| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第14-19页 |
| 1.1 引言 | 第14-15页 |
| 1.2 注塑工艺的发展现状 | 第15-16页 |
| 1.3 注塑成型过程的产品性能问题 | 第16-17页 |
| 1.4 本文的主要研究内容、研究方法和创新点 | 第17-19页 |
| 1.4.1 本文的主要研究内容 | 第17页 |
| 1.4.2 本文的研究方法 | 第17-18页 |
| 1.4.3 本文的创新点 | 第18-19页 |
| 第二章 注塑成型CAE模拟的理论基础 | 第19-25页 |
| 2.1 注塑过程的粘度理论 | 第19-20页 |
| 2.2 注塑工艺过程的理论基础 | 第20-25页 |
| 2.2.1 填充过程的数学理论 | 第20-21页 |
| 2.2.2 保压过程的数学理论 | 第21-22页 |
| 2.2.3 冷却过程的数学理论 | 第22-25页 |
| 第三章 注塑成型模拟模型在MlodFlow的建立 | 第25-33页 |
| 3.1 MoldFlow注塑成型中的概述与应用 | 第25-26页 |
| 3.1.1 MoldFlow概述 | 第25页 |
| 3.1.2 MoldFlow主要功能模块 | 第25-26页 |
| 3.1.3 MoldFlow分析的主要步骤 | 第26页 |
| 3.2 制品模型前处理 | 第26-31页 |
| 3.2.1 制品模型导入和网格划分 | 第26-28页 |
| 3.2.2 建立浇注系统和冷却系统 | 第28-29页 |
| 3.2.3 材料的选择 | 第29-31页 |
| 3.3 验证注塑模拟系统和推荐的工艺参数 | 第31-33页 |
| 第四章 基于Taguchi正交试验设计法的注塑成型工艺参数的优化 | 第33-47页 |
| 4.1 正交试验设计法的概述 | 第33-35页 |
| 4.1.1 正交表的分类 | 第34页 |
| 4.1.2 设计正交表的基本原则 | 第34-35页 |
| 4.2 正交试验结果分析方法 | 第35-36页 |
| 4.2.1 极差分析方法 | 第35-36页 |
| 4.2.2 方差分析方法 | 第36页 |
| 4.2.3 显著因素的细化分析 | 第36页 |
| 4.3 信噪比法处理实验数据 | 第36-38页 |
| 4.4 制品在Taguchi正交试验的应用 | 第38-47页 |
| 4.4.1 制品的Taguchi正交试验设计 | 第38页 |
| 4.4.2 制品的试验结果 | 第38-39页 |
| 4.4.3 试验结果的数值分析 | 第39-47页 |
| 第五章 基于人工神经网络的注塑成型工艺优化模型的建立 | 第47-74页 |
| 5.1 人工神经网络的发展与应用 | 第47-48页 |
| 5.1.1 人工经网络的发展情况 | 第47页 |
| 5.1.2 人工神经网络的应用 | 第47-48页 |
| 5.2 人工神经网络的特点和局限性 | 第48-49页 |
| 5.2.1 人工神经网络的特点 | 第48-49页 |
| 5.2.2 人工神经网络的局限性 | 第49页 |
| 5.3 人工神经网络模型的分类 | 第49页 |
| 5.4 BP神经网络 | 第49-57页 |
| 5.4.1 BP神经网络的基本原理 | 第49-50页 |
| 5.4.2 神经网络训练过程技术路线 | 第50-51页 |
| 5.4.3 神经网络训练过程主要方程式 | 第51-54页 |
| 5.4.4 BP神经网络的设计因素 | 第54-57页 |
| 5.5 BP算法的缺陷 | 第57页 |
| 5.6 BP算法的改进 | 第57-59页 |
| 5.6.1 附加动量法 | 第57-58页 |
| 5.6.2 自适应学习速率法 | 第58页 |
| 5.6.3 动量-自适应学习速率调整算法 | 第58-59页 |
| 5.7 基于MATLAB的BP神经网络工具箱函数 | 第59-60页 |
| 5.7.1 BP网络设计的相关函数 | 第59页 |
| 5.7.2 网络设计的注意事项和步骤 | 第59-60页 |
| 5.8 制品基于BP神经网络的应用 | 第60-74页 |
| 5.8.1 制品的BP神经网络模型的建立 | 第60-61页 |
| 5.8.2 注塑工艺BP神经网络的训练与预测 | 第61-67页 |
| 5.8.3 细化分析及人工神经网络模型的验证 | 第67-71页 |
| 5.8.4 最优解的求解 | 第71-74页 |
| 结论 | 第74-75页 |
| 参考文献 | 第75-80页 |
| 攻读学位期间发表的论文 | 第80-82页 |
| 致谢 | 第82页 |