PBT车载智能连接器注塑成型工艺优化研究

Research on Injection Molding Process Optimization of PBT Automotive Intelligent Connector

摘要

文章基于聚对苯二甲酸丁二酯（PBT）材料的特性，建立智能连接器的三维和二维模型，并使用UG NX软件和Moldflow软件进行网格划分和模流分析。初步分析发现，最大翘曲变形量为0.884 0 mm，且主要集中在接口两侧。采用Box-Behnken设计构建响应面模型，并通过方差分析识别出影响翘曲变形的关键参数。通过响应面模型算法进一步优化工艺参数组合。结果表明：保压压力为45 MPa、保压时间为122 s、表面温度为57 ℃以及熔体温度为264 ℃时，制件的翘曲变形量最小。最大翘曲变形量降至0.537 2 mm，相比优化前减少39.23%，显著提升了成型质量。通过Moldflow软件验证优化结果，发现预测值与实际模拟值的相对误差为0.30%，证明了该优化方法的有效性。

Abstract

Based on the characteristics of polybutylene terephthalate (PBT) material, the study established both three-dimensional and two-dimensional models of an intelligent connector. Mesh generation and mold flow analysis were performed using UG NX and Moldflow software. The initial analysis revealed that the maximum warpage deformation was 0.884 0 mm, mainly concentrated on both sides of the interface. A Box-Behnken design was used to construct the response surface model, and the key parameters affecting warpage deformation were identified by ANOVA. The process parameter combinations were further optimized by the response surface model algorithm. The results showed that when the packing pressure was 45 MPa, packing time was 122 s, mold surface temperature was 57 ℃, and melt temperature was 264 ℃, the warpage deformation of the part reached its minimum value. The maximum warpage deformation was reduced to 0.537 2 mm, a decrease of 39.23% compared to the initial value, significantly improving the molding quality. The optimized results were verified using Moldflow software, and the relative error between the predicted and simulated values was only 0.30%, demonstrating the effectiveness of the optimization method.

Graphical abstract

关键词

车载智能连接器 / 聚对苯二甲酸丁二酯 / 响应面分析 / Moldflow

Key words

Automotive intelligent connector / PBT / Response surface analysis / Moldflow

随着汽车工业和智能技术的迅猛发展，车载电子设备的功能日趋多样化，对车载智能连接器的需求也不断提高。这些连接器既要承担信号传输的重任，又要在高温、高湿、振动和化学腐蚀等严苛的汽车环境中长期工作^[1-2]。因此，研究车载智能连接器的注塑成型工艺具有重要意义。车载智能连接器的注塑成型工艺直接影响产品的性能和可靠性，连接器的尺寸精度、机械强度、电气绝缘性能等均依赖于注塑工艺的控制。若注塑过程中参数设定不当，可能会导致制件出现翘曲、气泡、收缩等缺陷^[3-4]，进而影响连接器的装配精度与工作稳定性。在汽车电子系统中，连接器的失效可能引发严重的安全隐患因此，因此优化注塑工艺以确保产品质量至关重要，有助于提升生产效率，降低制造成本。

随着市场竞争的加剧，制造商需要在确保产品品质的前提下提高生产效率，降低材料浪费和能耗。通过对注塑工艺的深入研究，可以找到最佳的工艺参数组合，从而缩短成型周期，减少次品率，实现节约生产成本的目的。此外，注塑工艺的优化还可以推动提升材料利用率和降低环境影响^[5]。在现代制造业中，环保与可持续发展已成为重要议题，对注塑工艺的深入研究可以减少材料浪费，优化冷却和加热过程，降低能源消耗，进而减少对环境的影响^[6]。

在众多可选材料中，聚对苯二甲酸丁二酯(PBT)因其卓越的机械性能脱颖而出。车载智能连接器要求材料具有较高的强度和刚性，以应对汽车使用过程中可能遇到的机械冲击与振动。PBT材料的高抗拉强度与抗冲击性能确保了连接器在复杂工况下的结构稳定性，降低了因材料疲劳导致失效的风险。同时，PBT具有优良的耐热性，车载智能连接器往往需要在高温环境中长期工作，如发动机舱内部或暴露在阳光下的部位。PBT材料的高热变形温度，使其在150 ℃以上的高温下仍能保持良好的尺寸稳定性和机械强度，从而在车载应用中表现出色。PBT的电气性能也极为突出^[7-8]。在车载智能连接器中，材料的电绝缘性和耐电弧性能至关重要。PBT材料不仅具有高绝缘强度，还能在高湿度、高温环境中保持稳定的电气性能，确保信号传输的可靠性。此外，PBT的低吸湿性使其在潮湿环境下仍能保持良好的电气绝缘性，这对于长期暴露在外界环境中的车载连接器尤为重要^[9-11]。

本文聚焦于PBT材料在车载智能连接器注塑成型工艺中的应用研究，旨在探讨注塑工艺中的熔体温度、注射压力、保压压力及冷却时间等工艺参数对制件质量的影响，并通过试验和模拟分析，寻求最佳的工艺参数组合。研究结果不仅有助于提升车载智能连接器的成型质量和使用可靠性，还能为相关材料和工艺的优化提供参考和实践指导，推动汽车电子制造技术的进一步发展。

1 模拟仿真

1.1 建立模型

图1为智能连接器的三维模型和二维模型。从图1可以看出，该制件长为30.28 mm，宽为14.84 mm，高为12.64 mm，所用材料为PBT。由于PBT材料的强度和刚性较强，该模型能够承受较大的机械应力，以确保智能连接器板在使用过程中保持稳定的结构和形状^[12]。

1.2 网格划分

使用UG NX三维建模软件进行建模，并通过Moldflow软件进行仿真分析。首先对模型进行网格划分^[13]，生成总单元数为80 443个网格，最大纵横比为15.52，平均纵横比为1.33，网格匹配率达到92.1%，表明网格质量良好，满足模拟分析的精度要求。图2为智能连接器的网格划分。

1.3 初步模流分析

利用Moldflow软件可以模拟注塑成型过程中各工艺参数对制件翘曲变形的影响^[14-15]。由于PBT具有良好的电绝缘性能和耐电弧性能，适合用于电气连接器板，能够有效防止电气故障，保障设备的安全运行。其具有高强度和刚性，能够承受较大的机械应力，确保智能连接器板在使用过程中保持稳定的结构和形状。PBT材料的耐化学性、低吸湿性和良好的尺寸稳定性有助于延长智能连接器板的使用寿命。在连接器板的实际应用中，材料性能的提升直接关系到产品的可靠性和耐用性。因此，探究PBT材料的长期性能表现具有重要意义。

结合实际生产经验，注塑成型过程中适当提高熔体温度有利于制件成型，因为较高温度能加快分子运动，改善熔体流动性。此外，保压压力与保压时间需在合理范围内，过高或过低均会影响制件的成型质量，温度过高可能导致材料热降解，过低则可能引发填充不足^[16]。表1为PBT的生产工艺参数。

通过深入了解PBT材料的注塑成型特性，如流动性、收缩率、冷却速度等，可以优化注塑工艺参数，减少制造过程中可能出现的缺陷(如翘曲、气泡和尺寸偏差)，从而提高生产效率和制品质量。当熔体温度为270 ℃、表面温度为50 ℃、保压压力为30 MPa、保压时间为110 s时，对智能连接器进行初步模流分析。图3为智能连接器的初步模拟结果。

从图3可以看出，制件的最大翘曲变形量为0.884 0 mm，主要集中在接口两侧位置的位置，这与分路器的几何形状及材料特性密切相关，如果两侧位置翘曲变形过大将导致产品整体报废无法使用。因此，在优化过程中，将通过调整熔体温度、表面温度、保压压力及保压时间等工艺参数，进一步减小翘曲变形量，以提升制件的成型质量和尺寸精度^[17]。

2 响应面模型

2.1 建立因素水平

采用Box-Behnken设计系统地评估多个成型工艺参数对响应变量的影响，并通过分析确定最优工艺参数组合，对各个变量的不同水平进行系统性调控，全面解析各因素对制件翘曲变形量的影响。选择4个关键的成型工艺参数为变量：熔体温度(A)、表面温度(B)、保压压力(C)及保压时间(D)，以连接器的翘曲变形量(R)为研究对象。表2为响应面试验因素水平设计。

为了量化各因素对翘曲变形量的影响，本研究通过一系列试验数据的采集，构建响应面模型。响应面模型作为一种统计学工具，能够通过拟合试验数据来描述响应变量与多个自变量之间的函数关系。通过方差分析(ANOVA)能够进一步识别对翘曲变形量影响最显著的工艺参数及各参数之间的交互作用。这种精心设计的试验方案不仅为深入理解工艺参数对翘曲变形量的影响提供数据支撑，同时也为实际生产中的工艺优化奠定坚实基础^[18]。

2.2 响应面样本数据

为了优化工艺参数组合，以最小化翘曲变形量。本研究采用基于响应面模型的优化分析技术，该技术能够在高维设计空间中，快速且精确地定位出最优参数组合，从而实现工艺条件的优化，可对复杂的响应关系进行拟合，具有良好的鲁棒性^[19]。通过软件Design Expert 10.0建立响应面模型，利用该模型可以替代CAE模拟分析，直接预测分析结果。表3为DOE试验样本。

2.3 响应面拟合

可决系数也称为判定系数或拟合优度，是衡量统计模型(例如响应面模型)对数据拟合程度的一种指标。具体而言，可决系数表示的是自变量解释因变量变异的比例，可决系数越接近1，意味着模型解释了大部分的因变量变异，说明模型的拟合效果越好。当可决系数小于0.9时，说明模型未能有效解释因变量的变异，拟合效果较差，不适合进行后续分析^[20]。

本次模型的可决系数为0.964 6，大于0.9，表明模型的拟合效果良好。图4为可决系数的正态分布和拟合曲线。

从图4可以看出，图中的数据点在正态分布图和拟合曲线上均匀分布于中心直线两侧，呈现出动态平衡状态。这种分布模式表明模型与数据之间的拟合度较高，表明模型对数据的拟合效果较好，能够解释大部分的因变量变异。通过响应面法进行的拟合分析，成功建立一个能够准确预测翘曲变形量的回归模型方程，并通过数据验证其有效性。

2.4 数据分析与模型建立

利用Design Expert 10.0软件构建了响应面模型后，对试验数据进行方差回归分析，表4为方差分析结果。

通过方差分析可以确认模型的显著性。从表4可以看出，模型的F值为6.840，P值为0.000 3，显著性水平小于0.05，证明模型的预测能力可靠。同时，失拟项的显著性水平为不显著，表明数据并未明显失拟，说明响应面模型能够很好地拟合试验数据。这种精确的拟合为优化工艺参数提供了坚实的数据基础。相关系数R²达到0.964 6，高于0.9的标准值，精度为9.092 0，远超4的基准值，表明模型具有良好的区分度和预测能力^[21]。

本次试验通过响应面法对注塑成型工艺参数进行拟合分析，构建了翘曲变形量R与工艺参数之间的数学模型，为优化工艺参数组合提供了依据。该响应面模型方程为：

\begin{array}{c}R=\mathrm{151.24}-\mathrm{1.14}A-\mathrm{0.055}B+\mathrm{0.103}\mathrm{4}C-\mathrm{0.069}\mathrm{5}D+\\ \mathrm{6.01}\times {\mathrm{10}}^{-\mathrm{5}}AB-\mathrm{9.39}\times {\mathrm{10}}^{-\mathrm{4}}AC+\mathrm{4.25}\times {\mathrm{10}}^{-\mathrm{4}}AD-\end{array}\begin{array}{l}\mathrm{0.79}\times {\mathrm{10}}^{-\mathrm{5}}BC-\mathrm{1.81}\times {\mathrm{10}}^{-\mathrm{4}}BD-\mathrm{1.06}\times {\mathrm{10}}^{-\mathrm{4}}CD+\\ \mathrm{2.15}\times {\mathrm{10}}^{-\mathrm{3}}{A}^{\mathrm{2}}-\mathrm{8.79}\times {\mathrm{10}}^{-\mathrm{5}}{B}^{\mathrm{2}}-\\ \mathrm{2.62}\times {\mathrm{10}}^{-\mathrm{5}}{C}^{\mathrm{2}}+\mathrm{2.19}\times {\mathrm{10}}^{-\mathrm{4}}{D}^{\mathrm{2}}\end{array}(1)

通过分析响应面样本模型的各个系数，可以确定各工艺参数及其交互作用对翘曲变形量的影响程度^[22]。从式(1)可以看出，熔体温度A的系数为-1.14，表面温度B的系数为-0.055，保压压力C的系数为0.103 4，保压时间D的系数为-0.069 5。结果表明：熔体温度对翘曲变形量有显著的负相关影响，适当增大熔体温度可以减少翘曲变形量；保压时间对翘曲变形量也有负相关影响，适当延长保压时间有助于减少变形。各试验因素对翘曲变形量影响顺序为：A>C>D>B。

使用3D等高线图可以较为清晰地看出具体而显著的交互影响效果，图5为交互作用对翘曲变形量的影响。

从图5可以看出，熔体温度和保压压力的交互作用最为显著，说明在优化保压压力时，需要特别关注熔体温度的调整，才能有效减少翘曲变形量^[23]。同样，保压时间与熔体温度的交互作用也有较大影响，提示在控制保压时间的同时，优化熔体温度对提升制件质量有重要作用^[24]。

3 模拟验证

根据Design Expert 10.0软件建立的响应面模型，进行模拟优化分析，以翘曲变形量R最小为目标，表5为模拟优化分析结果。根据上述结果以及实际生产过程，工艺参数均调整为整数，即在保压压力为45 MPa、保压时间为122 s、表面温度为57 ℃以及熔体温度为264 ℃时，制件的预测翘曲变形量最小，为0.538 8 mm。

通过Moldflow软件对其进行模流分析，图6为模拟验证结果。从图6可以看出，最终制件的最大变形量等于0.537 2 mm，达到生产要求。优化前制件的最大变形量等于0.884 0 mm，两者相差0.346 8 mm，整体质量提升39.23%。通过响应面方程优化后的预测值为0.538 8 mm，与最终的模拟值相对误差仅为0.30%，满足要求。

4 结论

通过响应面模型分析，确定了优化后的工艺参数为：保压压力45 MPa、保压时间122 s、表面温度57 ℃、熔体温度为264 ℃。利用响应面模型优化后的工艺参数，显著降低了智能连接器在注塑过程中的翘曲变形量，提高了产品的成型质量和尺寸精度，预测值为0.538 8 mm，与最终的模拟值相对误差仅为0.30%。通过模拟仿真与实际生产的紧密结合，实现了从理论到实践的转化，增强了研究成果的实用性和应用价值。通过Moldflow软件的模拟验证，确保了优化结果的实用性和可靠性，验证了模拟预测与实际生产之间的一致性，整体质量提升39.23%。本文建立了准确的翘曲变形预测模型，通过模型预测与实际测量值的对比，验证了模型的准确性和可靠性，为后续研究和生产提供了依据。

参考文献

[1] 王海兰, 佟伟, 欧相麟, 等. 基于Moldflow的盒型产品的变形优化与机理探究[J]. 塑料工业, 2023, 51(2): 90-95.

[2] 李保, 王正才, 黄铭涛, 等. 基于Moldflow的双色IMD塑件模具设计与仿真[J]. 工程塑料应用, 2023, 51(1): 82-87.

[3] 吴颖, 郭开波, 沈桓羽, 等. 基于Moldflow和ANSYS Workbench的塑料按键注塑成型优化分析[J]. 塑料科技, 2022, 50(9): 89-93.

[4] 郑悦, 王权, 徐超辉, 等. 基于Moldflow的异形开关哈夫滑块注塑模具优化设计[J]. 塑料科技, 2022, 50(8): 88-92.

[5] 宋山, 李志永, 柴明霞, 等. 基于Moldflow的饮水机出水口开关注塑模具冷却水路的优化设计[J]. 塑料, 2022, 51(4): 46-51.

[6] ROLLAND H, SAINTIER N, LENOIR N, et al. Fatigue mechanisms description in short glass fibre reinforced thermoplastic by microtomographic observations[J]. Procedia Structural Integrity, 2016, 2: 301-308.

[7] 黄淑慧, 赵珠宇, 林军, 等. 不同截面型腔的气辅共注塑成型制件质量分析[J]. 塑料, 2021, 50(6): 129-134.

[8] 张雯娟, 陈庆祥, 高浩, 等. Moldflow医疗无影灯外壳注射模具的注塑成型分析[J]. 三明学院学报, 2021, 38(3): 53-60.

[9] 覃清仪, 范希营, 曹艳丽, 等. 基于正交试验的注塑成型质量多目标影响因素研究[J]. 塑料科技, 2020, 48(10): 17-20.

[10] 刘云飞, 龙泉, 戴宇, 等. 基于Moldflow的带金属嵌件电机齿轮盖注塑工艺优化[J]. 工程塑料应用, 2024, 52(7): 94-100.

[11] BERNASCONI A, DAVOLI P, BASILE A, et al. Effect of fibre orientation on the fatigue behaviour of a short glass fibre reinforced polyamide-6[J]. International Journal of Fatigue, 2007, 29(2): 199-208.

[12] 戴彬, 钱应平, 薛杭, 等. 碳纤维增强塑料注塑成型质量分析及工艺优化[J]. 塑料, 2022, 51(6): 61-66.

[13] 刘青宜, 郭谭娜, 王宁. 基于Moldflow电机外壳注塑成型质量分析[J]. 塑料科技, 2023, 51(11): 80-84.

[14] MORTAZAVIAN S, FATEMI A. Fatigue of short fiber thermoplastic composites: A review of recent experimental results and analysis[J]. International Journal of Fatigue, 2017, 102: 171-183.

[15] 刘雷. 基于Moldflow优化的计算机CPU涡轮风扇模具设计[J]. 塑料, 2024, 53(2): 184-188.

[16] 周大路, 匡唐清, 黄薇. 基于Moldflow的针阀式热流道时序控制与翘曲变形关系[J]. 塑料科技, 2024, 52(1): 93-97.

[17] 周俊杰, 陈秋凡, 冯文, 等. 基于Moldflow的排水泵过滤网注塑工艺优化与模具设计[J]. 工程塑料应用, 2024, 52(1): 109-115.

[18] 郭旭, 邢飞, 王慧儒, 等. 基于Moldflow的分离罐浇口位置方案分析[J]. 塑料科技, 2023, 51(12): 70-75.

[19] 高莉, 谢海波, 蒋梦麒. 基于Moldflow的异径三通管件注塑工艺优化[J]. 塑料工业, 2023, 51(12): 63-69.

[20] 明平象. 基于Moldflow的摩托车前中心盖模具设计[J]. 工程塑料应用, 2024, 52(7): 101-108.

[21] 周纪委, 王明伟, 翟剑敏, 等. 基于Moldflow的车身后护板微孔发泡注塑工艺多目标优化[J]. 合成树脂及塑料, 2024, 41(3): 44-49.

[22] TSENG H C, CHANG R Y, HSU C H. Improved fiber orientation predictions for injection molded fiber composites[J]. Composites Part A: Applied Science and Manufacturing, 2017, 99: 65-75.

[23] 程佳玮, 曹俊哲, 谢传颖, 等. 基于Moldflow的汽车把手气辅注塑工艺多目标优化[J]. 工程塑料应用, 2024, 52(4): 89-93.

[24] 刘巨保, 黄建军, 杨明, 等. 基于 Moldflow 的汽车中控台框架翘曲变形分析及优化[J]. 塑料工业, 2024, 52(3): 83-88.