鄭方莉，傅南紅，焦曉龍，楊衛(wèi)民，謝鵬程

（1.北京化工大學(xué)機(jī)電工程學(xué)院，北京 100029；2.寧波長飛亞塑料機(jī)械制造有限公司，浙江 寧波 315000；3.海天塑機(jī)集團(tuán)有限公司，浙江 寧波 315801）

0 前言

注射成型以其自動化程度高、成型周期短、可成型結(jié)構(gòu)復(fù)雜的制品等優(yōu)勢，成為最重要的塑料成型方式之一[1]。注塑制品質(zhì)量的影響因素大致可分為3個層面[2?3]，分別是機(jī)器參數(shù)、工藝參數(shù)以及質(zhì)量指標(biāo)，其中工藝參數(shù)包括模具溫度、熔體溫度、注射速度、填充時間、保壓時間等。

傳統(tǒng)的注塑生產(chǎn)過程依賴于工藝人員的經(jīng)驗(yàn)[4]，如圖1所示，初始工藝參數(shù)設(shè)置不僅受到材料和機(jī)器特性的影響，還受到每臺設(shè)備自身的影響，因此每一個注塑周期完成后都要對制品質(zhì)量進(jìn)行檢測評估，當(dāng)制品不符合質(zhì)量標(biāo)準(zhǔn)時，該制品將被淘汰，然后重新調(diào)整工藝參數(shù)，進(jìn)入下一個周期的生產(chǎn)，在進(jìn)行反復(fù)的疊代后，工藝過程才可能得到有效的控制并投入規(guī)模化生產(chǎn)，生產(chǎn)成本會隨著制品復(fù)雜程度的提高而上升，而且當(dāng)工藝人員的技能和水平存在差異時，工藝參數(shù)的設(shè)置也會存在優(yōu)劣之分，這勢必會造成生產(chǎn)周期的延長[5]和生產(chǎn)成本的提高[6]。因此，建立精確快速的工藝參數(shù)智能化設(shè)置和優(yōu)化方法是信息化時代的趨勢。

圖1 傳統(tǒng)工藝參數(shù)設(shè)置過程Fig.1 Traditional process parameter setting process

中國制造2025提出了推進(jìn)信息化與工業(yè)化深度融合的戰(zhàn)略任務(wù)，智能制造成為主攻方向[7]。注射成型工藝參數(shù)設(shè)置是一個強(qiáng)經(jīng)驗(yàn)、弱理論的領(lǐng)域，而且工藝參數(shù)與制品質(zhì)量之間關(guān)系復(fù)雜[8]。人工智能是一種基于科學(xué)計(jì)算而非經(jīng)驗(yàn)來實(shí)現(xiàn)工藝參數(shù)智能設(shè)置的方法，可使設(shè)備達(dá)到最佳生產(chǎn)狀態(tài)的速度大大提升，有效降低了生產(chǎn)成本。人工智能技術(shù)與注射成型工藝的結(jié)合一直是國內(nèi)外學(xué)者研究的重點(diǎn)，已經(jīng)經(jīng)歷了很多年的發(fā)展[9]。專家系統(tǒng)和案例推理、進(jìn)化計(jì)算和機(jī)器學(xué)習(xí)作為人工智能的重要分支，在注射成型工藝參數(shù)的智能設(shè)置和優(yōu)化方面作出了突出貢獻(xiàn)。本文主要對以上3類注射成型工藝參數(shù)設(shè)置及優(yōu)化的人工智能技術(shù)的研究現(xiàn)狀進(jìn)行了綜述，如圖2所示。

圖2 人工智能在注射成型工藝優(yōu)化中的應(yīng)用Fig.2 Application of artificial intelligence in injection molding process optimization

1 專家系統(tǒng)和案例推理

專家系統(tǒng)（expert system）[10?11]是人工智能的一個分支，它運(yùn)用人工智能技術(shù)和計(jì)算機(jī)技術(shù)進(jìn)行推理和判斷，來模擬通常由專家才能解決的復(fù)雜問題，達(dá)到與專家同等解決問題的水平。對于很難用確定關(guān)系式來描述的工藝參數(shù)與制品質(zhì)量的關(guān)系來說，強(qiáng)調(diào)知識和經(jīng)驗(yàn)的專家系統(tǒng)成為注塑制品工藝優(yōu)化的重要方法。Chaves等[12]建立了一個基于模糊邏輯的專家系統(tǒng)，可快速設(shè)定工藝參數(shù)，極大縮短了生產(chǎn)周期。Shelesh?Ne?zhad和Siores[13]通過基于規(guī)則和基于實(shí)例的混合專家系統(tǒng)來模擬注射成型工藝設(shè)計(jì)，獲得最優(yōu)參數(shù)設(shè)置。Tzy?Cherng等[14]建立了一個分層次的專家系統(tǒng)，通過逐步優(yōu)化解決偏差，并把所建立的專家系統(tǒng)模塊化，可一次性完成對一種材料的調(diào)查。辛勇等[15]針對薄壁注塑制品的成型缺陷，開發(fā)了一個基于知識推理和模糊推理的專家系統(tǒng)，實(shí)現(xiàn)了薄壁制品的參數(shù)優(yōu)化和缺陷消除，為提高薄壁制品的成型質(zhì)量提供了一個可行性方法。

專家系統(tǒng)被認(rèn)定為是一種對于工藝參數(shù)優(yōu)化十分適合的方法，然而在實(shí)際生產(chǎn)中存在著兩方面的困難，一是專家知識的獲取困難，專家系統(tǒng)可以進(jìn)行正確推理的前提是獲取正確的專家知識，這通常由與經(jīng)驗(yàn)豐富的工藝人員交流達(dá)到，但由于無法對獲取的知識進(jìn)行正確的評估，使得這一過程變得困難。二是由于注塑工藝的復(fù)雜化，其過程和原理不易整理成簡單的規(guī)則，使專家知識的表達(dá)變得困難。

案例推理[16]是基于過去案例的解決方案來解決當(dāng)前問題的方法，實(shí)現(xiàn)了相似案例索引以及從源案例解決方案到目標(biāo)案例的適應(yīng)過程。

Zhou和Peng[17]建立了一個案例推理和模糊推理相結(jié)合的智能系統(tǒng)，進(jìn)行注塑工藝初始參數(shù)設(shè)置和缺陷修正，所開發(fā)的系統(tǒng)已通過實(shí)例驗(yàn)證，大大減少了注射成型的試驗(yàn)周期和對人工經(jīng)驗(yàn)的依賴。Yu等[18]提出了一個基于壓力分布的案例推理技術(shù)，獲得了可行的注射成型工藝參數(shù)。Sara等[19]建立了一種基于案例推理的塑料制品生產(chǎn)智能檢測系統(tǒng)，該系統(tǒng)比傳統(tǒng)方法運(yùn)行速度快，產(chǎn)品質(zhì)量穩(wěn)定。

案例推理通過對過去案例的檢索和對比，對目標(biāo)案例的參數(shù)設(shè)置起到較好的指導(dǎo)作用，而且過去案例的數(shù)量越多，目標(biāo)案例的參數(shù)設(shè)置越高效精確。但由于制品和模具特征的復(fù)雜性，目前常用的流長比、壁厚等參數(shù)不足以精確地描述制品和模具的特征；過去案例的收集和整理也是一個難題，而且會直接影響到案例的匹配，目前仍缺乏有效的處理策略。

2 進(jìn)化算法

2.1 遺傳算法

遺傳算法（GA）是一種模擬自然界優(yōu)勝劣汰、適者生存法則的非梯度優(yōu)化算法，具有獲得全局最優(yōu)解的能力，常被用于求解最優(yōu)模型。

Lu等[20]利用遺傳算法對注射成型過程進(jìn)行多目標(biāo)優(yōu)化。Deng等[21]采用遺傳算法優(yōu)化注射成型條件，將優(yōu)化結(jié)果與窮舉搜索方法的結(jié)果進(jìn)行比較，證明了遺傳算法在尋找全局最優(yōu)解方面的準(zhǔn)確性。

為了提高遺傳算法的性能，很多研究人員采用對遺傳算法進(jìn)行改進(jìn)或把遺傳算法與其他算法相結(jié)合的方法進(jìn)行工藝參數(shù)的設(shè)置和優(yōu)化。Wu等[22]提出了一種改進(jìn)的分布式多種群遺傳算法，有效減少了制品熔接痕和翹曲變形。Zhao等[23]提出了一個針對注塑制品質(zhì)量多目標(biāo)優(yōu)化的框架，在滿足加工參數(shù)與零件質(zhì)量度量之間非線性關(guān)系的條件下，基于非支配排序的遺傳算法II（NSGA?II）使最優(yōu)解具有更好的分布和更好的收斂性。Deng等[24]通過將遺傳算法與模式追蹤采樣方法相結(jié)合，搜尋使注射成型翹曲最小的最佳工藝參數(shù)。Meiabadi等[25]采用遺傳算法和人工神經(jīng)網(wǎng)絡(luò)模型來確定特殊零件注射成型的最佳工藝條件。Zou等[26]提出了一種基于遺傳算法優(yōu)化的預(yù)測容錯控制方法，以實(shí)現(xiàn)更好的控制性能，通過對注射速度進(jìn)行研究，證明了該方法的有效性。Ozcelik和Erzurumlu[27]利用遺傳算法和人工神經(jīng)網(wǎng)絡(luò)相結(jié)合的方法優(yōu)化注射成型薄壁塑件翹曲變形。

遺傳算法以生物進(jìn)化為原型，具有良好的全局搜索能力，而且收斂性高、計(jì)算時間少、魯棒性高，但搜索速度較慢，需要較多的計(jì)算時間才可以達(dá)到較高的精度，可對其進(jìn)行改進(jìn)或結(jié)合其他算法以提高搜索速度和計(jì)算精度。

2.2 粒子群優(yōu)化算法

粒子群優(yōu)化算法（PSO）是一種全局優(yōu)化算法，它最初是由Kennedy和Eberhart提出的，基本思想是通過群體中個體之間的協(xié)作和信息共享來尋找最優(yōu)解。因其快速、高效等優(yōu)勢成為解決多目標(biāo)優(yōu)化問題的主要方法之一。

與遺傳算法相比，由于需要調(diào)整的參數(shù)較少，粒子群算法以更快、更經(jīng)濟(jì)的方式獲得了更好的結(jié)果。Xu等[28]開發(fā)了一個基于粒子群神經(jīng)網(wǎng)絡(luò)模型的多輸入多輸出塑料注射成型工藝參數(shù)優(yōu)化系統(tǒng)，可有效地確定最佳工藝條件，提高產(chǎn)品質(zhì)量。粒子群算法在疊代過程中把最優(yōu)粒子的信息傳遞給其他粒子，搜索速度快，但由于沒有對速度的動態(tài)調(diào)節(jié)，容易陷入局部最優(yōu)，導(dǎo)致收斂精度降低或不收斂，一些研究人員對粒子群算法進(jìn)行改進(jìn)，或與其他算法相結(jié)合，共同提高收斂精度。Kumar等[29]提出了一種改進(jìn)的粒子群優(yōu)化算法，成功預(yù)測了薄壁繼電器零件的最小收縮和翹曲值。Chen等[30]建立了一個智能優(yōu)化系統(tǒng)，采用改進(jìn)的粒子群優(yōu)化算法來尋找保證產(chǎn)品質(zhì)量和過程穩(wěn)定性的最佳參數(shù)設(shè)置，并進(jìn)行了驗(yàn)證實(shí)驗(yàn)以評估所提出系統(tǒng)的有效性。Xu等[31]把粒子群優(yōu)化算法和神經(jīng)網(wǎng)絡(luò)相結(jié)合來優(yōu)化注射成型薄殼聚合物制品的力學(xué)響應(yīng)，為沖擊載荷下的聚碳酸酯車窗確定了最佳工藝參數(shù)，有效提升了產(chǎn)品的力學(xué)性能。

粒子群算法和遺傳算法是兩種常見的全局優(yōu)化方法，兩種算法的搜索過程都是從一個集合而不是個體開始，降低了陷入局部最小的概率，提高了計(jì)算效率。但PSO具有記憶功能，可將粒子知識保存，GA則無法進(jìn)行記憶，過去的知識會隨著種群的改變被打亂。在收斂性方面，GA可對收斂速度進(jìn)行估計(jì)，PSO盡管可能以更快的速度收斂于最優(yōu)解，但缺少成熟的收斂性分析。面對高維問題，GA的收斂速度會變慢甚至較難收斂，而PSO可以較好地應(yīng)用于高維問題。

3 機(jī)器學(xué)習(xí)

3.1 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)（ANNs）是預(yù)測非線性問題的有力工具，已被成功開發(fā)用于預(yù)測注射成型工藝參數(shù)與制品質(zhì)量之間的關(guān)系，其優(yōu)勢在于具有通過學(xué)習(xí)映射出輸入數(shù)據(jù)和輸出數(shù)據(jù)之間的映射關(guān)系的能力。

Tsai等[32]將人工神經(jīng)網(wǎng)絡(luò)和遺傳算法相結(jié)合，建立了光學(xué)透鏡質(zhì)量預(yù)測模型，極大提高了透鏡的形狀精度。Guo等[33]提出了一種人工神經(jīng)網(wǎng)絡(luò)和強(qiáng)化學(xué)習(xí)相結(jié)合的注塑工藝優(yōu)化決策系統(tǒng)，并用實(shí)例驗(yàn)證了該系統(tǒng)的魯棒性和實(shí)用性。Chen等[34]建立了基于人工神經(jīng)網(wǎng)絡(luò)的注射成型在線缺陷檢測系統(tǒng)，缺陷檢測率高達(dá)94.4%。

BP神經(jīng)網(wǎng)絡(luò)（BPNN）是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)，具有響應(yīng)速度快、學(xué)習(xí)精度高等優(yōu)點(diǎn)[35]，是目前應(yīng)用最廣的神經(jīng)網(wǎng)絡(luò)模型之一。Cai等[36]建立了BP神經(jīng)網(wǎng)絡(luò)模型，對注塑制品模具工藝參數(shù)進(jìn)行預(yù)測，生產(chǎn)出表面質(zhì)量良好的制品。Chen等[37]建立了一個BPNN質(zhì)量預(yù)測器，并與田口方法和遺傳算法相結(jié)合，以找到注塑制品最佳參數(shù)設(shè)置，結(jié)果表明，該優(yōu)化方法能有效地確定最佳工藝參數(shù)。Lee等[38]提出了以自組織神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)為核心的系統(tǒng)框架來推導(dǎo)最優(yōu)工藝參數(shù)組合。Yan等[39]利用BP神經(jīng)網(wǎng)絡(luò)預(yù)測薄壁外殼制品的翹曲變形，具有較高的預(yù)測精度，為制品模具的生產(chǎn)提供了參考。

Song等[40]建立了雙層隱層BP神經(jīng)網(wǎng)絡(luò)，并分別與GA和支持向量機(jī)（SVM）相結(jié)合，結(jié)果表明BP?GA?SVM相結(jié)合的方法能更準(zhǔn)確地預(yù)測注塑制品的收縮和翹曲。Li等[41]把BP神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合，確定了使注塑制品翹曲量最小的工藝參數(shù)組合。Ekta等[42]利用BP神經(jīng)網(wǎng)絡(luò)來探究工藝參數(shù)與制品翹曲之間的關(guān)系，然后尋找最優(yōu)參數(shù)設(shè)置以最小化翹曲。Chen等[43]將BP神經(jīng)網(wǎng)絡(luò)分別與遺傳算法和戴維登?弗萊徹?鮑威爾（DFP）算法相結(jié)合的注塑工藝優(yōu)化結(jié)果作了對比，結(jié)果表明BP神經(jīng)網(wǎng)絡(luò)與遺傳算法相結(jié)合的的方法可起到更好的優(yōu)化效果。Fei等[44]建立了一個結(jié)合BP神經(jīng)網(wǎng)絡(luò)、遺傳算法的混合優(yōu)化方法，以翹曲和鎖模力為優(yōu)化目標(biāo)，確定注射成型工藝的最佳參數(shù)組合。

雖然人工神經(jīng)網(wǎng)絡(luò)在注射成型工藝參數(shù)設(shè)置方面應(yīng)用廣泛，但也有其局限性，它的學(xué)習(xí)過程像一個黑盒，確定神經(jīng)網(wǎng)絡(luò)架構(gòu)并輸入數(shù)據(jù)后，無法控制輸出，因此也無法評估輸入數(shù)據(jù)和輸出數(shù)據(jù)之間關(guān)系的準(zhǔn)確性。神經(jīng)網(wǎng)絡(luò)節(jié)點(diǎn)和隱藏層的數(shù)量設(shè)置也十分關(guān)鍵，如果輸入的數(shù)據(jù)超出神經(jīng)網(wǎng)絡(luò)的預(yù)測能力，便無法產(chǎn)生預(yù)期的結(jié)果。

3.2 徑向基函數(shù)法

1985年，Powel首次提出了多變量插值的徑向基函數(shù)（RBF）方法，RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)具有局部映射特性，收斂速度快，可以以任意精度逼近任意連續(xù)函數(shù)。

Kitayama[45]提出徑向基函數(shù)可以通過少量的函數(shù)評估找到近似的全局最小值。Hashimoto等[46]采用徑向基函數(shù)網(wǎng)絡(luò)對注塑工藝參數(shù)進(jìn)行優(yōu)化，有效減少了熔接痕和生產(chǎn)循環(huán)時間。Kitayama等[47?48]建立了基于徑向基函數(shù)的順序近似優(yōu)化方法，通過優(yōu)化變壓力曲線，大大減少了翹曲變形。Satoshi等[49]提出了一種基于徑向基函數(shù)的冷卻通道數(shù)值優(yōu)化方法，確定了對縮短制品循環(huán)時間和減小制品翹曲量最有效的冷卻通道形式。Kitayama和Natsume[50]采用徑向基函數(shù)網(wǎng)絡(luò)進(jìn)行模擬退火算法來識別帕累托前沿，找到了在短射約束下使體積收縮和夾緊力最小化的最佳工藝參數(shù)。

一些研究人員通過把徑向基函數(shù)與其他算法相結(jié)合來優(yōu)化工藝參數(shù)。Satoshi等[51]利用徑向基函數(shù)網(wǎng)絡(luò)的順序近似優(yōu)化來識別帕累托邊界，并結(jié)合數(shù)值模擬優(yōu)化了注射成型過程中產(chǎn)生的熔接痕缺陷。Feng等[52]提出了一種混合多目標(biāo)優(yōu)化方法來尋找注塑工藝參數(shù)的最優(yōu)點(diǎn)，并通過實(shí)驗(yàn)驗(yàn)證了此混合多目標(biāo)優(yōu)化算法的準(zhǔn)確性。

與BP神經(jīng)網(wǎng)絡(luò)相比，RBF神經(jīng)網(wǎng)絡(luò)具有良好的魯棒性和記憶能力，可以實(shí)現(xiàn)連續(xù)函數(shù)的最佳逼近，且逼近精度優(yōu)于BP神經(jīng)網(wǎng)絡(luò)，而且收斂速度快。BP神經(jīng)網(wǎng)絡(luò)采用梯度下降法，由于學(xué)習(xí)速率固定，因此收斂速度較慢，容易陷入局部最優(yōu)，RBF是一種前饋型神經(jīng)網(wǎng)絡(luò)，據(jù)有優(yōu)越的全局逼近能力，解決了BP的局部最優(yōu)問題。但RBF神經(jīng)網(wǎng)絡(luò)的非線性映射能力主要由基函數(shù)的中心確定，若中心選取不當(dāng)，構(gòu)造出的RBF神經(jīng)網(wǎng)絡(luò)的性能顯然也是不佳的。

3.3 高斯過程

高斯過程（GP）是一種常用的監(jiān)督學(xué)習(xí)方法，常用于解決回歸問題和概率分類問題。高斯方法[53]通過統(tǒng)計(jì)的方法直接找到最可能的值以及期望響應(yīng)的方差，為從更大的目標(biāo)空間中找到最佳替代模型提供了更大的靈活性。

Zhou和Turng[54]首次將高斯代理模型用于注射成型優(yōu)化，建立了一種基于高斯過程的自適應(yīng)優(yōu)化系統(tǒng)，有助于工程師更有效地確定最佳工藝條件，證明了高斯模型在注射成型優(yōu)化領(lǐng)域的適用性和可行性。Xia等[55]建立了基于高斯代理模型的改進(jìn)優(yōu)化準(zhǔn)則，快速找到最優(yōu)工藝參數(shù)組合，有效降低了翹曲變形。Wang等[56]使用基于高斯過程的順序優(yōu)化方法使制品翹曲量最小化。Luo等[57]建立了一個混合效應(yīng)高斯過程模型來預(yù)測注射成型過程中不同模具填充時的熔體流動長度，并用實(shí)例證明了該混合模型的性能優(yōu)于傳統(tǒng)高斯模型。

由于高斯過程是一個非參數(shù)模型，在遇到數(shù)據(jù)量很大且高斯過程未經(jīng)優(yōu)化時，數(shù)據(jù)處理會變得較為困難。

3.4 支持向量機(jī)

SVM是一種監(jiān)督式的機(jī)器學(xué)習(xí)方法，可以對訓(xùn)練數(shù)據(jù)進(jìn)行正確的劃分并構(gòu)建間隔最大的分類超平面，成為小樣本注射成型工藝窗口構(gòu)建的重要方法之一。

Zhao等[58]采用支持向量分類器和粒子群優(yōu)化算法構(gòu)造分類超平面，將參數(shù)優(yōu)化問題轉(zhuǎn)化為權(quán)重分類問題，有效提高了參數(shù)優(yōu)化精度。Yu等[59]利用SVM分類器和模擬樣本預(yù)測計(jì)算效率和預(yù)測過程窗口，并驗(yàn)證預(yù)測工藝窗口的可靠性。Tripathi等[60]采用支持向量回歸模型對注塑過程的工藝變量數(shù)據(jù)進(jìn)行分析以確定關(guān)鍵過程變量，進(jìn)而得出由于相關(guān)過程變量的相互依賴性，不同材料類型的可預(yù)測性各不相同的結(jié)論。

支持向量機(jī)適用于小樣本的分類問題，若遇到大規(guī)模訓(xùn)練樣本則難以實(shí)施。在多分類問題面前，支持向量機(jī)同樣無法解決，可通過構(gòu)造多個支持向量機(jī)分類器或與其他算法相結(jié)合的方法解決多分類問題。

4 結(jié)語

人工智能技術(shù)在注射成型工藝參數(shù)設(shè)置及優(yōu)化方面發(fā)揮著越來越重要的作用，本文綜述了人工智能的3個分支——專家系統(tǒng)和案例推理、進(jìn)化計(jì)算以及人工神經(jīng)網(wǎng)絡(luò)在注射成型工藝參數(shù)智能設(shè)置及優(yōu)化中的應(yīng)用，這3個分支各自的特點(diǎn)和局限性總結(jié)如下：

（1）專家系統(tǒng)或案例推理為工藝參數(shù)的智能設(shè)置和優(yōu)化提供了一個系統(tǒng)的框架，但是存在專家知識獲取和表征困難、實(shí)例收集困難等難題，對于復(fù)雜制品難以滿足其精度要求，只適用于簡單零件。

（2）進(jìn)化算法具有獲得全局最優(yōu)解的能力，但任何一種進(jìn)化算法都無法兼顧收斂速度和局部最優(yōu)問題，遺傳算法更是不適用于高維問題，可通過對算法進(jìn)行改進(jìn)以解決瓶頸。

（3）機(jī)器學(xué)習(xí)的自動化程度高，而且可以提高工藝參數(shù)設(shè)置的精度，但嚴(yán)重依賴于數(shù)據(jù)，若選擇的數(shù)據(jù)質(zhì)量不夠高，可能會構(gòu)建出不正確的模型。模型的選擇也是制約機(jī)器學(xué)習(xí)的一大問題，沒有一種模型可以適用于任何問題，因此在進(jìn)行學(xué)習(xí)前應(yīng)選擇最適合的機(jī)器學(xué)習(xí)模型。

隨著注射成型智能化的不斷發(fā)展，未來人工智能技術(shù)將在注射成型工藝參數(shù)智能設(shè)置與優(yōu)化問題上發(fā)揮更大的潛力。未來建議在以下幾個方面開展更多的研究：

（1）建立注塑工藝參數(shù)的混合優(yōu)化框架，使每種優(yōu)化方法都能發(fā)揮其最大優(yōu)勢，使工藝參數(shù)達(dá)到更高的精度。

（2）建立以注塑工藝窗口為目標(biāo)的優(yōu)化方法，提高工藝參數(shù)的適用范圍和生產(chǎn)過程的穩(wěn)定性，保證最優(yōu)工藝參數(shù)不僅使單個制品質(zhì)量合格，而且可以保證連續(xù)生產(chǎn)過程中的制品質(zhì)量穩(wěn)定性。