基于正交试验与BP神经网络的椰壳纤维复合材料注塑工艺优化

Optimization of Injection Molding Process of Coconut Shell Fiber Composites Based on Orthogonal Test and BP Neural Network

摘要

针对椰壳纤维复合材料在注塑成型中的翘曲变形问题，提出一种正交试验与反向传播（BP）神经网络相结合的注塑工艺优化方法。以副驾驶储物门为例，以5%椰壳纤维/10%氢氧化镁（MH）/聚丙烯（PP）复合材料为实验基材，采用Moldflow仿真初始参数翘曲变形量为1.609 0 mm。设计模具温度（A）、注射时间（B）、保压压力（C）和保压时间（D）四因素四水平正交试验，分析工艺参数对翘曲变形的影响规律，得到最佳工艺参数组合为A₃B₄C₄D₃，此时翘曲变形量为0.675 4 mm，较初始参数翘曲变形量降低58.02%。再基于正交数据建立BP神经网络模型，预测最优工艺参数组合，仿真验证翘曲变形量为0.479 0 mm，较初始翘曲变形量降低70.23%，满足工业生产基本要求，相对误差仅5.65%。纤维取向分析表明，椰壳纤维在制品边缘均匀分布，能够有效提升局部力学性能。

Abstract

A process optimization method combining orthogonal test and back propagation (BP) neural network was proposed to address the warpage deformation of coir fiber-reinforced composites during injection molding. Taking the glove box door as an example, 5% coir fiber/10% magnesium hydroxide (MH)/polypropylene (PP) composite was employed as the experimental substrate. The initial warpage deformation obtained from Moldflow simulation was 1.609 0 mm. A four-factor four-level orthogonal experiment was designed with mold temperature (A), injection time (B), packing pressure (C), and packing time (D) as variables to analyze the influence of process parameters on warpage deformation. The optimal parameter combination was determined as A₃B₄C₄D₃, yielding a warpage deformation of 0.675 4 mm, which represented a 58.02% reduction compared to the initial value. A BP neural network model was then established based on the orthogonal data to predict the optimal process parameters. Simulation verification indicated a warpage deformation of 0.479 0 mm, corresponding to a 70.23% reduction from the initial warpage deformation, which met the basic requirements for industrial production with a relative error of only 5.65%. Fiber orientation analysis revealed that coir fibers were uniformly distributed at the edges of the molded part, effectively enhancing local mechanical properties.

Graphical abstract

关键词

椰壳纤维 / 复合材料 / 注塑仿真 / 正交试验 / BP神经网络

Key words

Coconut shell fiber / Composites / Injection molding simulation / Orthogonal test / BP neural network

天然纤维增强复合材料因优异的比强度、可降解和低成本等优势，在汽车内饰件制造中展现出广阔的应用前景^[1-3]。椰壳纤维作为一种高韧性、低密度的天然纤维，与聚丙烯(PP)等热塑性基体复合后可显著提升材料的力学性能和尺寸稳定性^[4]。然而，纤维增强复合材料在注塑成型过程中易因纤维取向不均、残余应力集中等问题产生翘曲变形，严重影响制品的外观质量和装配精度^[5-6]。在汽车副驾驶储物门等对表面质量要求严格的部件中，如何有效控制翘曲变形已成为工艺优化的关键^[7]。传统注塑工艺优化主要依赖试错法或单因素试验，存在效率低、成本高且难以捕捉多参数交互影响的局限性^[8]。数值模拟技术与智能算法相结合的方法为工艺优化提供新思路^[9-10]。正交试验可通过有限次试验高效分析多因素影响规律，而反向传播(BP)神经网络则能建立非线性映射关系，进一步预测最优工艺参数^[11-12]。杨明等^[13]通过正交试验与BP神经网络优化中框塑件的翘曲变形；高洪晨等^[14]结合遗传算法进一步提升参数优化的精度。然而针对椰壳纤维复合材料的注塑工艺优化研究仍较为匮乏^[15]。

本文以汽车副驾驶储物门为研究对象，采用5%椰壳纤维/10%氢氧化镁(MH)/PP复合材料，通过Moldflow仿真平台，结合正交试验与BP神经网络算法，系统分析模具温度、注射时间、保压压力及保压时间对翘曲变形量的影响规律，并预测最优工艺参数组合，为椰壳纤维复合材料的注塑工艺优化提供一种高效、可靠的解决方案。

1 注塑前处理

1.1 三维模型及成型材料参数概述

对汽车副驾驶储物门进行建模。表1为副驾驶储物门的三维参数，图1为三维建模及网格化处理。结构包含左右侧不相等的弧长和把手。

高质量的网格划分是保证注塑成型仿真精度的关键因素^[16]。网格统计三角形数量为56 090，连接节点为28 039，连通区域为1，不可见三角形为0，纵横比为14.83，网格统计结果表明，所建立的网格模型达到仿真计算的质量标准^[17]。为保证产品外观质量，浇注系统的位置选择至关重要，应设置在产品表面不可见处^[18]。将注塑口设置在副驾驶储物门内侧结构处。图2为浇注系统和冷却水道。

1.2 仿真参数处理

选择分析序列为填充+保压+翘曲的组合，基体材料设置为PP-BG2017F，填充物设置为10% MH和5%椰壳纤维，MH颗粒尺寸为0.000 3 mm，椰壳纤维平均长度为15 mm，纵横比为166(横截面周长为0.3 mm)。纤维取向使用带自动计算的纤维相互作用系数(C_i)和厚度方向相互作用矩系数(D_z)值的Moldflow模型，纤维取向计算(3D)使用Moldflow旋转扩散模型^[19]。MH选择Moldflow材料库中填充物，颗粒度设置为0.000 3 mm。

1.3 初始参数工艺仿真

仿真参数设置完成后，对初始工艺参数模具温度40 ℃、注射时间1.2 s、保压压力70 MPa、保压时间14 s进行仿真。图3为初始参数仿真结果。从图3可以看出，最大翘曲变形量为1.609 0 mm，不满足工艺生产要求最大翘曲变形量小于0.5 mm的要求，需要进行优化。

2 正交试验优化

2.1 正交试验设计

考察模具温度(A)、注射时间(B)、保压压力(C)和保压时间(D) 4个工艺参数对副驾驶储物门翘曲变形量的影响。为防止椰壳纤维热降解，将熔体温度固定控制在190 ℃。表2为L₁₆(4⁴)正交试验因素水平设计。对副驾驶储物门注塑成型过程进行四因素四水平的仿真分析。使用信噪比作为指标，采用望小特性计算信噪比。表3为L₁₆(4⁴)正交试验结果。

2.2 正交试验结果

根据表3结果对信噪比进行极差分析，结果如表4所示。极差(R)反映了不同因素对翘曲变形量的影响程度^[20]。从表4可以看出，R_A >R_D >R_C >R_B，模具温度对翘曲变形量影响最大。A₃B₄C₄D₃为最佳工艺参数组合，即模具温度为60 ℃，注射时间为1.6 s，保压压力为80 MPa，保压时间为14 s。

2.3 工艺参数优化检验

使用A₃B₄C₄D₃参数组合在Moldflow中对副驾驶储物门进行仿真。图4为使用最优组合A₃B₄C₄D₃的翘曲变形量。从图4可以看出，使用优化后的工艺参数翘曲变形量为0.675 4 mm，相对初始工艺参数翘曲变形量降低58.02%，该值并未在正交试验的16组试验中，并且比正交试验中的最小值0.705 3 mm小0.029 9 mm，说明正交法得到的参数改善了副驾驶储物门的翘曲变形量，但仍未满足工艺生产要求最大翘曲变形量小于0.5 mm的要求。因此，使用BP神经网络对正交表进行训练，对工艺参数进一步优化。

3 基于BP神经网络的参数工艺优化

3.1 BP神经网络设计

在上述正交的最终优化结果的基础上增加16组正交试验。表5为新增正交试验数据。

基于正交试验设计矩阵的数据结构，隐藏层拓扑结构采用双层或三层架构，每层4~8个神经元，选择3层。输入层4个，输出结果1个，神经元个数为8。一般学习速率为(0.01，0.80)，选择0.50的学习速率。

3.2 BP神经网络的训练

构建三层前馈神经网络模型，输入层对应4种工艺参数，隐含层采用tansig激活函数，输出层输出翘曲变形量指标^[21]。使用表3和表5作为训练数据，选取24组作为训练集，8组作为验证集，目标最小误差设置为0.000 01，学习率为0.5，最大训练为1 000次，隐含层神经元数量为8。

图5为BP神经网络结构模型，图6为BP神经网络回归分析结果。从图6可以看出，训练样本、验证样本以及测试样本的r均在0.95以上，表明BP神经网络模型的预测结果具有较高的准确性，能够较准确地反映变量之间的关系^[22]。

3.3 BP神经网络的预测

表6为BP神经网络预测最佳工艺参数和翘曲变形量。

3.4 BP神经网络最佳参数验证

将上述参数输入Moldflow中，对副驾驶储物门进行注塑仿真，图7为BP神经网络优化参数翘曲变形量结果。从图7可以看出，BP神经网络优化后翘曲变形量为0.479 0 mm，相对正交试验翘曲变形量0.675 4 mm降低29.08%，相对初始参数翘曲变形量降低70.23%，满足工业生产基本要求。与预测值0.453 4 mm相对误差仅5.65%，验证优化算法的可靠性。

图8为平均纤维取向分布。

从图8可以看出，椰壳纤维大多均匀分布在副驾驶储物门的四周。椰壳纤维堆积使得边缘弹性模量增加，增加材料的强度和硬度^[23-24]，说明该优化方法不会对椰壳纤维复合材料注塑成型的整体质量产生负面影响。

4 结论

本文针对椰壳纤维复合材料注塑成型中的翘曲变形问题，通过正交试验与BP神经网络相结合的方法，系统研究工艺参数对制品质量的影响规律。正交试验结果表明，工艺参数对翘曲变形量的影响顺序为模具温度>保压时间>保压压力>注射时间，优化后的参数组合使翘曲变形量降低58.02%，但正交试验的优化结果仍未能完全满足工业生产要求。进一步通过BP神经网络模型，扩展训练数据并构建网络结构，预测出更佳的工艺参数组合。经仿真验证，基于BP神经网络的优化参数将翘曲变形量进一步降低至0.479 0 mm，较初始值减少70.23%，与预测值的相对误差仅为5.65%。优化后的工艺不仅有效控制翘曲变形，还保持纤维的均匀分布，提升样品的局部力学性能。研究结果为椰壳纤维复合材料的注塑工艺优化提供一种高效、可靠的解决方案。该方法不仅适用于汽车内饰件，还可推广至其他对尺寸稳定性要求较高的纤维增强复合材料制品中，具有广泛的应用前景。

参考文献

[1] 李相旭. 纤维素纤维增强天然橡胶复合材料制备机理及实验研究[D]. 青岛: 青岛科技大学, 2025.

[2] 王峰, 张家辉, 孙文革, 等. 用于汽车轻量化领域的碳纤维增强尼龙66复合材料的制备与研究[J]. 塑料科技, 2024, 52(7): 101-104.

[3] 张爱龙. 基于FDM成形连续碳纤维增强复合材料工艺与性能研究及卷尺结构制备[D]. 福州: 福建理工大学, 2024.

[4] 高鹏堂. 椰壳纤维/聚丙烯复合材料应用于车载气囊盖板的可靠性研究[J]. 装备维修技术, 2022(2): 62-68.

[5] 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.

[6] 武金炎. 仿生纤维增强复合材料梁板结构静动态力学性能研究[D]. 呼和浩特: 内蒙古师范大学, 2025.

[7] 黄关山, 朱金婷. 基于响应面代理模型及遗传算法的汽车引擎盖注塑成型工艺优化[J]. 塑料科技, 2024, 52(12): 125-128.

[8] 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.

[9] 黄关山, 王新艳. 基于DOE设计及MOPSO算法的汽车滤清器外壳多目标优化分析[J]. 塑料科技, 2024, 52(8): 105-108.

[10] 刘海波, 张睿. 基于计算机数值模拟技术的汽车内饰面板注塑成型工艺优化[J]. 塑料科技, 2023, 51(11): 89-93.

[11] 杨明, 刘赛, 刘巨保, 等. 基于ACO-BP神经网络的储能电源上壳件气辅成型工艺参数优化[J]. 工程塑料应用, 2025, 53(4): 101-107.

[12] 林煌旭, 孔选, 陆将男, 等. 基于GA-BP算法的汽车前端框架翘曲变形优化及验证[J]. 工程塑料应用, 2025, 53(1): 90-97.

[13] 杨明, 侯健超, 刘巨保, 等. 基于BP-SSA神经网络模型的中框塑件翘曲变形优化[J]. 塑料工业, 2024, 52(7): 97-104.

[14] 高洪晨, 薛松, 肖梦曦, 等. 基于正交试验与BP神经网络-遗传算法的空气净化器外壳注塑工艺参数优化[J]. 精密成形工程, 2023, 15(8): 204-210.

[15] 孙铭泽. 椰壳纤维增强PP材料汽车安全气囊盖板工艺优化与研究[D]. 海口: 海南大学, 2023.

[16] 胡家乐. 金属嵌件式汽车前端模块轻量化设计及注塑成型工艺优化[D]. 芜湖: 安徽工程大学, 2025.

[17] 董坤. 基于CAD/CAE的手机外壳注塑模设计及成形工艺优化[D]. 芜湖: 安徽工程大学, 2016.

[18] 费晓瑜, 刘新新, 闫长飞, 等. 冰箱门储物盒注塑成型模流分析及工艺优化[J]. 塑料科技, 2024, 52(6): 126-131.

[19] VOLKE J, REIT M, HEIM H P. Parameter recommendation for injection molding based on similarity analysis of injection molded parts[J]. Journal of Manufacturing Processes, 2023, 95: 171-182.

[20] 孙文革, 程莉, 雷皓, 等. 高压配电盒注塑成型优化分析[J]. 塑料科技, 2024, 52(5): 126-129.

[21] 朱梦萱. 基于多特征和BP神经网络的拷贝数变异检测方法研究[D]. 聊城: 聊城大学, 2025.

[22] 皮卫, 熊建武. 基于RBF神经网络断路器注塑成型工艺优化[J]. 塑料科技, 2023, 51(6): 70-74.

[23] 姜旭, 解锴, 王晓宏, 等. 基于多尺度联合仿真的短切CFRP注塑制件的力学性能分析[J]. 塑料科技, 2025, 53(4): 161-165.

[24] 管涛, 李元庆, 郭方亮, 等. 基于纤维取向分布图像处理技术的短纤维增强聚合物基复合材料力学性能预测方法[J]. 复合材料学报, 2024, 41(9): 4826-4836.

基金资助

海南省自然科学基金项目(521RC497)

广东中贝能源科技有限公司项目(HD-KYH-2024215)