资料驱动之生成式射出成型多质量预测技术

• 台湾师范大学 机电工程学系 / 柯坤呈 教授、王瑞志
• 台东专科学校 动力机械科 / 粘世智 教授
• (转载自繁体版ACMT电子技术月刊No.090)

摘要

射出成型是一项成熟的高分子加工技术，应用领域极其广泛例如汽车、光学、消费性用品、民生用品、与IC封装等，可以大规模、高效率且花费较低成本进行制造。

射出成型制程三大阶段依序为充填、保压与冷却，利用射出成型技术生产之成品容易发生翘曲与收缩变形情况，造成成品缺陷有许多因素，包含材料特性、加工参数设置、环境与模具等影响，运用工程统计与CAE模拟进行具备策略性的加工制程调整能够更有效率控制质量。透过感测技术分析压力曲线所具备之物理意义，用于调整机台以利取得最佳参数设置，获得高质量成品[1]。

在射出成型过程中可控制的条件众多，如：熔胶温度、射出速度、保压压力、保压时间等机台参数设置。可利用模具内设置多个压力感测器取得可应用之压力数据，并将其进行后续之应用，机器学习的进步造就在质量预测上之效果逐渐提升。

在本研究利用压力数据信息进行资料前处理，将其分为3种方法。第1种将撷取数据不进行任何处理在此作为全域压力、第2种则是进行压力分段处理，分别为充填、保压与冷却三阶段，两者均进行多层感知器编码，第3种则是使用透过领域知识背景之指标化特征提取，并将以上取得特征进行相关系数分析对于质量之相关性，透过集成式机器学习[2]，进行多质量目标之预测，同时比较3种特征之预测准确度，进而提供较具优势之生成式人工智能模型机器学习训练方法，如图1。

图1：生成式射出成型多质量预测之示意图

实验设计与流程

本研究细分为三个主要部分：「射出成型实验设计」、「资料前处理」，以及「生成式人工智能预测」。

射出成型实验设计阶段

本研究采用田口方法进行模流分析。具体进行两次的L27田口实验，共计54个模次。在每个模次中，设置4个感测节点，以撷取压力数据、塑件尺寸（图2），以及流道和塑件的总重量。

资料前处理阶段

本研究从撷取到的压力数据中采用了两种不同的处理方法。首先是对整体压力数据进行处理，其次是将射出成型过程中的三个主要阶段分别进行压力数据的分段处理。这两种方法均运用自动编码器进行特征编码。塑件变形量（长度与宽度）和总重量的数据则作为预测目标。

生成式人工智能预测阶段

将资料集分为训练集(80%)和测试集(20%)。使用全域压力数据和分段压力数据的编码特征以及经过标准化处理的数据指标来预测塑件变形量和总重量。透过计算均方根误差(Root-Mean-Square Error, RMSE)来评估自动编码器生成的特征与原始数据之间的差异，从而优化多层感知器的输入层，以提高预测的准确度。最终，将人工智能预测结果与实际观测值进行比较，以衡量两者之间的差异性。

图2：塑件尺寸与压力感测节点位置

图3：质量量测位置

结果与讨论

全域压力与分段压力之预测结果比较

图4表示从Moldex3D 2023b软件中量测所得到之模拟信息数值，而预测值为透过全域压力特征与分段压力特征进行多层感知器机器学习模型训练所得之预测结果，在图中可以观察出利用全域压力特征之预测结果的跳动量大于分段压力特征之预测结果，且与模拟值趋势相比分段压力特征表现明显比全域压力特征更加优异。此外，在总重量的预测表现更加显著，如图4(h)所示，说明此方法之可行性，大幅增加预测之准确度。

图4：全域压力与分段压力之质量预测结果比较，(a)W1、(b)W2、(c)W3、(d)L1、(e)L2、(f)L3 and (g) weight

分段压力与指标化特征之预测结果比较

本小节将探讨，使用指标化特征与分段压力特征两者间之预测结果比较。图5所得结果可以观察出无论在宽度、长度的预测上富含物理意义之指标化编码法对于预测结果的趋势上表现仍然较好，其预测结果更贴近CAE模拟值。

另一方面，分段编码法尽管也有良好的表现，在于图形上可发现，其预测结果仍稍逊指标化编码法，反映出具备有高相关性之指标化编码法仍稍优于仅有中度相关性的分段压力编码法，尽管如此，仍然可显示分段压力编码法具备与指标化编码法相近之质量可行性。

图5：分段压力编码法与指标化特征法之质量预测结果比较，(a) W1、(b)W2、(c)W3、(d)L1、(e)L2、(f)L3 and (g) weight

结论

在本研究中以生成式人工智能技术开发无需具备领域知识且无物理意义特征但具有高准确度的成品质量预测系统。本研究在Moldex3D 2023b中撷取压力信息，每模次在4个位置取得压力曲线，并通过数据前处理进行特征提取。

特征提取方式包括「全域压力」、「分段压力」和「指标化编码法」。在全域压力和分段压力方法中，本研究使用Matlab 2023a开发自动编码器对特征进行编码，并使用RMSE进行特征误差评估。指标化方法则使用与作为特征，对所有特征进行相关性分析，以评估特征对质量的相关性。

最终，这些特征作为输入信息，输入至多层感知器进行机器学习，成品质量作为输出预测结果。接着比较全域压力编码特征、分段压力编码特征和指标化特征作为多层感知器输入层的预测结果，在无需领域知识的前提下，自动编码器随机编码的分段压力特征预测结果整体优于全域压力特征。然而，当分段压力特征与具备领域知识的指标化特征进行比较时，分段压力特征虽效果不及指标化特征，但其低误差预测结果表明，通过大数据资料萃取，亦可获得与指标化编码法相近的质量预测能力，显示了此方法的优势。

参考文献

[1]. Nian S-C, Fang Y-C, Huang M-S (2019) In-mold and Machine Sensing and Feature Extraction for Optimized IC-tray Manufacturing. Polymers 11:1348. https://doi.org/10.3390/polym11081348

[2]. Ke K-C, Wu P-W, Huang M-S (2023) Multi-quality prediction of injection molding parts using a hybrid machine learning model. Int J Adv Manuf Technol. https://doi.org/10.1007/s00170-023-12329-6