网络监视器外壳注塑成型质量分析

Injection Molding Quality Analysis of Network Monitor Shell

摘要

研究利用UG 12.0软件构建网络监视器外壳的精确三维几何模型，并在Moldflow软件中进行高质量网格划分，共形成450 702个网格单元，最大纵横比为16.93，网格匹配率达94.59%。通过Design Expert 10.0软件设计29组试验，研究模具温度、熔体温度、冷却时间和注射压力4个因素对翘曲变形量的影响。模型的F值为22.87，P值小于0.000 1，R²为0.958 1，失拟项的P值为0.068 7，模型在统计学上显著且拟合效果良好。优化分析得到的最佳工艺参数组合为：模具温度42 ℃、熔体温度253 ℃、冷却时间28 s、注射压力106 MPa。在此条件下，制件的翘曲变形量从初始值的1.013 0 mm减少至0.440 4 mm，减少幅度约为56.53%，各项缺陷均得到改善。

Abstract

In this study, an accurate 3D geometric model of the network monitor shell was constructed using UG 12.0 software, and high-quality meshing was carried out in Moldflow software, resulting in a total of 450 702 mesh cells, with a maximum aspect ratio of 16.93 and a mesh matching rate of 94.59%. Twenty-nine sets of experiments designed by Design Expert 10.0 software were used to study the effects of four factors, namely, mold temperature, melt temperature, cooling time and injection pressure, on warpage deformation. The F value of the model was 22.87, P value was lower than 0.000 1, R² was 0.958 1, and the P value of lack of fit was 0.068 7, which made the model statistically significant and well-fitted. The best combination of process parameters obtained from the optimization analysis was mold temperature of 42 ℃, melt temperature of 253 ℃, cooling time of 28 s and injection pressure of 106 MPa. Under these conditions, the warpage deformation of the parts was reduced from the initial value of 1.013 0 mm to 0.440 4 mm, with a reduction of about 56.53%, and all the defects were improved.

Graphical abstract

关键词

网络监视器外壳 / 聚甲基丙烯酸甲酯 / 响应面法 / Moldflow / 翘曲变形量

Key words

Network monitor shell / Polymethyl methacrylate / Response surface methodology / Moldflow / Warpage deformation

随着信息技术的快速发展，网络监视器作为智能家居和安防系统的重要组成部分，其市场需求不断增加。网络监视器外壳的质量不仅影响产品的外观，还关系到其耐用性和功能性。聚甲基丙烯酸甲酯(PMMA)材料因其优异的光学性能和力学性能，成为网络监视器外壳的理想选择^[1-2]。然而，在注塑成型过程中，PMMA材料常常面临成型缺陷的挑战，如气穴过多、缩痕指数过大、变形等。这些缺陷不仅影响产品的美观，还可能导致产品在使用过程中性能出现下降。在PMMA材料的注塑成型中，成型质量直接影响产品的性能和市场竞争力。通过对注塑成型过程进行深入分析可以有效降低产品的缺陷率，提高合格率^[3]。

注塑成型过程是一个复杂的物理和化学过程，涉及材料的流动、冷却、固化等多个环节。在成型过程中，温度、压力、冷却时间等工艺参数对最终产品的质量具有重要影响。传统的质量控制方法往往依赖经验和试错，难以实现对成型过程的全面优化。因此，采用科学的分析方法来研究和优化注塑成型过程中的各项参数成为提高成型质量的必要手段。Moldflow作为一种先进的注塑模拟软件，能够在注塑成型前对流动、冷却和固化过程进行仿真分析，为工艺参数的优化提供重要依据^[4-5]。通过Moldflow的仿真分析可以预测注塑件在成型过程中的缺陷，如气穴位置预测、熔接线位置、翘曲等，从而为工艺调整提供指导。此外，Moldflow还能够帮助工程师在设计阶段评估不同设计方案的可制造性，降低开发成本和缩短开发时间。响应面法(RSM)是一种用于优化多变量过程的统计方法，通过建立数学模型来描述响应变量与自变量之间的关系。RSM能够有效识别影响注塑成型质量的主要因素，并通过试验设计优化工艺参数。结合Moldflow与RSM的方法，可以在保证成型质量的前提下，优化PMMA材料的注塑工艺，提高生产效率^[6]。

因此，本研究旨在通过计算机辅助工程(CAE)技术，结合UG 12.0软件建立网络监视器的3D模型，并利用Moldflow软件进行注塑成型工艺的模拟仿真和优化。本研究通过响应面法和Design Expert 10.0软件设计试验组合，模拟不同工艺参数下的制件体积收缩情况，以期找到最佳的工艺参数组合，从而最小化制件翘曲变形量，提高制件的成型质量和尺寸精度。这一研究不仅能够为网络监视器的注塑成型工艺提供优化方案，还能够为类似复杂制件的注塑成型提供参考。

1 模拟仿真

1.1 构建模型

利用UG 12.0的建模功能，设计形状和结构，为后续的CAE仿真分析提供基础，其几何形状和尺寸需要保证精确度和完整性。图1为网络监视器外壳模型。从图1可以看出，该制件的最大长度为98.3 mm，最大宽度为59.7 mm，厚度为25.6 mm。这样的组合结构可以最大限度地保护网络监视器外壳核心部分在危险的工作环境中正常运行^[7]。

1.2 网格划分

完成三维建模后，将设计的三维模型导入Moldflow软件进行网格划分。图2为网格划分结果。该模型在网格化处理后形成450 702个网格单元，最大纵横比为16.93，网格匹配率达94.59%^[8]。

1.3 初始模拟

基于PMMA材料的比热容曲线中的熔点分析，确定初始注塑工艺参数。表1为MMA材料的初始工艺参数。

图3为浇口位置与冷却回路分布。从图3可以看出，注塑的浇口位置在制件外侧面。为确保材料在注塑过程中具有良好的流动性，并保持聚合物熔体的低黏度状态，将模具温度设定为80 ℃，熔体温度设置为280 ℃，冷却时间设置为40 s，注射压力设置为120 MPa。同时，为了避免模具内过度保压所引发的潜在问题，将保压压力设定为注射压力的50%，即60 MPa，以确保模具充填完全，避免缺料或气孔，减少冷却过程中的内应力积累，防止翘曲变形，确保注塑件的稳定性和质量^[9-10]。

图4为初始模拟结果。从图4可以看出，通过初步的模拟分析，PMMA制件的最大翘曲变形量为1.013 0 mm，最大翘曲变形区域主要集中在制件的侧出口处，这一现象与制件的几何形状、注塑位置及材料特性有着密切关联^[11-12]。

对气穴、熔接线和缩痕指数进行详细分析，能够获得有关成型缺陷和制品质量的关键数据。图5为初始缺陷分析结果。从图5可以看出，气穴与熔接线多分布在制件正面，在发生冲击时或高压环境下，壳体结构会发生破裂。此外，缩痕指数为1.518 0%，大于1.5%，不能满足工艺需求。这些缺陷不仅影响制件的外观质量，还可能影响其力学性能和使用寿命。因此，在后续的优化过程中，将重点针对这些问题进行改进^[13-14]。优化方案将围绕模具温度、熔体温度、注射压力以及冷却时间等工艺参数展开研究，合理控制参数，减少气穴、熔接线和缩痕等缺陷，从而提高制品的表面光洁度和强度^[15-16]。

2 响应面成型工艺参数优化

2.1 因素水平建立

采用中央复合设计(CCD)方法优化注塑成型工艺参数，系统研究模具温度(A)、熔体温度(B)、冷却时间(C)和注射压力(D)4个主要因素对翘曲变形量的影响，并寻求最佳参数组合，将翘曲变形量最小化。通过CCD方法不仅能够有效捕捉单一因素对响应变量的影响，还能够分析不同参数间的交互作用，为工艺优化提供全面的数据支持。表2为响应面试验因素水平设计。

2.2 响应面样本数据

在试验设计阶段，每个因素确定3个不同水平，并利用Design Expert 10.0软件设计29组试验。表3为试验样本。随后，利用Moldflow软件对这些组合进行模拟，得到对应的翘曲变形量(R)，以此作为进一步构建响应面模型和进行方差分析的基础。

2.3 响应面拟合

根据表3结果对试验结果进行拟合，得到响应面模型的拟合结果为：R=\mathrm{0.73}+\mathrm{0.18}A+\mathrm{0.18}B-\mathrm{3.417}\times {\mathrm{10}}^{-\mathrm{4}}C-\mathrm{0.11}D-\mathrm{0.022}AB+\mathrm{0.014}AC+\mathrm{0.040}AD+\mathrm{0.011}BC+\mathrm{0.049}BD-\mathrm{1.525}\times {\mathrm{10}}^{-\mathrm{3}}CD-\mathrm{3.078}\times {\mathrm{10}}^{-\mathrm{3}}{A}^{\mathrm{2}}+\mathrm{0.048}{B}^{\mathrm{2}}+\mathrm{0.037}{C}^{\mathrm{2}}-\mathrm{0.019}{D}^{\mathrm{2}}。模型中各系数的数值及正负符号揭示了各个工艺参数及其交互作用对翘曲变形量影响的大小和方向。以A和B的系数0.18为例，正值表明模具温度和熔体温度与翘曲变形量呈正相关，适当降低A和B可以减少翘曲变形量。而D的系数为-0.11，负值表明注射压力与翘曲变形量呈负相关，适当增加D有助于减少翘曲变形量。模型通过量化每个参数对翘曲变形的影响程度，明确了关键参数及其敏感性，为后续优化提供方向^[17-18]。通过交互作用项的分析，了解多个参数组合的复杂影响，从而优化参数组合，显著减少翘曲变形量，提高制件质量。模型中包含A²、B²等二次项，能够洞察非线性影响，使工艺优化更加全面和准确。

图6为正态分布与拟合曲线。从图6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。这种分布模式表明模型与试验数据之间具有较高的拟合性^[19]。这说明基于响应面法构建的回归模型方程具备较强的预测能力，特别是在预测翘曲变形量时，该模型能够准确捕捉数据的变化趋势。通过验证试验可进一步证明其可靠性和有效性^[20-23]。

2.4 数据方差分析

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

从表4可以看出，A、B和D对翘曲变形量均表现出极显著影响(P值均小于0.01)。A的F值最大(130.83)，其次是B(126.71)，最后是D(47.03)，表明三者对翘曲变形量的影响程度排序为A>B>D。A的偏差平方和最大，说明其对翘曲变形的贡献率最高，这可能与温度梯度引起的材料收缩差异直接相关；B次之，其热膨胀效应可能加剧形变；D虽然对翘曲变形量影响显著，但其力学补偿作用相对弱于温度因素。C的P值高达0.983 3，且偏差平方和仅1.400×10^-6，表明其对响应值无统计学意义，这可能与试验设定的冷却时间范围未触及相变临界点有关。在交互作用中，仅BD组合呈现出显著性(P=0.044 5)，说明B与D存在协同效应，但偏差平方和远低于主效应，其实际工程价值有限。二次项对翘曲变形量的影响均不显著，暗示各因素与响应值间主要表现为线性关系，而非非线性特征^[24]。模型整体拟合优度优异(R²=0.958 1，R²_Adj=0.916 2)，且失拟检验不显著(P=0.068 7)，证实模型能够有效解释95.81%的变异，预测精度较高(8.336 0)。

在拟合方程中，B和D的交互作用(BD)的系数为0.049，是方程中系数最大的一项，表明这两个因素的组合对翘曲变形量影响最为显著。通过3D等高线相互作用图可以直观评估不同工艺参数之间的交互作用强度。图7为B和D的交互作用。从图7可以看出，B和D的交互作用显著。在后续试验中有针对性地调整相关因素，可以最大限度地减少翘曲变形量^[25]。

3 模拟验证结果

通过Design Expert 10.0软件分析，得到最优工艺参数组合。表5为优化分析结果。从表5可以看出，最佳工艺参数组合为：模具温度42 ℃、熔体温度253 ℃、冷却时间28 s、注射压力106 MPa。

根据表5中的优化工艺参数，通过Moldflow软件进行模拟分析。图8为优化模拟结果。从图8可以看出，优化后的PMMA制件翘曲变形量显著降低，从初始值的1.013 0 mm减少至0.440 4 mm，减少幅度约为56.53%。这一结果证明响应面模型拟合参数在预测翘曲变形方面的有效性，显著改善了制件的整体质量。

进一步分析优化后样品的气穴、熔接线和缩痕指数等缺陷，图9为优化模拟缺陷分析结果。从图9可以看出，优化后的样品在气穴方面明显减少，熔接线分布均匀且仅集中在侧面，整体外观得到了显著改善。PMMA材料的缩痕指数从1.518 0%降至0.037 2%，模拟的反应参数有效促进成型质量提升，验证了优化方案的实际效果。

为评估优化工艺的可行性，选用了ROBOSHOT α-SiA注塑机(FANUC)和MD-2303-16型腔模具进行实际注塑成型试验。试验前，将PMMA颗粒在100 ℃下干燥4 h，以去除水分，防止成型缺陷。随后将模具安装到注塑机上，调整模具位置，确保射嘴与进料口精准对接，避免漏料或偏移。设定PMMA材料制件的注塑参数为熔体温度253 ℃、模具温度42 ℃、注射压力106 MPa、保压压力53 MPa、冷却时间28 s。将干燥后的塑料颗粒加入料斗，设置料筒预热温度至合适范围，启动注塑机进行试模，密切关注设备运行情况和注塑过程。合模力调整为1 400 kN，顶出行程设定为170 mm，顶出力为60 kN，成型完成后取出样品。图10为PMMA试模样品。从图10可以看出，未发现缺胶、气泡、熔接线等常见缺陷，成型质量良好。这一结果进一步验证了优化工艺参数的有效性和可行性。

4 结论

本研究通过Design Expert 10.0软件设计的29组试验，系统地研究模具温度、熔体温度、冷却时间和注射压力对翘曲变形量的影响。得到的最佳工艺参数组合为：模具温度42 ℃、熔体温度253 ℃、冷却时间28 s、注射压力106 MPa。在此条件下，利用Moldflow软件进行模拟分析，制件的翘曲变形量从初始值1.013 0 mm减少至0.440 4 mm，减少幅度约为56.53%。缩痕指数从1.518 0%降至0.037 2%。模拟的反应参数有效地促进了成型质量的提升，验证了优化方案的实际效果。

参考文献

[1] 王辉, 郑富颢, 谷召辉, 等. PMMA/ASA合金材料改性与工艺优化[J]. 塑料工业, 2024, 52(10): 43-49.

[2] 陈叶娣, 严小锋. 基于CAE技术的PMMA灯壳注塑成型缺陷分析及模具设计[J]. 塑料, 2021, 50(6): 87-92.

[3] 吴晓兰, 黄继忠, 颜许, 等. 熔接结构与工艺对PMMA双色注塑熔接状态的影响[J]. 工程塑料应用, 2021, 49(3): 47-52.

[4] 黄海龙, 朱宏. 基于Moldflow的徽章注塑模具设计[J]. 塑料, 2024, 53(6): 173-177.

[5] 廖艳, 袁博, 李广威. 基于Moldflow的汽车抽屉内板注塑模具设计[J]. 工程塑料应用, 2024, 52(12): 117-123.

[6] HUANG M C, TAI C C. The effective factors in the warpage problem of an injection-molded part with a thin shell feature[J]. Journal of Materials Processing Technology, 2001, 110(1): 1-9.

[7] 张留伟, 符立华, 洪维, 等. 基于Moldflow的汽车前保险杠大型精密注塑模具设计[J]. 塑料科技, 2024, 52(11): 130-135.

[8] 黄清民, 周玉辉. 卫浴端盖塑件的浇注系统设计与CAE分析[J]. 塑料, 2024, 53(5): 142-146.

[9] 冯济斌, 罗勇波, 冯金茂, 等. 基于Moldflow塑料检查井的大型倒装注塑模具设计[J]. 工程塑料应用, 2024, 52(10): 109-115.

[10] 娄艳华, 徐莉莉. 基于Moldflow的管道分路器注塑成型工艺翘曲优化分析[J]. 塑料科技, 2024, 52(8): 113-116.

[11] 胡茗朝, 张莉, 杨志, 等. 基于Moldflow的拉链链牙成型工艺参数优化[J]. 塑料, 2024, 53(4): 145-150.

[12] 陈普信, 陈海明, 韩皓. 基于正交试验的汽车电池外壳注塑成型工艺优化[J]. 合成树脂及塑料, 2024, 41(4): 43-47.

[13] 林颖, 胡光良, 王笑生, 等. 基于Moldflow探究孔型结构对熔接线质量的影响及案例解析[J]. 塑料工业, 2024, 52(7): 105-111.

[14] CHEN C P, CHUANG M T, HSIAO Y H, et al. Simulation and experimental study in determining injection moulding process parameters for thin-shell plastic parts via design of experiments analysis[J]. Expert Systems with Applications, 2009, 36(7): 10752-10759.

[15] 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.

[16] 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.

[17] OZCELIK B, SONAT I. Warpage and structural analysis of thin shell plastic in the plastic injection molding[J]. Materials & Design, 2009, 30(2): 367-375.

[18] 娄艳华, 周建华. 基于正交试验的高性能排水管注塑成型工艺优化[J]. 塑料科技, 2024, 52(11): 136-139.

[19] 黄振颖, 王文星. 基于CAE技术的减速器箱体注塑成型优化分析[J]. 塑料科技, 2025, 53(2): 151-156.

[20] 杨明, 查翔, 刘巨保, 等. 基于Moldflow的超薄壁外壳翘曲变形分析及工艺参数优选[J]. 塑料, 2025, 54(1): 108-112.

[21] 胡鲲鸣, 王迪, 金镖, 等. 微电子元件注塑封装模流仿真工艺优化研究[J]. 中国塑料, 2025, 39(1): 44-47.

[22] WICKRAMASINGHE H A M, TAKIGAWA S, MATSUURA-ENDO C, et al. Comparative analysis of starch properties of different root and tuber crops of Sri Lanka[J]. Food Chemistry, 2009, 112(1): 98-103.

[23] SIN L T, RAHMAN W A W A, RAHMAT A R, et al. A study of specific heat capacity functions of polyvinyl alcohol—Cassava starch blends[J]. Interational Journal of Thermophysics, 2010, 31: 525-534.

[24] 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.

[25] ROSATO M G, ROSATO D V R D V. Injection molding handbook[M]. 3rd ed. Norwell, Massachusetts: Kluwer Academic Publishers, 2000.