| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第8-25页 |
| 1.1 信息时代制造业发展趋势 | 第8-12页 |
| 1.1.1 信息物理系统简介 | 第8-10页 |
| 1.1.2 CPS的应用及前景 | 第10-12页 |
| 1.2 德国“工业 4.0” | 第12-13页 |
| 1.3 中国制造业的现实情况和未来的发展方向 | 第13页 |
| 1.4 数据分析概念和理论 | 第13-23页 |
| 1.4.1 大数据相关概念介绍 | 第13-14页 |
| 1.4.2 数据分析一般流程 | 第14页 |
| 1.4.3 数据分析方法简介 | 第14-15页 |
| 1.4.4 数据挖掘的主要功能 | 第15-16页 |
| 1.4.5 数据挖掘在制造业应用的研究进展 | 第16-18页 |
| 1.4.6 数据分析和优化在注塑行业中的应用 | 第18-23页 |
| 1.5 研究意义和主要内容 | 第23-25页 |
| 1.5.1 课题的来源和意义 | 第23页 |
| 1.5.2 本研究的主要内容 | 第23-25页 |
| 第2章 注塑制品翘曲的原理和影响因素及产品分析 | 第25-40页 |
| 2.1 注塑制品的收缩及影响因素 | 第25-27页 |
| 2.1.1 塑料材料的收缩原理 | 第25页 |
| 2.1.2 影响注塑制品收缩的因素 | 第25-27页 |
| 2.2 基于CAE的注塑制品工艺参数优化范围选取 | 第27-31页 |
| 2.3 基于实验设计的薄壁注塑件收缩单因素分析 | 第31-33页 |
| 2.4 引起制品翘曲的收缩率变化 | 第33-35页 |
| 2.5 影响薄壁注塑制品翘曲的可控因素 | 第35-36页 |
| 2.6 汽车轮眉特征分析 | 第36-39页 |
| 2.6.1 轮眉结构特征分析 | 第36-38页 |
| 2.6.2 轮眉的主要几何特征尺寸 | 第38-39页 |
| 2.7 小结 | 第39-40页 |
| 第3章 注塑CAE优化理论与轮眉注塑工艺参数优化 | 第40-54页 |
| 3.1 注塑CAE的数学模型 | 第40-44页 |
| 3.1.1 充填过程的数学模型 | 第40-41页 |
| 3.1.2 材料属性的计算方程 | 第41-42页 |
| 3.1.3 收缩率计算模型 | 第42-44页 |
| 3.2 轮眉工艺参数优化 | 第44-53页 |
| 3.2.1 代理模型 | 第44-45页 |
| 3.2.2 轮眉CAE模型的建立 | 第45-46页 |
| 3.2.3 材料属性 | 第46页 |
| 3.2.4 工艺参数选择和实验设计 | 第46-50页 |
| 3.2.5 求解多项式和模型精度验证 | 第50-51页 |
| 3.2.6 方差分析与讨论 | 第51-53页 |
| 3.2.7 工艺参数优化 | 第53页 |
| 3.3 小结 | 第53-54页 |
| 第4章 结合尺寸与工艺参数的翘曲变形优化 | 第54-77页 |
| 4.1 尺寸因素对翘曲的影响 | 第54-57页 |
| 4.1.1 薄板试样浇.位置分析 | 第54-55页 |
| 4.1.2 长条曲面模型分析 | 第55-56页 |
| 4.1.3 简化轮眉模型建立 | 第56-57页 |
| 4.2 轮眉的浇.优化 | 第57-59页 |
| 4.3 实验设计及神经网络-遗传算法优化 | 第59-76页 |
| 4.3.1 参数选择和实验设计 | 第59-62页 |
| 4.3.2 BP神经网络简介 | 第62-65页 |
| 4.3.3 神经网络结构和参数的确定 | 第65-71页 |
| 4.3.4 遗传算法简介 | 第71-72页 |
| 4.3.5 遗传算法对BP神经网络权值和阈值的优化 | 第72-74页 |
| 4.3.6 GA对预测模型的寻优 | 第74-76页 |
| 4.4 小结 | 第76-77页 |
| 第5章 结论和展望 | 第77-79页 |
| 5.1 结论 | 第77-78页 |
| 5.2 展望 | 第78-79页 |
| 致谢 | 第79-80页 |
| 参考文献 | 第80-84页 |
| 攻读学位期间的研究成果 | 第84页 |