塑料件制作工艺流程

本篇介绍了塑料件的制作工艺,帮助嵌入式工程师在与结构工程师沟通起来更加顺畅。理解整个的工艺流程也对产品试/量产的一些风险能够提前识别,也能从另一个侧面理解一些传感器的参数要求。

目录

1.原料选择

2.原料着色与配比

3.设计铸模

4.机器分解注塑

5.印花

6.组装成品&包装出厂


塑料制品的整体生产流程包括:

  1. 原料选择
  2. 原料着色与配比
  3. 设计铸模
  4. 机器分解注塑
  5. 印花
  6. 组装检测成品&包装出厂

1.原料选择

所有的塑料都是由石油提炼出来的,塑料制品上看到的三角数字,也代表了它的原料:

  • 数字1-聚对苯二甲酸乙二醇酯(PET):常见于矿泉水瓶、碳酸饮料瓶等。
  • 数字2-高度密聚乙烯(HDPE):白色药瓶、清洁用品、沐浴用品。
  • 数字3-聚氯乙烯(PVC):雨衣、建材、塑料膜、塑料盒等。
  • 数字4-聚乙烯(PE):保鲜膜、塑料膜等。
  • 数字5-聚丙烯(PP):低透明度,低光泽度,低刚性,担忧较强的抗冲击强度,常见于塑料桶,塑料盆等。
  • 数字6-聚苯乙烯(PS):常见于碗装泡面盒、快餐盒。
  • 数字7-其他类(PC):高透明度,高光泽度,非常脆,水壶、太空杯等。

2.原料着色与配比

将塑料原料放入搅拌机内,加入色粉和机油搅拌成为着色颜料即可加工。

一般情况下塑料制品的原料都是混合起来用的,比如abs光泽度较好,pp抗摔好,pc透明度高,利用各个原料的特点混合比例就出现新的商品。颜色和材料的不同比例混合关系往往具有很高的私密性。

3.设计铸模

现在的塑料制品都是注塑或者吹塑的方式制作,所以每次设计出样品,都要开版新的模具,而模具一般都要几万到几十万不等。做一个成品可能有很多的配件,每个配件都需要独立的模具,模具的设计常见用UG/NX软件设计。我们主要使用的注塑模具主要有七大系统:浇注系统,导向系统,成型系统,抽芯系统以及顶出系统和冷却系统与排气系统,常见的模具类型有下图所示的两板模。浇口指的是塑料在流到型腔前最后流经的地方,PL指的是合模线/分模线(PL - Parting line)。结构设计人员应该尽量提供一份详细的表面要求文件,明确指出哪些地方不能有分型线,不能有顶针,对模具排位图进行审核,掌握模具报价信息以及可能出现设计变更牵扯的模具修改方案。

4.机器分解注塑

这道工序牵扯到注塑机器的使用,下图是注塑成型机的示意图。

注塑模成型原理主要分为下面几个步骤:

  • 烘干的塑料颗粒通过成型机料斗进入成型机料筒
  • 在加热片加热和螺杆旋转产生的剪切热的共同作用下,塑料颗粒成为熔融状态。
  • 熔融塑胶在成型机机头部分聚集,计量。
  • 螺杆停止转动,改为向前平移,挤压塑料熔体。
  • 塑料进入模具浇注系统,然后流入模具成型型腔。
  • 通过模具本身热传导以及模具外加的冷却系统使塑胶冷却凝固。
  • 冷却完成后,打开模具,成型机的顶出系统将产品顶出,同时成型机螺杆后退开始下一次塑胶熔融计量。

塑料注塑机又分为立式和卧式的,下图为卧式的:

小件的产品都有机械臂取出,员工需要检查残次品。常见的质量问题有飞边,又称毛刺,溢边。

出现这种质量问题,可通过四个方面来查找问题。

  1. 锁模力:制品出现飞边,主要是因为再分型面出现了多余的料。在锁模的过程中,合模的压力不到位导致了塑料从如下图所示的模具左侧动模和右侧静模之间的缝隙流出,解决方法应该就要对注塑机进行维修,如果只是此面飞边影响后续使用也可以考虑调整模具。

  2. 看分型面是否平整:静模动模不对称,模具损坏也会导致这个现象。

  3. 查螺杆:螺杆的过胶头,过胶圈以及胶垫圈的磨损过大,使熔料可能在螺杆处经与料筒内之间滑行及回流造成飞边或者不满。

  4. 观材料的流动性:当模温和料温过高时导致了材料流动性加大,或者材料本身流动性较大,也容易也容易出现飞边。

5.印花

印花就是将塑料制品外加上精美的外表,这里注意是两个部分,一部分是大片的印花纸烫印在塑料制品上,另一种是小面积的喷印,是手工完成的。

6.组装成品&包装出厂

加工完的零件印花之后就可以进行流水线检验组装包装出厂了。

 十六宿舍 原创作品,转载必须标注原文链接。
©2023 Yang Li.  All rights reserved.
欢迎关注『十六宿舍』,大家喜欢的话,给个👍,更多关于嵌入式相关技术的内容持续更新中。

深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

十六宿舍

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值