[6] 王家昌.聚丙烯复合材料微孔发泡注塑成型技术研究[D].济南:山东大学,2023.

[7] KUO C C, QIU S X, LEE G Y, ZHOU J, HE H Q. Characterizations of polymer injection molding tools with conformal cooling channels fabricated by direct and indirect rapid tooling technologies[J]. The International of Advanced Manufacturing Technology, 2021, 117: 343-360.

[8] SAIFULLAHA BM, MASOOD S H. Finite element thermal analysis of conformal cooling channels in injection moulding[C]. In 5th Australasian Congress on Applied Mechanics. Brisbane, Australia: ACAM, 2007.

[9] 王国清.轿车门内板注塑成型的过程模拟及参数优化研究[D].芜湖:安徽工程大学,2022.

[10] KUO C C, YOU Z Y. A simple method for enhancing the flexural strength of epoxybased rapid soft tooling with conformal cooling channels[J]. The International of Advanced Manufacturing Technology 2022, 121: 1887-1897.

[11] 龚强,金志明.基于模型算法的注塑制品质量预测控制研究进展[J].中国塑料,2024,38(4):98-102.

[12] 宋芳.基于UG的拖拉机大灯注塑模具设计[J].农机化研究,2024,46(8):264-268.

[13] KUO C C, QIU S X. A simple method of reducing coolant leakage for direct metal printed injection mold with conformal cooling channels using general process parameters and heat treatment[J]. Materials, 2021, 14(23): 7258.

[14] KUO C C, YOU Z Y, WU J Y, HUANG J L. Development and application of a conformal cooling channel with easy removal and smooth surfaces[J]. The International of Advanced Manufacturing Technology, 2019, 102: 2029-2039.

[15] 吴虎.汽车前端框架上支架结构轻量化及其注塑成型工艺参数优化研究[D].芜湖:安徽工程大学,2023.

[16] 巩建林.注塑模具随形冷却系统优化设计及增材制造方法研究[D].兰州:兰州交通大学,2023.

[17] 巫兴悦.汽车前大灯双色灯罩注塑成型工艺参数优化[D].昆明:昆明理工大学,2023.

[18] 陈如香,刘改霞,戴坤添,基于Moldflow的注塑件模流分析与优化[J].科技创新与应用,2022,12(29):80-83.

[19] 余钰洋.基于CAE的某生化仪内支架注塑成型过程模拟及工艺参数优化研究[D].合肥:安徽建筑大学,2023.

[20] KUO C C, CHEN W H, LIN Y X, GAO Q, GIAN S J, XIAO C X. Effects of different fillers on the silicone rubber mold with conformal cooling channels[J]. The International of Advanced Manufacturing Technology, 2020, 108: 1509-1525.

[21] KUO C C, CHEN W H. Improving cooling performance of injection molding tool with conformal cooling channel by adding hybrid fillers[J]. Polymers (Basel), 2021: 13.

[22] KUO C C, YOU Z Y, CHANG S J, LIAO J D, YU S T, ZENG R T. Development of green conformal cooling channels for rapid tooling.The International of Advanced Manufacturing Technology, 2020, 111: 109-125.

[23] 张庆伟.基于多尺度联合仿真技术的注塑结构件的成型优化与轻量化设计[D].南昌:华东交通大学,2023.

[24] KUO C C, JIANG Z F. Numerical and experimental investigations of a conformally cooled maraging steel injection molding tool fabricated by direct metal printing[J]. The International of Advanced Manufacturing Technology, 2019, 104: 4169-4181.

基金资助

国家自然科学基金面上项目(51879093)

江苏省科技计划项目(BE2022605)