龔強，金志明*

（北京化工大學機電工程學院，北京 100029）

0 前言

注射成型加工方法制造的產(chǎn)品目前已在市場上大范圍使用［1］，輕量化等相關需求的出現(xiàn)，新材料的研發(fā)，新工藝的產(chǎn)生對注射成型這類多階段間歇性加工方式提出了更高的要求［2］。聚合物材料在注射加工成型中，制品質(zhì)量受到多個工藝變量的影響，不同工藝變量對成型件的質(zhì)量影響程度存在差異，隨著信息化技術(shù)的發(fā)展及各類數(shù)據(jù)反饋算法的升級，注射成型工藝技術(shù)迭代有了新的方式。在傳統(tǒng)注塑制品質(zhì)量預測控制方法中，預測與控制是分離的，使得注塑工藝參數(shù)施加在產(chǎn)品的過程中具有滯后性。為緩解工藝參數(shù)變化導致的滯后性，常使用直接觀察法、傳感器監(jiān)測法、試模質(zhì)量控制法、工藝參數(shù)控制法等預測控制方法，盡管這些方法隨著相關專家知識系統(tǒng)的完善已經(jīng)有了相當大的提升，但根據(jù)經(jīng)驗積累的技術(shù)水平在實際生產(chǎn)中受到了很大的限制。傳統(tǒng)的注塑制品質(zhì)量控制技術(shù)多屬于半閉環(huán)控制，無法實時高效反饋調(diào)整，其控制邏輯相對剛性固定，重點解決的是精確、快速和穩(wěn)定的控制需求，而在注射過程中出現(xiàn)非工藝參數(shù)的外部擾動時，半閉環(huán)控制策略無法做出響應以維持制品質(zhì)量的高重復精度［3］。基于上述原因，傳統(tǒng)質(zhì)量預測控制方法已基本不再單獨使用。隨著注塑制品質(zhì)量控制領域出現(xiàn)的新的質(zhì)量預測控制方法如模型構(gòu)建、大數(shù)據(jù)算法迭代等，改變了以往傳統(tǒng)的注塑制品質(zhì)量控制方法，使得生產(chǎn)過程更加自動化、信息化和智能化。聚合物材料加工工藝研究需要花費大量的時間和精力去通過實驗獲取數(shù)據(jù)，通過各類模型算法優(yōu)化，使用仿真驗證可以使得研究成本大幅度降低。論文綜述了注射成型工藝周期內(nèi)通過模型算法預測控制注塑制品質(zhì)量的相關方法以供實驗、實際生產(chǎn)參考。

1 基于模型算法的預測控制方法

基于模型算法的注塑制品質(zhì)量預測控制方法是指通過收集和存儲大量的注塑制品質(zhì)量數(shù)據(jù)，并運用數(shù)據(jù)挖掘算法與模型，對數(shù)據(jù)進行建模、分析和預測，為實時監(jiān)控提供較好的支持和決策性工具。注射成型是高度自動化的生產(chǎn)技術(shù)，但在實際生產(chǎn)中注塑制品質(zhì)量預測和控制仍然面臨著響應速度慢、精準程度低、穩(wěn)定性不足、普適性不強等問題，而工藝參數(shù)對制品質(zhì)量的影響相互關聯(lián)，通過測試參數(shù)建立過程變量與注塑制品質(zhì)量關系，監(jiān)測過程變量并利用關系模型預測最終制品質(zhì)量，利用控制系統(tǒng)進行參數(shù)調(diào)控，可對注塑制品質(zhì)量進行控制［4］。模型算法結(jié)合大數(shù)據(jù)技術(shù)、人工智能可從不同的維度對注塑生產(chǎn)過程中的數(shù)據(jù)進行分析和評價，更好地掌握生產(chǎn)過程的細節(jié)和關鍵點，進而有效預測和控制，提高制品質(zhì)量控制的準確性和迅速性，保證產(chǎn)品質(zhì)量與生產(chǎn)效率的兼容。運用模型算法進行注塑制品質(zhì)量預測控制的流程如圖1所示，注塑制品質(zhì)量預測控制常見模型算法及優(yōu)缺點見表1。

圖1 模型算法預測控制注塑制品質(zhì)量流程圖Fig.1 Flow chart for model algorithm predictive control injection molding product quality

表1 注塑制品質(zhì)量預測控制中常見模型算法的突出優(yōu)勢與相對劣勢Tab.1 Outstanding advantages and relative disadvantages of common model algorithms in quality prediction and control of injection molded products

1.1 單目標參數(shù)注塑制品質(zhì)量預測控制

在注塑中對單目標參數(shù)控制有著可操作性強，故障排除簡單等優(yōu)點，因此科研人員對單目標參數(shù)注塑制品質(zhì)量控制開展了大量的工作。

1.1.1 溫度預測控制

熔體溫度是注塑制品質(zhì)量的關鍵參數(shù)之一，在實現(xiàn)制品質(zhì)量預測控制中，溫度控制是最優(yōu)先的參數(shù)。對于溫度控制，自適應網(wǎng)絡技術(shù)的實時監(jiān)測和反饋信息、自動調(diào)整控制參數(shù)和策略、實現(xiàn)對系統(tǒng)動態(tài)變化的適應等特點，對于溫度控制有著明顯的優(yōu)勢。自適應網(wǎng)絡技術(shù)其可以采用不同的方法和算法進行實現(xiàn)，如神經(jīng)網(wǎng)絡、遺傳算法、模糊邏輯等，運用自適應網(wǎng)絡技術(shù)這種可以根據(jù)實際生產(chǎn)中的反饋數(shù)據(jù)自動調(diào)整網(wǎng)絡的構(gòu)架和權(quán)重，發(fā)揮其實時性及高適應性、強魯棒性、高度自動化和可視化呈現(xiàn)等優(yōu)勢，進而提升溫度控制系統(tǒng)的精度與反饋速度。黨霞［5］將傳統(tǒng)比例積分微分（PID）控制與神經(jīng)網(wǎng)絡結(jié)合，開發(fā)了自適應神經(jīng)網(wǎng)絡PID控制的機筒溫度控制系統(tǒng)，與傳統(tǒng)PID控制相比，超調(diào)量更小，抗干擾能力更強，溫度控制精度更高，實現(xiàn)了注塑機溫度的自適應控制。紀春明［6］運用自適應網(wǎng)絡技術(shù)，依據(jù)機筒分段間耦合關系解耦得到的溫度控制解耦矩陣及溫度連續(xù)變化控制方法設計了加熱系統(tǒng)電路控制系統(tǒng)，更加精確地控制了熔體的溫度。張少芳等［7］利用改進PID控制的復合算法提出了注塑機料筒溫度預測模型，該方法結(jié)合粒子群優(yōu)化（PSO）算法、反向傳播（BP）神經(jīng)網(wǎng)絡，使預測效果整體較傳統(tǒng)PID模型準確度提升近12 %，溫度總體趨勢與實際預測數(shù)據(jù)更相近，具有更好的擬合度。部分模型算法注塑中溫度參數(shù)預測控制效果如圖2所示。

圖2 部分模型算法注塑中溫度參數(shù)預測控制效果示意圖Fig.2 Schematic diagram of the predictive control effect of injection molding parameters using the model algorithm

在注射成型工藝中許多數(shù)據(jù)耦合性、非線性特點突出，依靠自適應神經(jīng)網(wǎng)絡技術(shù)往往不能滿足對不穩(wěn)定數(shù)據(jù)的分析優(yōu)化，結(jié)合模糊算法等改進可提升溫度控制精準度。胡亞南等［8］將模糊算法與神經(jīng)網(wǎng)絡算法結(jié)合，將機筒溫度控制過程轉(zhuǎn)變?yōu)闊o耦合系統(tǒng)。大幅度提高了機筒溫度控制精度度并縮短了擾動恢復時間。注塑溫度控制也可設計在制品冷卻成型時進行預測控制，在模具溫度控制設計中嵌入模型進行優(yōu)化。Christian Hopmann等［9］設計了分段動態(tài)模具溫度控制系統(tǒng)，針對注塑熔體的PVT特性進行控制，改進傳統(tǒng)PTV模型，實現(xiàn)了制品成型階段預測控制提升。

1.1.2 壓力預測控制

注塑系統(tǒng)中傳統(tǒng)的PID控制方法過于依賴數(shù)學模型，PID控制參數(shù)通常固定不變，而注塑機液壓系統(tǒng)又是一個時變、非線性和強耦合的復雜系統(tǒng)，傳統(tǒng)PID控制效果局限性較大。

沈艷河等［10］結(jié)合徑向基函數(shù)（RBF）神經(jīng)設計了注塑機壓力恒定控制系統(tǒng)，實現(xiàn)了PID參數(shù)的自適應在線調(diào)整，仿真發(fā)現(xiàn)該算法超調(diào)量小，響應速度快。黃曉萍等［11］通過PSO算法對BP神經(jīng)網(wǎng)絡PID進行優(yōu)化，以克服BP神經(jīng)網(wǎng)絡收斂速度慢和容易陷入局部最小值的缺陷，實現(xiàn)控制參數(shù)的在線自適應調(diào)整。仿真表明，改進后算法明顯提高了注塑機液壓系統(tǒng)的控制精度，并且響應速度提升約25 %。王浩等［12］引入量子遺傳算法對注塑機PID系統(tǒng)參數(shù)進行全局尋優(yōu)，以累積誤差作為目標函數(shù)，動態(tài)調(diào)節(jié)PID參數(shù)，超調(diào)量更小、運算速度更快，產(chǎn)品質(zhì)量誤差均在1 %以內(nèi)。Chien-Jung Chen等［13］研究設計了一個實驗系統(tǒng)來模擬注射成型過程中的注射階段，實驗中使用了不同采樣率的微控制單元（MCU），設計了自整定模糊PID控制器，實現(xiàn)了更好的響應性和更穩(wěn)定的注塑壓力控制。

預測灰色系統(tǒng)可對含有不確定因素的系統(tǒng)進行預測，分析系統(tǒng)因素間發(fā)展趨勢的相異程度，尋找系統(tǒng)變動的規(guī)律，生成數(shù)據(jù)序列，建立微分方程模型，來預測注塑制品的質(zhì)量。為克服常規(guī)注塑壓力控制中超調(diào)量大的問題，Shuo Wang等［14］提出了一種灰色模糊PI（GFPI）控制器，將預測灰色系統(tǒng)、魯棒模糊推理和PI控制相結(jié)合，將GFPI控制器實現(xiàn)為MCU，證實了利用這些數(shù)學模型和控制算法，可一定程度上消除超調(diào)量。

型腔壓力保持對制品的最終質(zhì)量也有一定影響。Ch.Hopmann等［15］根據(jù)注射成型過程的重復性，運用范數(shù)最優(yōu)迭代學習控制與簡單續(xù)控制器相結(jié)合，反復在周期內(nèi)改進型腔壓力的參考跟蹤，實現(xiàn)了自動補償重復性干擾，提高了型腔壓力分布的跟蹤精度。

1.1.3 注射速度預測控制

Oleksandr Veligorskyi等［16］提出的基于人工神經(jīng)網(wǎng)絡的注射螺桿和針式噴嘴定位控制器，使用反向傳播算法來訓練人工神經(jīng)網(wǎng)絡，對電機電流控制進而精準控制注射速度。黎耀東［17］結(jié)合深度神經(jīng)網(wǎng)絡學習設計了一種注塑過程預測控制方法來實現(xiàn)注射速度的跟蹤預測控制，提升了計算的效率，計算時間從12.62 ms下降至0.32 ms。羅亮等［18］提出了基于閉環(huán)PD型迭代學習控制的注射速度軌跡跟蹤控制算法，利用輸出偏差修正不理想的控制信號，實現(xiàn)期望軌跡的跟蹤。仿真表明：該控制器能有效跟蹤期望的注射速度軌跡，系統(tǒng)誤差接近于0，響應速度更快，超調(diào)量更小，穩(wěn)定性更高。Christoph Froehlich等［19］將液壓執(zhí)行器系統(tǒng)的第一原理模型與注射過程的唯象過程模型相結(jié)合，提出了注射過程中計算高效且可擴展的數(shù)學模型，計算復雜度低，可提高注射速度的控制精度。

對于不同的參數(shù)，選取不同的模型算法針對性提升，如在熔體溫度控制中使用改進PID控制較多且改進效果較為明顯，在壓力控制中引入算法優(yōu)化模型，可較明顯地降低壓力波動，提升壓力控制的穩(wěn)定性，在注射速度的控制中，引入模型算法優(yōu)化則可實現(xiàn)較為精準的實時跟蹤。以上研究表明，使用單目標參數(shù)注塑制品質(zhì)量預測控制的方法，可從實時數(shù)據(jù)和模型的反饋，自動調(diào)整控制策略，使熔體溫度、注射壓力、注射速度等參數(shù)得到精確控制，進而保證制品質(zhì)量的穩(wěn)定性和一致性，有效地預測控制了制品可能存在的缺陷，提高注塑制品質(zhì)量的預測控制效果。

1.2 多目標參數(shù)注塑制品質(zhì)量預測控制

注射成型工藝復雜性高，其中許多參數(shù)間存在著耦合關系，實際生產(chǎn)中，單目標參數(shù)的優(yōu)化局限性較大，對多目標參數(shù)進行注塑制品質(zhì)量預測控制，可使注塑制品質(zhì)量提升明顯，對于注射成型工藝的流程進化有著重要的推進作用。

1.2.1 過程預測控制優(yōu)化

過程預測指在注塑過程中對多參數(shù)進行同時控制，以實現(xiàn)最終注塑制品質(zhì)量的優(yōu)化。Dong-Cheol Yang等［20］使用人工神經(jīng)網(wǎng)絡方法，從多輸入單輸出和多輸入多輸出的角度預測了注塑產(chǎn)品的質(zhì)量，發(fā)現(xiàn)隨著輸出變量數(shù)量的減少，預測性能可實現(xiàn)提升。Jun-Han Lee等［21］構(gòu)建了一個以熔體溫度、模具溫度、注射速度、填充壓力、填充時間和冷卻時間為輸入?yún)?shù)，注塑產(chǎn)品的質(zhì)量、標稱直徑和高度為輸出參數(shù)的單任務學習結(jié)構(gòu)和多任務學習結(jié)構(gòu)人工神經(jīng)網(wǎng)絡預測模型，發(fā)現(xiàn)應用多任務學習結(jié)構(gòu)人工神經(jīng)網(wǎng)絡的預測值與單任務學習結(jié)構(gòu)相比具有較低的均方根誤差。

為實現(xiàn)具體的預測控制提升，根據(jù)不同制品質(zhì)量要求可進行針對性優(yōu)化。Yan-Mao Huang等［22］利用神經(jīng)網(wǎng)絡技術(shù)，在成型參數(shù)中輸入塑料溫度、模具溫度、注射速度、保壓壓力和保壓時間，預測出EOF壓力、最大冷卻時間、沿z軸翹曲、沿x軸收縮率和沿y軸收縮率。使用CAE分析數(shù)據(jù)作為訓練數(shù)據(jù)，通過田口法和隨機洗牌法將誤差值降低到5 %以下，利用遷移學習證實了該模型可快速準確地預測結(jié)果。Junhan Lee等［23］以熔體溫度、模具溫度、注射速度、填充壓力、填充時間和冷卻時間為輸入?yún)?shù)，以注塑件的質(zhì)量、直徑和高度為輸出參數(shù)，構(gòu)建人工神經(jīng)網(wǎng)絡模型，其預測性能優(yōu)于線性回歸和二階多項式模型的預測結(jié)果。季寧等［24］以塑件的體積收縮率和縮痕指數(shù)為控制目標，模具溫度、熔體溫度、保壓時間、保壓壓力、冷卻時間為試驗因素，構(gòu)建試驗因素與控制目標之間的RBF神經(jīng)網(wǎng)絡模型，提升了注塑成型質(zhì)量的控制與預測。以上研究表明通過針對注塑制品質(zhì)量要求，選取合適的參數(shù)控制，進而構(gòu)建模型，以算法更新，是行之有效的辦法。

盡管注塑制品質(zhì)量是最終目標，但在過程預測控制中，模型準確度及高效性仍然是對于降低成本、提高生產(chǎn)力必不可少的研究。因此Hanjui Chang等［25］將人工神經(jīng)網(wǎng)絡和可識別性能評價方法結(jié)合提出了一種深度學習網(wǎng)絡應用于注塑質(zhì)量預測。監(jiān)測模腔內(nèi)實時壓力數(shù)據(jù)，選取質(zhì)量指標并采用可識別的性能評價方法和Pearson相關系數(shù)評估它們與成型質(zhì)量的相關性，提高了模型的預測精度。Joseph C Chen等［26］利用模內(nèi)溫度和壓力傳感器實時提取的數(shù)據(jù)，開發(fā)了一種準確率高達98.34 %的基于人工神經(jīng)網(wǎng)絡的在線缺陷檢測系統(tǒng)。將該模型應用于缺陷檢測時，缺陷檢測準確率可達到94.4 %。Allen Jonathan Roman等［27］在研究基于神經(jīng)網(wǎng)絡的注射成型表面缺陷預測方法時發(fā)現(xiàn)使用熔體流動指數(shù)和松弛時間等流變參數(shù)可提高預測精度，使用貝葉斯優(yōu)化方法優(yōu)化時，發(fā)現(xiàn)優(yōu)化后的模型全特征結(jié)構(gòu)精度高，但誤差范圍大，呈現(xiàn)過擬合態(tài)勢，5個輸入?yún)?shù)下準確率為90.2 %±4.4 %，而7個輸入?yún)?shù)優(yōu)化結(jié)構(gòu)準確率為92.4 %±11.4 %。

Yannik Lockner等［28］研究證明了使用人工神經(jīng)網(wǎng)絡替代模型，運用遷移學習收集數(shù)據(jù)補充訓練數(shù)據(jù)集，證實了遷移學習結(jié)合人工神經(jīng)網(wǎng)絡方法對于小數(shù)據(jù)集有更高的模型質(zhì)量和選擇性更高的漸近線，對于注塑制品的制品質(zhì)量預測及控制提供了思路。

隨著人工智能的發(fā)展，在范圍內(nèi)尋優(yōu)的可能性隨之增大，通過多模型算法聯(lián)用，可實現(xiàn)大范圍局部優(yōu)化，降低制品質(zhì)量與參數(shù)相關的耦合度，便于尋找更優(yōu)的設計。

1.2.2 結(jié)果預測控制優(yōu)化

以結(jié)果質(zhì)量為導向針對整體成型工藝的調(diào)控可在全局優(yōu)化中取得顯著的效果，么大鎖等［29］運用RBF神經(jīng)網(wǎng)絡模型和遺傳算法，運用帶精英策略的非支配排序遺傳算法對注塑成型工藝參數(shù)進行多目標優(yōu)化，經(jīng)過模擬和試模驗證，最終生產(chǎn)出檢測儀外殼最大翹曲變形量為0.394 mm，且外觀無縮痕，誤差小。

Zhijun Yuan 等［30］以典型汽車內(nèi)飾件為例，建立了考慮目標參數(shù)和影響因素的數(shù)學模型，分析了注塑制品的凹痕和翹曲問題，并使用多目標遺傳算法來確定沖擊參數(shù)的最優(yōu)組合。凹痕和翹曲的實驗值與理論值的誤差分別為7.95 %和0.2 %。

傳統(tǒng)注塑制品質(zhì)量預測控制中對于質(zhì)量的定義，常依靠人工目測或轉(zhuǎn)而進行相關性能測試，效率低，準確性低，且成本高，使得自動缺陷檢測成為迫切需求。Jiahuan Liu等［31］提出了一種知識重用策略來訓練卷積神經(jīng)網(wǎng)絡（CNN）模型，引入遷移學習和數(shù)據(jù)增強，將來自其他視覺任務的知識遷移到注塑缺陷檢測任務。實驗結(jié)果表明該模型較傳統(tǒng)的CNN模型和支持向量機方法準確率可提高約12 %，可達近99 %。

Bruno Silva 等［32］利用人工神經(jīng)網(wǎng)絡和支持向量機算法，根據(jù)數(shù)據(jù)的時間性質(zhì)，提出并評估了一種窗口化方法，建立了零件質(zhì)量分類模型。該模型提升分類效果，能夠結(jié)合過程變量之間的非線性關系，從而在缺陷識別方面實現(xiàn)約99 %的準確性。

依據(jù)制品結(jié)果質(zhì)量判別進行實際預測控制，可以有效提升信息反饋的效率，對于整體參數(shù)控制進而持續(xù)調(diào)整優(yōu)化制品質(zhì)量有著重大的作用。尤其是在制品有特殊要求的情況下，可以高效的反饋機制進行調(diào)整，提高響應速率，在滿足制品生產(chǎn)要求的情況下可有效降低成本。

2 結(jié)語

在注塑工藝中，在單目標參數(shù)注塑制品質(zhì)量預測控制中，目前仍以運用算法模型改進PID控制為主，持續(xù)拓展多種模型算法以改良現(xiàn)有控制方法，實現(xiàn)注塑制品質(zhì)量的缺陷針對性提升。在多目標參數(shù)注塑制品質(zhì)量預測控制中，常使多種算法模型聯(lián)合控制，以人工神經(jīng)網(wǎng)絡為主，對于高精度要求的制品使用較多?？梢姴捎眠m當?shù)膮?shù)優(yōu)化算法能夠有效地提高制品質(zhì)量的預測和控制精度，通過整合大數(shù)據(jù)算法和模型構(gòu)建，可以更好地利用已有數(shù)據(jù)，為注塑制品質(zhì)量的預測和控制提供支持。這一研究對于注塑工藝的優(yōu)化和提升制品質(zhì)量具有重要意義，也將有助于推動整個注塑工藝的發(fā)展和進步。

隨著技術(shù)迭代發(fā)展，注塑制品質(zhì)量預測控制的要求越來越嚴格，甚至對于環(huán)境擾動等因素也需要考慮在內(nèi)，目前已有許多研究者考慮如何將一些大數(shù)據(jù)算法、模型構(gòu)建結(jié)合起來，充分運用各自的優(yōu)勢，整體推動注塑制品質(zhì)量的預測和控制，其發(fā)展方向如下：

（1）以注塑制品質(zhì)量間的耦合關系解耦為目標，降低目標參數(shù)的量，降低優(yōu)化目標難度，提升質(zhì)量預測控制效果。

（2）在整體優(yōu)化之上構(gòu)造頂層設計算法進行分析判斷，對不同的制品定義不同的目標參數(shù)要求的同時通過篩選模型、采樣方法與采樣參數(shù)，使算法優(yōu)化模型，模型優(yōu)化算法，不斷提升對目標進行預測控制的效果。

（3）結(jié)合結(jié)果判斷，運用機器視覺進行質(zhì)量識別，構(gòu)建分類器模型判斷制品質(zhì)量，自動調(diào)整工藝參數(shù)，構(gòu)建全自動注塑系統(tǒng)，提升系統(tǒng)自愈化性能。