人工智慧在射出成型之应用

ACMT协会 2023年9月19日浏览：1155

■高雄科技大学/ 黄明贤特聘教授

前言

机器学习是射出成型迈向工业4.0重要的一环：在巨量信息下，初始由人工针对制程建模，完成后则可藉由机器学习自主训练，使模型随着不断输入的数据进行学习并愈发贴近实际运作状况。透过虚拟模型可用于发现设计缺陷从而改进、确认机台维修保养最佳时机、执行设备维护与保养等。与此相关的技术包含：制造技术的领域知识、感测与通讯技术、物联网、云端运算、人工智能、大数据分析、数字实境技术等。目前产学界已累积相当的研发能量，但在技术整合与实际应用上仍处于初期摸索阶段，达实际应用的阶段有待努力精进。主要面临的技术瓶颈在于缺乏感测撷取有用的数据经验、信息探勘、机器学习、及合适的使用情境之整合应用等。

射出成型背景知识

射出成型生产技术乃首先将粒状的高分子原料先加热塑化至熔融状态，续以外力射入模穴内冷却成型。由于产品质量受熔胶质量影响甚大，其中代表熔胶流动难易程度的指标以黏度(Viscosity)最为关键。低黏度容易充填；高黏度需要较大的压力才能充填满模穴，否则容易出现短射或尺寸不足等质量缺陷。所以熔胶黏度可以作为成型质量好坏的重要指针，但容易受众多因子影响。

图1：影响熔胶质量的因素

影响熔胶质量的因素（图1）条列如下：

塑化参数：料管温度、背压压力、螺杆转速、计量时间、螺杆几何；
机台特性：稳定性、精密度、重现性、控制法则、机台刚性、机台响应；
原料性质：流变性、批次、湿度、温度；
成型参数：射出压力/速度、保压压力/时间、V/P切换时机。

上述这些因素皆会造成熔胶黏度的变异而导致成型质量的不一致[1]。

由于成型质量易受制程参数的变动所影响，所以适当的参数设定与制程监控对维持制程稳定很重要。

表1：射出成型控制参数阶层表

表1为射出成型过程中在塑化、射出、保压、冷却四个重要阶段的控制参数阶层表，决定成型质量的控制参数可分为「机器参数层」、「控制曲线层」、「制程参数层[2]」等三层。

「机器参数层」指射出成型机控制器关于温度、螺杆转速/位置、射出速度/压力、保压压力/时间等之运动控制指令设定；「控制曲线层」牵涉机台实际在压力、温度、速度曲线的表现；「制程参数层」指代表熔胶或固化的塑料性质对成型质量的影响，有熔胶温度高低及均匀性、熔胶黏度、熔胶速度、熔胶密度、熔胶压力、固化层及内应力等。制程参数层比机器参数层更能决定产品最终的质量，亦即，相较于射出成型机之机器参数及控制曲线的统计制程控制信息，制程参数更适合用于监督质量变异。

传统上射出成型是一个黑箱的状态，熔胶在模穴内充填、压缩、保压、冷却过程为不可见，其成型参数的设定需依赖操作人员的经验。随着科技的发展，目前可以藉由传感器感知熔胶在成型过程熔胶所处的压力、温度、速度等变化，用于解析熔胶在充各个过程的质量特征，以监测甚至预测成型质量状态。

图2：熔胶在不同位置下的压力[1]

图2为成型压力曲线图：(1)为射出制程的开始，(2)为熔胶流至浇口位置，最后到(3)流动末端位置。当熔胶在(4)浇口压力上升至最大值，射出成型机则在(4)至(5)的时间保持一段的压力（保压过程），而成品末端压力因冷却温度降低逐渐下降，然后成型压力设置为逐步减小以保持压力，直到(6)成品末端压力降为零。然后(7)为浇口固化结束保压阶段，(8)浇口压力下降为零开始收缩，我们可用此成型曲线与成品质量特征做对应找出成型问题点进而改善，更能利用这些曲线加以控制成型质量的一致性，亦能利于技术传承及教育训练之用。

近年来，感测技术在射出成型制程的应用研究众多，表2为各式传感器进行成品质量及熔胶质量的监测研究。

表2：使用传感器进行熔胶质量及成品质量的监测研究

一般射出成型机控制器可提供每一成型周期的射出压力与螺杆位置的时序图，以利解析熔胶所处的成型阶段。而充填阶段的实际压力/时间、保压阶段的实际压力/时间、加料阶段的实际时间、背压及螺杆后退速度，以及加料后的解压缩实际压力等信息具有相当的参考价值，可用于解析机台控制特性、成型过程的特性，以及参数的优化设计。

射出成型4.0

「工业4.0」的概念在2011年的汉诺威工业博览会被提出：未来制造业的技术对产品开发、生产、服务的现场可通过软件和网络进行交流，生产流程的计划将按照最新的情况灵活调整，在工程、规划、制造、运营和物流中实现最高效率的境界。这是动态的及时优化、自我组织的价值链，并可通过一系列标准（如成本、可用性和资源消耗）进行优化。

因此，欧洲射出成型机专业制造大厂ENGEL公司为实现客户智能工厂(Smart industry)提出Inject 4.0的解决方案，以整合智能设备(Smart machine)、智能服务(Smart service)、智能制造(Smart production)三个层面。

智能设备：具备自调教功能(Self-regulating)，尤其在智能化锁模力控制(iQ Clamping force)、智能化震动控制(iQ Vibration control)、智能化重量控制(iQ Weight control)，强调减少不良率及不要的能源浪费，可缩短设定优化制程参数时间、对成型环境变动具自动补偿功能，以达致节能、增长机台寿命、对少样多量的应用具备优良的制造能力。

智能服务：可对零件损耗进行预测，提供预知式保养的建议以减少生产规划的干扰，可极大化机台运转能力。亦可提供24小时在线远程维修服务，及时排除机台故障问题。

智能制造：透过网络链接至制造的他端（例如周边配备），提供透明的信息以利信息管理，扩大制程优化的范围等[12]。

由于Inject 4.0所涵盖的智能化设备与智能化制程须分别实现设备端自我管理与校正及制程质量监控，以作为实现网络智能化服务的基础。盘点射出成型机在智能化技术的需求项目包括：学习控制、自适应控制、模糊控制、神经网路控制、成型制造条件优化与自动生成、成型机械设备健康监控与诊断、射胶螺杆健康监控与诊断、故障监控与自诊断等。

人工智能与射出成型

人工智能是实现工业4.0重要的技术，人工智能是指通过计算器程序呈现、解释和复制人类智能的技术。更具体地说，人工智能通过其高维度非线性拟合能力来帮助人类解决问题，是一种可以感知、学习、推理、协助决策并采取行动的技术。而类神经网络的非线性组合算法提供有效的多个输入值和多个结果值之间的模型链接。

目前人工智能的演算方法众多，最普遍之方法有类神经网络(Artificial neural network, ANN)及进化算法(Evolutionary algorithm, EA)。ANN需要大量的有效的数据训练以提高准确性，经过训练的ANN可用于制程模型的建置，描述成型质量与制程条件的关系，并可以有效预测成品质量，而庞大的数据训练以及欠缺物理意义的连结为其缺点。EA则用于射出成型优化参数的搜寻，常用的有基因算法则(Genetic algorithm, GA)及进化策略(Evolutionary strategy, ES)，可有效计算多变量条件之模具设计及制程参数优化。进化算法亦可结合实验计划法(DOE)、ANN、GA等方法以优化射出成型的制程参数。

随着智能制造的发展趋势，通过人工智能[13]、虚实整合系统[14]、物联网[15]和数据探勘[16]可进一步提高射出成型的精度和自动化程度。人工智能是一种通过仿真人类智慧将领域、统计和计算器科学知识相结合的方法。Yeh[17]采用判定树算法建立智能试模分类的知识体系，所开发模型的预测准确度达87%。Raviwongse [18]使用反向传播神经网络(BPNN)执行复杂的模具设计，包括零件几何形状、分模线、材料和模仁模穴形状设计。Ogorodnyk[19]使用多层感知器(MLP)模型和判定树来预测高密度聚乙烯试片的拉伸强度。Shen[20]结合BPNN和基因算法进行制程参数优化。此外，Bensingh[21]结合混合类神经网络和粒子群优化法来优化制造双非球面透镜的制程参数，在双非球面透镜的预测曲率和实际曲率之间有很好的一致性(差异小于1%)。目前深度学习已应用于搜索引擎、模型识别、自然语言识别和电子商务等[22]。目前开放原始码和模块有Matlab [23]和Python [24]等，可用于进行深度学习编码，不仅效率高且成本低。此外，Amazon、Azure、Google Colab等云端计算平台亦为深度学习提供了丰富的训练模块，用户可以进行远程操作，降低硬件建置的成本[25-28]。

结语

综合上述，目前很多学者已经利用人工智能技术对射出成型件的质量进行预测，达到智能化、自动化的效果。然而，所使用的输入或学习信息通常是机械参数设定为主。如此情况下，不仅不能准确应对不同射出成型机的响应问题，也无法准确把握射出过程中因熔胶变化而引起的产品质量变化。因此，如何科学性地建立产品质量监控方法是急须发展的技术。例如，可根据模穴内熔胶流动行为和模穴压力发展一种质量预测系统，利用从模穴压力曲线所萃取的各种质量指针以预测成型件的几何尺寸和形状。■

参考文献

https://www.moldex3d.com/ch/learning/moldex3d-book-series/.
Zhang Y, Man T, Huang S, Gao H, Li D (2016) A statistical quality monitoring method for plastic injection molding using machine built-in sensors. International Journal of Advanced Manufacturing Technology, 83:2483–2494.
Kurt MB, Kamber OS, Kaynak Y, Atakök G, Girit O (2009) Experimental investigation of plastic injection molding: assessment of the effects of cavity pressure and mold temperature on the quality of the final products. Mater. Des. 20:3217–3224.
Gordon G, Kazmer DO, Tang X, Fan Z, Gao RX (2015) Quality control using a multivariate injection molding sensor. Int. J. Adv. Manuf. Technol., 78:1381–1391.
Huang MS (2007) Cavity pressure based grey prediction of the filling-to-packing switchover point for injection molding. J. Mater. Process. Technol. 183:419–424.
Chen JY, Yang KJ, Huang MS (2018) Online quality monitoring of molten resin in injection molding. Int. J. Heat Mass Transf. 122:681–693.
Fernandez A, Muniesa M, Javierre C (2014) In-line rheological testing of thermoplastics and a monitored device for an injection moulding machine: application to raw and recycled polypropylene. Polym. Test. 33:107–115.
Gornik C (2019) Viscosity measuring methods for feedstocks directly on injection molding machines. Materials Science Forum 174:591–593.
Zhao P, Zhou H, He Y, Cai K, Fu J (2014) A nondestructive online method for monitoring the injection molding process by collecting and analyzing machine running data. Int. J. Adv. Manuf. Technol. 72:765–777.
Fung KT, Gao F, Chen X (2007) Application of a capacitive transducer for online part weight prediction and fault detection in injection molding. Polym. Eng. Sci. 47:347–353.
Wong HY, Fung KT, Gao F (2008) Development of a transducer for in-line and through cycle monitoring of key process and quality variables in injection molding. Sens. Actuators Phys. 141:712–722.
ENGEL Kunststoff Spritzgussmaschinen | Spritzgießmaschinen Kunststoff. https://www.engelglobal.com/de/at.html.
Leo Kumar SP (2017) State of the art-intense review on artificial intelligence systems application in process planning and manufacturing. Eng. Appl. Artif. Intell. 65:294–329.
Napoleone A, Macchi M, Pozzetti A (2020) A review on the characteristics of cyber-physical systems for the future smart factories. J. Manuf. Syst. 54:305–335.
Thramboulidis K, Vachtsevanou DC, Kontou I (2019) CPuS-IoT: A cyber-physical microservice and IoT-based framework for manufacturing assembly systems. Annu. Rev. Control 47:237–248.
Ageyeva T, Horváth S, Kovács JG (2019) In-mold sensors for injection molding: on the way to Industry 4.0. Sensors 19:3551.
Yeh DY, Cheng CH, Hsiao SC (2011) Classification knowledge discovery in mold tooling test using decision tree algorithm. J. Intell. Manuf. 22:585–595
Raviwongse R, Allada V (1997) Artificial neural network based model for computation of injection mould complexity. Int. J. Adv. Manuf. Technol. 13:577–586.
Ogorodnyk O, Lyngstad OV, Larsen M, Wang K, Martinsen K (2019) Application of machine learning methods for prediction of parts quality in thermoplastics injection molding. Proceedings of the Advanced Manufacturing and Automation VIII. Springer: Singapore, 237–244.
Shen C, Wang L, Li Q (2007) Optimization of injection molding process parameters using combination of artificial neural network and genetic algorithm method. J. Mater. Process. Technol. 183:412–418.
Bensingh RJ, Machavaram R, Boopathy SR, Jebaraj C (2015) Injection molding process optimization of a bi-aspheric lens using hybrid artificial neural networks (ANNs) and particle swarm optimization (PSO). Measurement 134:359–374.
LeCun Y, Bengio Y, Hinton G ) Deep learning. Nature 521:436–444.
Collobert R, Kavukcuoglu K, Farabet C (2011) Torch7: A Matlab-like environment for machine learning. Proceedings of the NIPS 2011.
Ketkar N (2017) Deep learning with python. Apress, Berkeley, CA.
Armbrust M, Fox A, Grifﬁth R, Joseph AD, Katz R, Konwinski A, Lee G, Patterson D, Rabkin A, Stoica I, et al. Above the clouds: A Berkeley View of Cloud Computing. 25.
Shao Y, Di L, Bai Y, Guo B, Gong J (2012) Geoprocessing on the Amazon cloud computing platform – AWS. Proceedings of the 2012 First International Conference on Agro- Geoinformatics (Agro-Geoinformatics), 1–6.
Jennings R (2010) Cloud computing with the windows Azure platform; John Wiley & Sons.
Carneiro T, Medeiros Da NóBrega RV, Nepomuceno T, Bian GB, De Albuquerque VHC, Filho PPR (2018) Performance analysis of Google colaboratory as a tool for accelerating deep learning applications. IEEE Access 6:61677–61685.