人工智慧在射出成型之应用

机器学习在射出成型中迈向工业4.0的革新与挑战


前言

机器学习作为集成智能化的关键技术，已逐渐融入射出成型产业，推动其实现工业4.0的转型。在面对海量数据的时代背景下，由人工建立的射出成型模型经过训练后，能够自主适应变化，不断学习以更贴合实际操作情况。利用虚拟模型可揭示设计缺陷，支撑设备维护和优化策略的制定。与此相关的技术体系涵盖了制造领域的专业知识、感测与通讯技术、物联网、云端运算、人工智能、大数据分析以及数字实境技术等。尽管产学研界已累积丰富的研发能量，但在技术整合与应用层面仍面临初步探索的阶段。




射出成型背景概况

射出成型工艺通过将颗粒状高分子原料加热融化成熔融状态，而后以压力注入模具内冷却成型。熔胶流动的难易程度，以黏度(Viscosity)为代表，是影响产品质量的关键因素。低黏度的熔胶易于充填模穴，而高黏度的熔胶则需要更大的压力以充填满模，否则易引发短射或尺寸不足等问题。由此，熔胶黏度成为判断成型质量好坏的重要指标，但其受料管温度、背压压力、螺杆几何等因素的影响，可能会导致熔胶质量上的显著变异，进而影响产品的多样性与一致性（[1]）。

射出成型控制参数

在射出成型流程中，控制参数被分三个层面归类——「机器参数层」、「控制曲线层」、「制程参数层」。其中，「机器参数层」涉及射出机控制器针对温度、速度、压力以及其他运动指令的设定；「控制曲线层」涉及机台在动态工作中表现的压力、温度、速度等曲线；而「制程参数层」则集中代表熔胶或固化塑料特性参数，如熔胶的温度、黏度和速度等对成型结果的影响。制程参数则在决定最终产品质量上扮演着更为重要的角色，它们包括熔胶的温度及其均匀性、黏度、速度、密度、压力、固化层和内应力等。相较于机器参数及控制曲线层面的统计性控制信息，制程参数更适合作为质量变异的监督与指导。

射出成型4.0

工业4.0概念依托于信息技术的快速发展，主张通过软件和网络优化产品开发、生产和维护流程，实现生产过程的灵活调整与最优化。欧洲射出成型机制造商ENGEL提出“Inject 4.0”这一解决方案，旨在融合智能设备、智能服务和智能制造等三大层面。智能设备通过自调节功能以减少不良品和能源损耗，智能服务则通过预测零件损耗提供预防性维护建议，智能制造则通过网络连接优化制造与物流信息管理。

人工智能在射出成型的应用

人工智能技术作为实现工业4.0的重要手段，通过模仿人类智能解决问题。主要是通过高维度非线性拟合能力辅助决策、模拟属性感知、学习、推理过程。非线性组合算法是类神经网络的一种常用方法，它能有效构建多个输入值与多个结果值之间的模型关联。人工智能在射出成型中的应用方法包括人工神经网络(ANN)、进化算法等。ANN依赖于大量有效的数据训练以提高预测准确性，而进化算法如遗传算法（GA）和进化策略（ES）则用于寻求模具设计和制程参数的优化解决方案。人工智能的应用还有助于提高射出成型的精度和自动化水平，如利用判定树算法预测成型质量，修改BPNN算法进行模具设计，以及结合机器学习算法优化制造参数。

人工智能的具体应用

近年来，各种传感器的应用逐步优化了射出成型的质量监控。传感器技术能够在线实时监测熔胶流动过程中的压力、温度、速度等物理变化，解析熔胶在整个射出过程中的质量特征，从而预测成型质量状态。借助人工智能算法，研究人员已成功应用如神经网络、遗传算法等方法来优化射出成型工艺参数，提高产品质量预测的准确性。人工智能在射出成型的应用不仅仅是加工效率的提升，更是对智能制造趋势的积极响应，不仅增强了系统对不确定性的适应能力，也为未来工业制造提供了持续发展的可能性。