B05 智能型射出成型成品质量预测器之比较与探讨

四、结果与讨论

4.1田口品质实验法

根据实验结果，在25次实验中产品重量在 10.52g至10.64g间变化。各个控制因子之S/N响应结果如图4所示。每个程型条件之最佳控制因子分别为 A3、B1、C3、D5与E2，亦即成型条件为(a)射出时间为1.5 sec；(b)射出压力为150 MPa；(c)速度/压力切换位置为8 mm；(d)保压压力为40 MPa；(e)射出速度为5.2.5 mm/sec。

4.2静态网络架构之前向式神经网络预测器

静态网络架构之前向式神经网络之训练结果如图5(a)所示。结果显示，训练之均方根误差为0.0005 g，最大绝对误差为0.0016 g。

质量预测器训练完成后，使用其他之实验数据共50组，进行预测精度探讨与比较。预测结果如图5(b)所示，预测之均方根误差为0.0088 g，最大绝对误差为0.0248 g。

4.3动态网络架构之前向式神经网络预测器

动态网络架构之前向式神经网络之训练结果如图6(a)所示。结果显示，训练之均方根误差为0.00004 g，最大绝对误差为0.0001 g。

使用其他之实验数据共50组，进行预测精度探讨。预测结果如图6(b)所示，预测之均方根误差为0.0105 g，最大绝对误差为0.0323 g。

4.4径向基底神经网络预测器

径向基底神经网络之训练结果如图7(a)所示。结果显示，训练之均方根误差为0.0043 g，最大绝对误差为0.0163 g。

使用其他之实验数据共50组，进行预测精度探讨。预测结果如图7(b)所示，预测之均方根误差为0.0109 g，最大绝对误差为0.0328 g。

4.5综合比较

三个神经网络之训练与预测结果如表2所示。根据训练结果之比较结果，动态网络架构之前向式神经网络之训练结果优于静态网络架构之前向式神经网络与径向基底神经网络。其均方根误差与最大绝对误差分别为0.00004 g与0.0001 g。动态网络架构之前向式神经网络之预测结果优于静态网络架构之前向式神经网络与径向基底神经网络。其均方根误差与最大绝对误差分别为0.0088 g与0.0248 g。

五、结论

本文结合实验设计方法与类神经网络发展一套智能型射出成型质量预测系统。其中实验设计法为搜查成型条件窗口，且采用实验结果数据建立以神经网络为基础之产品质量预测器。根据仿真与预测结果，动态网络架构之前向式神经网络具有较佳之训练结果，静态网络架构之前向式神经网络之预测结果较佳。本文之结果可提供进一步进行更详细之分析与探讨时选择质量预测器之参考依据。

六、参考文献

[1] H.C.W. Lau, A. Ning, K.F. Pun and K.S. Chin, “Neural networks for the dimensional control of molded parts based on a reverse process model,” Journal of Materials Processing Technology, Vol. 117, pp.89-96, 2001. 

[2] L. B. Suzanne and J. C. Douglas, “Online pattern-based part quality monitoring of the injection molding process,” Polymer Engineering and Science, Vol. 36, No. 11, pp.1477-1488, 1996.

[3] J.-M. Liang, “Analysis of integrated intelligent process control in injection molding,” PhD. Thesis, Department of Power Mechanical Engineering, National Tsing Hua University, Apr. 2002.