B05 智能型射出成型成品质量预测器之比较与探讨

一、前言

射出成型技术是主要的塑料加工方法之一，其具有成型速度快、成品尺寸控制容易及可大量生产几何形状复杂之产品的优点。在射出过程中除了加工成型条件参数外，仍存在许多不确定性之变因，例如材料扰动与外界温度影响等众多难以控制因素，对产品质量造成重大影响而产生质量变异。因此当射出机台操作人员完成成型条件设定，进行加工，由于射出成型过程受到模具消耗与环境因素等不确定之变因影响而使成型品之质量产生变异。造成产品常常无法获得所期望的成品质量，产生不必要的浪费而提高成本。因此，操作人员必须时时监控机台，采用手动方式修正机台参数甚至将停止机台修正问题，造成不必要之人事成本与加工问题。所以，射出成型产品的质量监视与预测技术为现今相关产业的主要问题之一。

类神经网络理论起源于1950年代，由科学家仿造人类大脑的组织及运作方式之研究所得，其系统架构可以支持多输入多输出、解决非线性问题、能进行学习适应环境变化与不需要了解系统的物理模型为何，而直接以神经网络取代系统的模型等优点。因此，Lau等人[1]以前向式神经网络预测成型条件，并藉由与理想的输出比较修正预测结果。Suzanne等人[2]以保压压力与熔胶温度为网络输入，预测成品重量与长度。Liang[3]采用射出程序中之动态特性变化为性能指针，例如最大填充速度、保压压力、制程时间与射出能量等质量指针(Quality Indicator)，采用径向基底神经网络预测之产品质量。

本文结合实验设计法与类神经网络开发一套智能型质量预测器。实验设计法为寻找在一固定范围之最佳成型条件，采用其实验数据建立以类神经网络为基础之成品质量预测器。本文亦比较三种不同网络架构之神经网络，探讨其预测精度与可行性。

二、 实验设计法

本文采用田口质量方法搜寻在某一成型窗口中之最佳成型条件。由于选定之质量特性为产品重量，因此计算田口方法之S/N比为望目特性(Nominal-the-best-quality)，其计算式为

 (1)

其中  ， 为产品重量平均值，m为产品目标重量，S为标准偏差。

实验中采用L25亦即进行25次实验，与6个控制因子，实验之控制因子分别为(a)射出时间(sec)；(b)射出压力(MPa)；(c)速度/压力切换位置(mm)；(d)保压压力(MPa)；(e)射出速度(mm/sec)。控制之成型条件中，由于已经预先测试部份成型条件，因此将射出时间、速度/压力切换位置与射出压力分别订为1.5mm/sec，8mm与150MPa，而保压压力与射出速度将分别在20~40MPa与50~60mm/sec区分为 5个水平，水平表，如表一所示。

三、质量预测模型

本文探讨静态网络架构之前向式神经网络、动态网络架构之前向式网络架构与径向基底神经网络三种神经网络。建立三种网络之训练数据为采用田口方法之25次实验结果，其中，实验控制因子做为网络之输入，成品质量重量为网络之输出。

3.1 静态网络架构之前向式神经网络(Static Feed-Forward Neural Network, SFNN)

静态三层神经网络架构如图一所示，包含有输入层、隐藏层与输出层。其输入与输出关系为在同一时刻之静态映像，神经网络之输出为

 ](2)

其中,与 为神经网络之连接权重，并采用误差倒传递方式修正连接权重。与为网络偏权值与非线性函数。

3.2 动态网络架构之前向式神经网络(Dynamic Feed-Forward Neural Network, DFNN)

动态三层神经网络架构如图二所示，亦包含有输入层、隐藏层与输出层。在第n个取样时间，网络之输入为第n到第(n-q)与第(n-p)到第(n-1)之实验数据，因此在相同之隐藏层神经元节点数下，其网络输入至少为静态三层神经网络之q倍。输入层之输入为

 (3)

其中，与为在第i个量测数据点在第n个、第(n-1)个与第(n-p)的取样值。与为成品之重量量测值在第(n-1)个与第(n-q)的取样值

输入层之输出为

 (4)

隐藏层神经元之输入为

 (5)

其中， 为输入层与隐藏层之神经元连接权重，  为网络之偏权值。

隐藏层神经元之输出 为

 (6)

输出层之输入与输出分别为

 (7)

与

 (8)

其中， 为神经网络之连接权重，并采用误差倒传递方式修正连接权重。

3.3 径向基底神经网络(Radial Basis Function，RBF)

径向基底神经网络架构如图三所示，其网络架构与前向式神经网络类似，包含输入层、隐藏层与输出层。RBF神经网络常用的径向基函数为高斯函数。其网络输出为

 (9)

其中，H与k为隐藏层与输出层之节点数。 ,  与 分别为隐藏层输出，Euclidean norm与RBF 中心。