塑膠射出機台操作的問題，透過圖書和論文來找解法和答案更準確安心。 我們找到下列評價、門市、特惠價和推薦等優惠

安全眼鏡之熱殘留應力分析與改善研究

為了解決塑膠射出機台操作的問題，作者李勇震 這樣論述：

摘要 iABSTRACT ii致謝 iii目錄 iv表目錄 viii圖目錄 x1 第一章 緒論 11.1 前言 11.2 研究動機與實驗方法 21.3 論文架構 32 第二章 文獻探討 42.1 文獻回顧 42.2 塑膠射出成型 82.2.1 射出成型機台單元介紹 82.2.2 射出成型核心階段 112.3 塑膠種類 142.3.1 熱固性與熱塑性塑膠 142.3.2 塑膠結晶性質 152.3.3 聚碳酸酯 162.3.4 塑膠PVT圖與成型週期 172.4 塑膠成型品缺陷 182.5 塑膠產品的殘留應力 192.5.1 流動殘留應力 192.5.2 熱殘留應力 202.6 田口實驗工程 2

12.6.1 田口實驗流程 212.6.2 品質特性與理想機能 232.6.3 篩選控制因子與干擾因子水準別 242.6.4 直交表選用 252.6.5 主實驗分析_內外直交表整合 262.7 變異數(ANOVA) 272.7.1 變異數分析 272.7.2 F測試 (F-Test) 292.7.3 確認實驗 292.8 安全眼鏡衝擊試驗規範 313 第三章 研究方法與實驗 323.1 研究架構 323.2 Moldex3D分析前處理 333.2.1 實驗模型 333.2.2 澆口設計 343.2.3 流道設計 353.2.4 模座建置 373.2.5 水路設計 383.2.6 實驗模型網格生

成 393.3 Moldex3D塑膠材料選用 413.4 Moldex3D成型參數建置 433.4.1 初始成型參數設定 433.4.2 感測節點建置 503.4.3 初始成型參數分析結果 513.5 田口實驗設計 533.5.1 品質特性與理想機能 533.5.2 內直交表_主控制因子與水準 533.5.3 外直交表_干擾因子與水準 553.5.4 內外直交表統合_主實驗 563.6 FEA輸出介面 573.7 Abaqus分析前處理 583.7.1 鏡片_衝擊用實體網格 583.7.2 鋼珠_衝擊用實體網格 593.8 Abaqus材料機械性質建立 603.8.1 鏡片_聚碳酸酯(PC)機

械性質 603.8.2 鋼珠_鋼(Steel)機械性質 613.9 Abaqus邊界條件與衝擊參數 623.9.1 分析場域_重力加速度 623.9.2 鏡片_邊界條件 633.9.3 鋼珠_邊界條件與衝擊參數 653.10 Abaqus量測節點位置 663.11 Abaqus相對位置與分析時長 674 第四章 結果與討論 684.1 干擾實驗結果 684.2 主實驗分析 704.3 反應表與反應圖 724.3.1 S/N訊號雜訊比_反應表與反應圖 724.3.2 品質特性_反應表與反應圖 734.4 變異數分析(ANOVA) 744.4.1 S/N訊號雜訊比_變異數分析 744.4.2 品質

特性_變異數分析 764.5 製程參數優化 774.6 確認實驗 784.6.1 實驗與預測值比較 784.6.2 信賴區間計算 794.7 Moldex3D初始與優化參數分析結果 824.7.1 充填分析_流動波前時間 824.7.2 保壓分析_體積收縮率 844.7.3 冷卻分析_溫度 874.7.4 翹曲變形_總位移 904.7.5 熱殘留應力_Von-Mises應力 934.8 Abaqus應力衝擊分析結果 984.8.1 熱殘留應力與衝擊瞬間應力關係 1004.8.2 熱殘留應力與衝擊瞬間位移關係 1015 第五章 結論與未來展望 1025.1 結論 1025.2 未來展望 103參

考文獻 104附錄 107

應用類神經網路與實驗設計法預測與優化射出成型試片之收縮率

為了解決塑膠射出機台操作的問題，作者蔡宜璋 這樣論述：

射出成型過程中的收縮是造成產品缺陷的原因之一，緣於高分子熔膠的流動特性使整個充填過程變得難以掌控，而溫度與壓力等參數的設定就是改善此問題的重點對策。傳統作法為透過經驗豐富的操作人員手動調整參數的方式，經過多次的試誤法(Trial and error)來找出適合的製程參數，除了仰賴操作員的經驗，也較缺乏嚴謹性與科學根據支撐。本研究利用模具型腔內的溫度與壓力感測器來監控成型時的熔膠狀態，將數據轉換成比容的形式來呈現成品品質，再透過實驗設計法結合類神經網路來預測並改善試片的成品品質，成品品質為體積收縮率與比容非均勻性的組合。實驗設計法使用田口方法與反應曲面法，類神經網路採用倒傳遞網路、遺傳演算法基

底網路與徑向基函數網路，並比較各模型間的預測能力。首先經由田口方法之訊噪比篩選出顯著因子，再利用顯著因子進行反應曲面法之全因子實驗，得到一組最佳化製程參數與比容預測值，最後利用類神經網路的模型來驗證結果。本研究透過實驗數據來建立製程參數與成品品質之模型，結果顯示，反應曲面法預測四組驗證範例之預測值與實驗值之平均驗證誤差為1.64%，且最佳化製程參數與中心點實驗相比改善了31.2%；倒傳遞網路預測值與實驗值之平均驗證誤差為5.49%；遺傳演算法基底網路預測值與實驗值之平均驗證誤差為8.42%；徑向基函數網路預測值與實驗值之平均驗證誤差為3.25%，顯示結合實驗設計法與類神經網路能有效的預測與改善

射出成型之非線性問題。