人工智能在注射成型参数设置及优化中的研究进展

2022-01-27郑方莉傅南红焦晓龙杨卫民谢鹏程

中国塑料 2022年1期

郑方莉，傅南红，焦晓龙，杨卫民，谢鹏程

（1.北京化工大学机电工程学院，北京 100029；2.宁波长飞亚塑料机械制造有限公司，浙江宁波 315000；3.海天塑机集团有限公司，浙江宁波 315801）

0 前言

注射成型以其自动化程度高、成型周期短、可成型结构复杂的制品等优势，成为最重要的塑料成型方式之一[1]。注塑制品质量的影响因素大致可分为3个层面[2⁃3]，分别是机器参数、工艺参数以及质量指标，其中工艺参数包括模具温度、熔体温度、注射速度、填充时间、保压时间等。

传统的注塑生产过程依赖于工艺人员的经验[4]，如图1所示，初始工艺参数设置不仅受到材料和机器特性的影响，还受到每台设备自身的影响，因此每一个注塑周期完成后都要对制品质量进行检测评估，当制品不符合质量标准时，该制品将被淘汰，然后重新调整工艺参数，进入下一个周期的生产，在进行反复的叠代后，工艺过程才可能得到有效的控制并投入规模化生产，生产成本会随着制品复杂程度的提高而上升，而且当工艺人员的技能和水平存在差异时，工艺参数的设置也会存在优劣之分，这势必会造成生产周期的延长[5]和生产成本的提高[6]。因此，建立精确快速的工艺参数智能化设置和优化方法是信息化时代的趋势。

图1 传统工艺参数设置过程Fig.1 Traditional process parameter setting process

中国制造2025提出了推进信息化与工业化深度融合的战略任务，智能制造成为主攻方向[7]。注射成型工艺参数设置是一个强经验、弱理论的领域，而且工艺参数与制品质量之间关系复杂[8]。人工智能是一种基于科学计算而非经验来实现工艺参数智能设置的方法，可使设备达到最佳生产状态的速度大大提升，有效降低了生产成本。人工智能技术与注射成型工艺的结合一直是国内外学者研究的重点，已经经历了很多年的发展[9]。专家系统和案例推理、进化计算和机器学习作为人工智能的重要分支，在注射成型工艺参数的智能设置和优化方面作出了突出贡献。本文主要对以上3类注射成型工艺参数设置及优化的人工智能技术的研究现状进行了综述，如图2所示。

图2 人工智能在注射成型工艺优化中的应用Fig.2 Application of artificial intelligence in injection molding process optimization

1 专家系统和案例推理

专家系统（expert system）[10⁃11]是人工智能的一个分支，它运用人工智能技术和计算机技术进行推理和判断，来模拟通常由专家才能解决的复杂问题，达到与专家同等解决问题的水平。对于很难用确定关系式来描述的工艺参数与制品质量的关系来说，强调知识和经验的专家系统成为注塑制品工艺优化的重要方法。Chaves等[12]建立了一个基于模糊逻辑的专家系统，可快速设定工艺参数，极大缩短了生产周期。Shelesh⁃Ne⁃zhad和Siores[13]通过基于规则和基于实例的混合专家系统来模拟注射成型工艺设计，获得最优参数设置。Tzy⁃Cherng等[14]建立了一个分层次的专家系统，通过逐步优化解决偏差，并把所建立的专家系统模块化，可一次性完成对一种材料的调查。辛勇等[15]针对薄壁注塑制品的成型缺陷，开发了一个基于知识推理和模糊推理的专家系统，实现了薄壁制品的参数优化和缺陷消除，为提高薄壁制品的成型质量提供了一个可行性方法。

专家系统被认定为是一种对于工艺参数优化十分适合的方法，然而在实际生产中存在着两方面的困难，一是专家知识的获取困难，专家系统可以进行正确推理的前提是获取正确的专家知识，这通常由与经验丰富的工艺人员交流达到，但由于无法对获取的知识进行正确的评估，使得这一过程变得困难。二是由于注塑工艺的复杂化，其过程和原理不易整理成简单的规则，使专家知识的表达变得困难。

案例推理[16]是基于过去案例的解决方案来解决当前问题的方法，实现了相似案例索引以及从源案例解决方案到目标案例的适应过程。

Zhou和Peng[17]建立了一个案例推理和模糊推理相结合的智能系统，进行注塑工艺初始参数设置和缺陷修正，所开发的系统已通过实例验证，大大减少了注射成型的试验周期和对人工经验的依赖。Yu等[18]提出了一个基于压力分布的案例推理技术，获得了可行的注射成型工艺参数。Sara等[19]建立了一种基于案例推理的塑料制品生产智能检测系统，该系统比传统方法运行速度快，产品质量稳定。

案例推理通过对过去案例的检索和对比，对目标案例的参数设置起到较好的指导作用，而且过去案例的数量越多，目标案例的参数设置越高效精确。但由于制品和模具特征的复杂性，目前常用的流长比、壁厚等参数不足以精确地描述制品和模具的特征；过去案例的收集和整理也是一个难题，而且会直接影响到案例的匹配，目前仍缺乏有效的处理策略。

2 进化算法

2.1 遗传算法

遗传算法（GA）是一种模拟自然界优胜劣汰、适者生存法则的非梯度优化算法，具有获得全局最优解的能力，常被用于求解最优模型。

Lu等[20]利用遗传算法对注射成型过程进行多目标优化。Deng等[21]采用遗传算法优化注射成型条件，将优化结果与穷举搜索方法的结果进行比较，证明了遗传算法在寻找全局最优解方面的准确性。

为了提高遗传算法的性能，很多研究人员采用对遗传算法进行改进或把遗传算法与其他算法相结合的方法进行工艺参数的设置和优化。Wu等[22]提出了一种改进的分布式多种群遗传算法，有效减少了制品熔接痕和翘曲变形。Zhao等[23]提出了一个针对注塑制品质量多目标优化的框架，在满足加工参数与零件质量度量之间非线性关系的条件下，基于非支配排序的遗传算法II（NSGA⁃II）使最优解具有更好的分布和更好的收敛性。Deng等[24]通过将遗传算法与模式追踪采样方法相结合，搜寻使注射成型翘曲最小的最佳工艺参数。Meiabadi等[25]采用遗传算法和人工神经网络模型来确定特殊零件注射成型的最佳工艺条件。Zou等[26]提出了一种基于遗传算法优化的预测容错控制方法，以实现更好的控制性能，通过对注射速度进行研究，证明了该方法的有效性。Ozcelik和Erzurumlu[27]利用遗传算法和人工神经网络相结合的方法优化注射成型薄壁塑件翘曲变形。

遗传算法以生物进化为原型，具有良好的全局搜索能力，而且收敛性高、计算时间少、鲁棒性高，但搜索速度较慢，需要较多的计算时间才可以达到较高的精度，可对其进行改进或结合其他算法以提高搜索速度和计算精度。

2.2 粒子群优化算法

粒子群优化算法（PSO）是一种全局优化算法，它最初是由Kennedy和Eberhart提出的，基本思想是通过群体中个体之间的协作和信息共享来寻找最优解。因其快速、高效等优势成为解决多目标优化问题的主要方法之一。

与遗传算法相比，由于需要调整的参数较少，粒子群算法以更快、更经济的方式获得了更好的结果。Xu等[28]开发了一个基于粒子群神经网络模型的多输入多输出塑料注射成型工艺参数优化系统，可有效地确定最佳工艺条件，提高产品质量。粒子群算法在叠代过程中把最优粒子的信息传递给其他粒子，搜索速度快，但由于没有对速度的动态调节，容易陷入局部最优，导致收敛精度降低或不收敛，一些研究人员对粒子群算法进行改进，或与其他算法相结合，共同提高收敛精度。Kumar等[29]提出了一种改进的粒子群优化算法，成功预测了薄壁继电器零件的最小收缩和翘曲值。Chen等[30]建立了一个智能优化系统，采用改进的粒子群优化算法来寻找保证产品质量和过程稳定性的最佳参数设置，并进行了验证实验以评估所提出系统的有效性。Xu等[31]把粒子群优化算法和神经网络相结合来优化注射成型薄壳聚合物制品的力学响应，为冲击载荷下的聚碳酸酯车窗确定了最佳工艺参数，有效提升了产品的力学性能。

粒子群算法和遗传算法是两种常见的全局优化方法，两种算法的搜索过程都是从一个集合而不是个体开始，降低了陷入局部最小的概率，提高了计算效率。但PSO具有记忆功能，可将粒子知识保存，GA则无法进行记忆，过去的知识会随着种群的改变被打乱。在收敛性方面，GA可对收敛速度进行估计，PSO尽管可能以更快的速度收敛于最优解，但缺少成熟的收敛性分析。面对高维问题，GA的收敛速度会变慢甚至较难收敛，而PSO可以较好地应用于高维问题。

3 机器学习

3.1 人工神经网络

人工神经网络（ANNs）是预测非线性问题的有力工具，已被成功开发用于预测注射成型工艺参数与制品质量之间的关系，其优势在于具有通过学习映射出输入数据和输出数据之间的映射关系的能力。

Tsai等[32]将人工神经网络和遗传算法相结合，建立了光学透镜质量预测模型，极大提高了透镜的形状精度。Guo等[33]提出了一种人工神经网络和强化学习相结合的注塑工艺优化决策系统，并用实例验证了该系统的鲁棒性和实用性。Chen等[34]建立了基于人工神经网络的注射成型在线缺陷检测系统，缺陷检测率高达94.4%。

BP神经网络（BPNN）是一种按照误差逆向传播算法训练的多层前馈网络，具有响应速度快、学习精度高等优点[35]，是目前应用最广的神经网络模型之一。Cai等[36]建立了BP神经网络模型，对注塑制品模具工艺参数进行预测，生产出表面质量良好的制品。Chen等[37]建立了一个BPNN质量预测器，并与田口方法和遗传算法相结合，以找到注塑制品最佳参数设置，结果表明，该优化方法能有效地确定最佳工艺参数。Lee等[38]提出了以自组织神经网络和BP神经网络为核心的系统框架来推导最优工艺参数组合。Yan等[39]利用BP神经网络预测薄壁外壳制品的翘曲变形，具有较高的预测精度，为制品模具的生产提供了参考。

Song等[40]建立了双层隐层BP神经网络，并分别与GA和支持向量机（SVM）相结合，结果表明BP⁃GA⁃SVM相结合的方法能更准确地预测注塑制品的收缩和翘曲。Li等[41]把BP神经网络与遗传算法相结合，确定了使注塑制品翘曲量最小的工艺参数组合。Ekta等[42]利用BP神经网络来探究工艺参数与制品翘曲之间的关系，然后寻找最优参数设置以最小化翘曲。Chen等[43]将BP神经网络分别与遗传算法和戴维登⁃弗莱彻⁃鲍威尔（DFP）算法相结合的注塑工艺优化结果作了对比，结果表明BP神经网络与遗传算法相结合的的方法可起到更好的优化效果。Fei等[44]建立了一个结合BP神经网络、遗传算法的混合优化方法，以翘曲和锁模力为优化目标，确定注射成型工艺的最佳参数组合。

虽然人工神经网络在注射成型工艺参数设置方面应用广泛，但也有其局限性，它的学习过程像一个黑盒，确定神经网络架构并输入数据后，无法控制输出，因此也无法评估输入数据和输出数据之间关系的准确性。神经网络节点和隐藏层的数量设置也十分关键，如果输入的数据超出神经网络的预测能力，便无法产生预期的结果。

3.2 径向基函数法

1985年，Powel首次提出了多变量插值的径向基函数（RBF）方法，RBF神经网络结构具有局部映射特性，收敛速度快，可以以任意精度逼近任意连续函数。

Kitayama[45]提出径向基函数可以通过少量的函数评估找到近似的全局最小值。Hashimoto等[46]采用径向基函数网络对注塑工艺参数进行优化，有效减少了熔接痕和生产循环时间。Kitayama等[47⁃48]建立了基于径向基函数的顺序近似优化方法，通过优化变压力曲线，大大减少了翘曲变形。Satoshi等[49]提出了一种基于径向基函数的冷却通道数值优化方法，确定了对缩短制品循环时间和减小制品翘曲量最有效的冷却通道形式。Kitayama和Natsume[50]采用径向基函数网络进行模拟退火算法来识别帕累托前沿，找到了在短射约束下使体积收缩和夹紧力最小化的最佳工艺参数。

一些研究人员通过把径向基函数与其他算法相结合来优化工艺参数。Satoshi等[51]利用径向基函数网络的顺序近似优化来识别帕累托边界，并结合数值模拟优化了注射成型过程中产生的熔接痕缺陷。Feng等[52]提出了一种混合多目标优化方法来寻找注塑工艺参数的最优点，并通过实验验证了此混合多目标优化算法的准确性。

与BP神经网络相比，RBF神经网络具有良好的鲁棒性和记忆能力，可以实现连续函数的最佳逼近，且逼近精度优于BP神经网络，而且收敛速度快。BP神经网络采用梯度下降法，由于学习速率固定，因此收敛速度较慢，容易陷入局部最优，RBF是一种前馈型神经网络，据有优越的全局逼近能力，解决了BP的局部最优问题。但RBF神经网络的非线性映射能力主要由基函数的中心确定，若中心选取不当，构造出的RBF神经网络的性能显然也是不佳的。

3.3 高斯过程

高斯过程（GP）是一种常用的监督学习方法，常用于解决回归问题和概率分类问题。高斯方法[53]通过统计的方法直接找到最可能的值以及期望响应的方差，为从更大的目标空间中找到最佳替代模型提供了更大的灵活性。

Zhou和Turng[54]首次将高斯代理模型用于注射成型优化，建立了一种基于高斯过程的自适应优化系统，有助于工程师更有效地确定最佳工艺条件，证明了高斯模型在注射成型优化领域的适用性和可行性。Xia等[55]建立了基于高斯代理模型的改进优化准则，快速找到最优工艺参数组合，有效降低了翘曲变形。Wang等[56]使用基于高斯过程的顺序优化方法使制品翘曲量最小化。Luo等[57]建立了一个混合效应高斯过程模型来预测注射成型过程中不同模具填充时的熔体流动长度，并用实例证明了该混合模型的性能优于传统高斯模型。

由于高斯过程是一个非参数模型，在遇到数据量很大且高斯过程未经优化时，数据处理会变得较为困难。

3.4 支持向量机

SVM是一种监督式的机器学习方法，可以对训练数据进行正确的划分并构建间隔最大的分类超平面，成为小样本注射成型工艺窗口构建的重要方法之一。

Zhao等[58]采用支持向量分类器和粒子群优化算法构造分类超平面，将参数优化问题转化为权重分类问题，有效提高了参数优化精度。Yu等[59]利用SVM分类器和模拟样本预测计算效率和预测过程窗口，并验证预测工艺窗口的可靠性。Tripathi等[60]采用支持向量回归模型对注塑过程的工艺变量数据进行分析以确定关键过程变量，进而得出由于相关过程变量的相互依赖性，不同材料类型的可预测性各不相同的结论。

支持向量机适用于小样本的分类问题，若遇到大规模训练样本则难以实施。在多分类问题面前，支持向量机同样无法解决，可通过构造多个支持向量机分类器或与其他算法相结合的方法解决多分类问题。