人工智能在注射成型參數設置及優化中的研究進展

鄭方莉，傅南紅，焦曉龍，楊衛民，謝鵬程

（1.北京化工大學機電工程學院，北京 100029；2.寧波長飛亞塑料機械制造有限公司，浙江 寧波 315000；3.海天塑機集團有限公司，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、可成型結構復雜的制品等優勢，成為最重要的塑料成型方式之一[1]。注塑制品質量的影響因素大致可分為3個層面[2?3]，分別是機器參數、工藝參數以及質量指標，其中工藝參數包括模具溫度、熔體溫度、注射速度、填充時間、保壓時間等。

傳統的注塑生產過程依賴于工藝人員的經驗[4]，如圖1所示，初始工藝參數設置不僅受到材料和機器特性的影響，還受到每臺設備自身的影響，因此每一個注塑周期完成后都要對制品質量進行檢測評估，當制品不符合質量標準時，該制品將被淘汰，然后重新調整工藝參數，進入下一個周期的生產，在進行反復的疊代后，工藝過程才可能得到有效的控制并投入規模化生產，生產成本會隨著制品復雜程度的提高而上升，而且當工藝人員的技能和水平存在差異時，工藝參數的設置也會存在優劣之分，這勢必會造成生產周期的延長[5]和生產成本的提高[6]。因此，建立精確快速的工藝參數智能化設置和優化方法是信息化時代的趨勢。

圖1 傳統工藝參數設置過程Fig.1 Traditional process parameter setting process

中國制造2025提出了推進信息化與工業化深度融合的戰略任務，智能制造成為主攻方向[7]。注射成型工藝參數設置是一個強經驗、弱理論的領域，而且工藝參數與制品質量之間關系復雜[8]。人工智能是一種基于科學計算而非經驗來實現工藝參數智能設置的方法，可使設備達到最佳生產狀態的速度大大提升，有效降低了生產成本。人工智能技術與注射成型工藝的結合一直是國內外學者研究的重點，已經經歷了很多年的發展[9]。專家系統和案例推理、進化計算和機器學習作為人工智能的重要分支，在注射成型工藝參數的智能設置和優化方面作出了突出貢獻。本文主要對以上3類注射成型工藝參數設置及優化的人工智能技術的研究現狀進行了綜述，如圖2所示。

圖2 人工智能在注射成型工藝優化中的應用Fig.2 Application of artificial intelligence in injection molding process optimization

1 專家系統和案例推理

專家系統（expert system）[10?11]是人工智能的一個分支，它運用人工智能技術和計算機技術進行推理和判斷，來模擬通常由專家才能解決的復雜問題，達到與專家同等解決問題的水平。對于很難用確定關系式來描述的工藝參數與制品質量的關系來說，強調知識和經驗的專家系統成為注塑制品工藝優化的重要方法。Chaves等[12]建立了一個基于模糊邏輯的專家系統，可快速設定工藝參數，極大縮短了生產周期。Shelesh?Ne?zhad和Siores[13]通過基于規則和基于實例的混合專家系統來模擬注射成型工藝設計，獲得最優參數設置。Tzy?Cherng等[14]建立了一個分層次的專家系統，通過逐步優化解決偏差，并把所建立的專家系統模塊化，可一次性完成對一種材料的調查。辛勇等[15]針對薄壁注塑制品的成型缺陷，開發了一個基于知識推理和模糊推理的專家系統，實現了薄壁制品的參數優化和缺陷消除，為提高薄壁制品的成型質量提供了一個可行性方法。

專家系統被認定為是一種對于工藝參數優化十分適合的方法，然而在實際生產中存在著兩方面的困難，一是專家知識的獲取困難，專家系統可以進行正確推理的前提是獲取正確的專家知識，這通常由與經驗豐富的工藝人員交流達到，但由于無法對獲取的知識進行正確的評估，使得這一過程變得困難。二是由于注塑工藝的復雜化，其過程和原理不易整理成簡單的規則，使專家知識的表達變得困難。

案例推理[16]是基于過去案例的解決方案來解決當前問題的方法，實現了相似案例索引以及從源案例解決方案到目標案例的適應過程。

Zhou和Peng[17]建立了一個案例推理和模糊推理相結合的智能系統，進行注塑工藝初始參數設置和缺陷修正，所開發的系統已通過實例驗證，大大減少了注射成型的試驗周期和對人工經驗的依賴。Yu等[18]提出了一個基于壓力分布的案例推理技術，獲得了可行的注射成型工藝參數。Sara等[19]建立了一種基于案例推理的塑料制品生產智能檢測系統，該系統比傳統方法運行速度快，產品質量穩定。

案例推理通過對過去案例的檢索和對比，對目標案例的參數設置起到較好的指導作用，而且過去案例的數量越多，目標案例的參數設置越高效精確。但由于制品和模具特征的復雜性，目前常用的流長比、壁厚等參數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 進化算法

2.1 遺傳算法

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

Lu等[20]利用遺傳算法對注射成型過程進行多目標優化。Deng等[21]采用遺傳算法優化注射成型條件，將優化結果與窮舉搜索方法的結果進行比較，證明了遺傳算法在尋找全局最優解方面的準確性。

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行改進或把遺傳算法與其他算法相結合的方法進行工藝參數的設置和優化。Wu等[22]提出了一種改進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量多目標優化的框架，在滿足加工參數與零件質量度量之間非線性關系的條件下，基于非支配排序的遺傳算法II（NSGA?II）使最優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合，搜尋使注射成型翹曲最小的最佳工藝參數。Meiabadi等[25]采用遺傳算法和人工神經網絡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化的預測容錯控制方法，以實現更好的控制性能，通過對注射速度進行研究，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網絡相結合的方法優化注射成型薄壁塑件翹曲變形。

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

2.2 粒子群優化算法

粒子群優化算法（PSO）是一種全局優化算法，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作和信息共享來尋找最優解。因其快速、高效等優勢成為解決多目標優化問題的主要方法之一。

與遺傳算法相比，由于需要調整的參數較少，粒子群算法以更快、更經濟的方式獲得了更好的結果。Xu等[28]開發了一個基于粒子群神經網絡模型的多輸入多輸出塑料注射成型工藝參數優化系統，可有效地確定最佳工藝條件，提高產品質量。粒子群算法在疊代過程中把最優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調節，容易陷入局部最優，導致收斂精度降低或不收斂，一些研究人員對粒子群算法進行改進，或與其他算法相結合，共同提高收斂精度。Kumar等[29]提出了一種改進的粒子群優化算法，成功預測了薄壁繼電器零件的最小收縮和翹曲值。Chen等[30]建立了一個智能優化系統，采用改進的粒子群優化算法來尋找保證產品質量和過程穩定性的最佳參數設置，并進行了驗證實驗以評估所提出系統的有效性。Xu等[31]把粒子群優化算法和神經網絡相結合來優化注射成型薄殼聚合物制品的力學響應，為沖擊載荷下的聚碳酸酯車窗確定了最佳工藝參數，有效提升了產品的力學性能。

粒子群算法和遺傳算法是兩種常見的全局優化方法，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，提高了計算效率。但PSO具有記憶功能，可將粒子知識保存，GA則無法進行記憶，過去的知識會隨著種群的改變被打亂。在收斂性方面，GA可對收斂速度進行估計，PSO盡管可能以更快的速度收斂于最優解，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可以較好地應用于高維問題。

3 機器學習

3.1 人工神經網絡

人工神經網絡（ANNs）是預測非線性問題的有力工具，已被成功開發用于預測注射成型工藝參數與制品質量之間的關系，其優勢在于具有通過學習映射出輸入數據和輸出數據之間的映射關系的能力。

Tsai等[32]將人工神經網絡和遺傳算法相結合，建立了光學透鏡質量預測模型，極大提高了透鏡的形狀精度。Guo等[33]提出了一種人工神經網絡和強化學習相結合的注塑工藝優化決策系統，并用實例驗證了該系統的魯棒性和實用性。Chen等[34]建立了基于人工神經網絡的注射成型在線缺陷檢測系統，缺陷檢測率高達94.4%。

BP神經網絡（BPNN）是一種按照誤差逆向傳播算法訓練的多層前饋網絡，具有響應速度快、學習精度高等優點[35]，是目前應用最廣的神經網絡模型之一。Cai等[36]建立了BP神經網絡模型，對注塑制品模具工藝參數進行預測，生產出表面質量良好的制品。Chen等[37]建立了一個BPNN質量預測器，并與田口方法和遺傳算法相結合，以找到注塑制品最佳參數設置，結果表明，該優化方法能有效地確定最佳工藝參數。Lee等[38]提出了以自組織神經網絡和BP神經網絡為核心的系統框架來推導最優工藝參數組合。Yan等[39]利用BP神經網絡預測薄壁外殼制品的翹曲變形，具有較高的預測精度，為制品模具的生產提供了參考。

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

雖然人工神經網絡在注射成型工藝參數設置方面應用廣泛，但也有其局限性，它的學習過程像一個黑盒，確定神經網絡架構并輸入數據后，無法控制輸出，因此也無法評估輸入數據和輸出數據之間關系的準確性。神經網絡節點和隱藏層的數量設置也十分關鍵，如果輸入的數據超出神經網絡的預測能力，便無法產生預期的結果。

3.2 徑向基函數法

1985年，Powel首次提出了多變量插值的徑向基函數（RBF）方法，RBF神經網絡結構具有局部映射特性，收斂速度快，可以以任意精度逼近任意連續函數。

Kitayama[45]提出徑向基函數可以通過少量的函數評估找到近似的全局最小值。Hashimoto等[46]采用徑向基函數網絡對注塑工藝參數進行優化，有效減少了熔接痕和生產循環時間。Kitayama等[47?48]建立了基于徑向基函數的順序近似優化方法，通過優化變壓力曲線，大大減少了翹曲變形。Satoshi等[49]提出了一種基于徑向基函數的冷卻通道數值優化方法，確定了對縮短制品循環時間和減小制品翹曲量最有效的冷卻通道形式。Kitayama和Natsume[50]采用徑向基函數網絡進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。

一些研究人員通過把徑向基函數與其他算法相結合來優化工藝參數。Satoshi等[51]利用徑向基函數網絡的順序近似優化來識別帕累托邊界，并結合數值模擬優化了注射成型過程中產生的熔接痕缺陷。Feng等[52]提出了一種混合多目標優化方法來尋找注塑工藝參數的最優點，并通過實驗驗證了此混合多目標優化算法的準確性。

與BP神經網絡相比，RBF神經網絡具有良好的魯棒性和記憶能力，可以實現連續函數的最佳逼近，且逼近精度優于BP神經網絡，而且收斂速度快。BP神經網絡采用梯度下降法，由于學習速率固定，因此收斂速度較慢，容易陷入局部最優，RBF是一種前饋型神經網絡，據有優越的全局逼近能力，解決了BP的局部最優問題。但RBF神經網絡的非線性映射能力主要由基函數的中心確定，若中心選取不當，構造出的RBF神經網絡的性能顯然也是不佳的。

3.3 高斯過程

高斯過程（GP）是一種常用的監督學習方法，常用于解決回歸問題和概率分類問題。高斯方法[53]通過統計的方法直接找到最可能的值以及期望響應的方差，為從更大的目標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化，建立了一種基于高斯過程的自適應優化系統，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化領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優化準則，快速找到最優工藝參數組合，有效降低了翹曲變形。Wang等[56]使用基于高斯過程的順序優化方法使制品翹曲量最小化。Luo等[57]建立了一個混合效應高斯過程模型來預測注射成型過程中不同模具填充時的熔體流動長度，并用實例證明了該混合模型的性能優于傳統高斯模型。

由于高斯過程是一個非參數模型，在遇到數據量很大且高斯過程未經優化時，數據處理會變得較為困難。

3.4 支持向量機

SVM是一種監督式的機器學習方法，可以對訓練數據進行正確的劃分并構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化算法構造分類超平面，將參數優化問題轉化為權重分類問題，有效提高了參數優化精度。Yu等[59]利用SVM分類器和模擬樣本預測計算效率和預測過程窗口，并驗證預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據進行分析以確定關鍵過程變量，進而得出由于相關過程變量的相互依賴性，不同材料類型的可預測性各不相同的結論。

支持向量機適用于小樣本的分類問題，若遇到大規模訓練樣本則難以實施。在多分類問題面前，支持向量機同樣無法解決，可通過構造多個支持向量機分類器或與其他算法相結合的方法解決多分類問題。

4 結語

人工智能技術在注射成型工藝參數設置及優化方面發揮著越來越重要的作用，本文綜述了人工智能的3個分支——專家系統和案例推理、進化計算以及人工神經網絡在注射成型工藝參數智能設置及優化中的應用，這3個分支各自的特點和局限性總結如下：

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

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

（3）機器學習的自動化程度高，而且可以提高工藝參數設置的精度，但嚴重依賴于數據，若選擇的數據質量不夠高，可能會構建出不正確的模型。模型的選擇也是制約機器學習的一大問題，沒有一種模型可以適用于任何問題，因此在進行學習前應選擇最適合的機器學習模型。

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

（1）建立注塑工藝參數的混合優化框架，使每種優化方法都能發揮其最大優勢，使工藝參數達到更高的精度。

（2）建立以注塑工藝窗口為目標的優化方法，提高工藝參數的適用范圍和生產過程的穩定性，保證最優工藝參數不僅使單個制品質量合格，而且可以保證連續生產過程中的制品質量穩定性。