基于模型算法的注塑制品質(zhì)量預(yù)測控制研究進(jìn)展

龔強(qiáng)，金志明*

（北京化工大學(xué)機(jī)電工程學(xué)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(guān)需求的出現(xiàn)，新材料的研發(fā)，新工藝的產(chǎn)生對(duì)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(gè)工藝變量的影響，不同工藝變量對(duì)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(jí)，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(yù)測控制方法中，預(yù)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(dǎo)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(yù)測控制方法，盡管這些方法隨著相關(guān)專家知識(shí)系統(tǒng)的完善已經(jīng)有了相當(dāng)大的提升，但根據(jù)經(jīng)驗(yàn)積累的技術(shù)水平在實(shí)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(shí)時(shí)高效反饋調(diào)整，其控制邏輯相對(duì)剛性固定，重點(diǎn)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(dòng)時(shí)，半閉環(huán)控制策略無法做出響應(yīng)以維持制品質(zhì)量的高重復(fù)精度［3］。基于上述原因，傳統(tǒng)質(zhì)量預(yù)測控制方法已基本不再單獨(dú)使用。隨著注塑制品質(zhì)量控制領(lǐng)域出現(xiàn)的新的質(zhì)量預(yù)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(dòng)化、信息化和智能化。聚合物材料加工工藝研究需要花費(fèi)大量的時(shí)間和精力去通過實(shí)驗(yàn)獲取數(shù)據(jù)，通過各類模型算法優(yōu)化，使用仿真驗(yàn)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(yù)測控制注塑制品質(zhì)量的相關(guān)方法以供實(shí)驗(yàn)、實(shí)際生產(chǎn)參考。

1 基于模型算法的預(yù)測控制方法

基于模型算法的注塑制品質(zhì)量預(yù)測控制方法是指通過收集和存儲(chǔ)大量的注塑制品質(zhì)量數(shù)據(jù)，并運(yùn)用數(shù)據(jù)挖掘算法與模型，對(duì)數(shù)據(jù)進(jìn)行建模、分析和預(yù)測，為實(shí)時(shí)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(dòng)化的生產(chǎn)技術(shù)，但在實(shí)際生產(chǎn)中注塑制品質(zhì)量預(yù)測和控制仍然面臨著響應(yīng)速度慢、精準(zhǔn)程度低、穩(wěn)定性不足、普適性不強(qiáng)等問題，而工藝參數(shù)對(duì)制品質(zhì)量的影響相互關(guān)聯(lián)，通過測試參數(shù)建立過程變量與注塑制品質(zhì)量關(guān)系，監(jiān)測過程變量并利用關(guān)系模型預(yù)測最終制品質(zhì)量，利用控制系統(tǒng)進(jìn)行參數(shù)調(diào)控，可對(duì)注塑制品質(zhì)量進(jìn)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(duì)注塑生產(chǎn)過程中的數(shù)據(jù)進(jìn)行分析和評(píng)價(jià)，更好地掌握生產(chǎn)過程的細(xì)節(jié)和關(guān)鍵點(diǎn)，進(jìn)而有效預(yù)測和控制，提高制品質(zhì)量控制的準(zhǔn)確性和迅速性，保證產(chǎn)品質(zhì)量與生產(chǎn)效率的兼容。運(yùn)用模型算法進(jìn)行注塑制品質(zhì)量預(yù)測控制的流程如圖1所示，注塑制品質(zhì)量預(yù)測控制常見模型算法及優(yōu)缺點(diǎn)見表1。

圖1 模型算法預(yù)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(yù)測控制中常見模型算法的突出優(yōu)勢與相對(duì)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(biāo)參數(shù)注塑制品質(zhì)量預(yù)測控制

在注塑中對(duì)單目標(biāo)參數(shù)控制有著可操作性強(qiáng)，故障排除簡單等優(yōu)點(diǎn)，因此科研人員對(duì)單目標(biāo)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(yù)測控制

熔體溫度是注塑制品質(zhì)量的關(guān)鍵參數(shù)之一，在實(shí)現(xiàn)制品質(zhì)量預(yù)測控制中，溫度控制是最優(yōu)先的參數(shù)。對(duì)于溫度控制，自適應(yīng)網(wǎng)絡(luò)技術(shù)的實(shí)時(shí)監(jiān)測和反饋信息、自動(dòng)調(diào)整控制參數(shù)和策略、實(shí)現(xiàn)對(duì)系統(tǒng)動(dòng)態(tài)變化的適應(yīng)等特點(diǎn)，對(duì)于溫度控制有著明顯的優(yōu)勢。自適應(yīng)網(wǎng)絡(luò)技術(shù)其可以采用不同的方法和算法進(jìn)行實(shí)現(xiàn)，如神經(jīng)網(wǎng)絡(luò)、遺傳算法、模糊邏輯等，運(yùn)用自適應(yīng)網(wǎng)絡(luò)技術(shù)這種可以根據(jù)實(shí)際生產(chǎn)中的反饋數(shù)據(jù)自動(dòng)調(diào)整網(wǎng)絡(luò)的構(gòu)架和權(quán)重，發(fā)揮其實(shí)時(shí)性及高適應(yīng)性、強(qiáng)魯棒性、高度自動(dòng)化和可視化呈現(xiàn)等優(yōu)勢，進(jìn)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(luò)結(jié)合，開發(fā)了自適應(yīng)神經(jīng)網(wǎng)絡(luò)PID控制的機(jī)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(qiáng)，溫度控制精度更高，實(shí)現(xiàn)了注塑機(jī)溫度的自適應(yīng)控制。紀(jì)春明［6］運(yùn)用自適應(yīng)網(wǎng)絡(luò)技術(shù)，依據(jù)機(jī)筒分段間耦合關(guān)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(shè)計(jì)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(jìn)PID控制的復(fù)合算法提出了注塑機(jī)料筒溫度預(yù)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(luò)，使預(yù)測效果整體較傳統(tǒng)PID模型準(zhǔn)確度提升近12 %，溫度總體趨勢與實(shí)際預(yù)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(yù)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(yù)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(diǎn)突出，依靠自適應(yīng)神經(jīng)網(wǎng)絡(luò)技術(shù)往往不能滿足對(duì)不穩(wěn)定數(shù)據(jù)的分析優(yōu)化，結(jié)合模糊算法等改進(jìn)可提升溫度控制精準(zhǔn)度。胡亞南等［8］將模糊算法與神經(jīng)網(wǎng)絡(luò)算法結(jié)合，將機(jī)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(jī)筒溫度控制精度度并縮短了擾動(dòng)恢復(fù)時(shí)間。注塑溫度控制也可設(shè)計(jì)在制品冷卻成型時(shí)進(jìn)行預(yù)測控制，在模具溫度控制設(shè)計(jì)中嵌入模型進(jìn)行優(yōu)化。Christian Hopmann等［9］設(shè)計(jì)了分段動(dòng)態(tài)模具溫度控制系統(tǒng)，針對(duì)注塑熔體的PVT特性進(jìn)行控制，改進(jìn)傳統(tǒng)PTV模型，實(shí)現(xiàn)了制品成型階段預(yù)測控制提升。

1.1.2 壓力預(yù)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(xué)模型，PID控制參數(shù)通常固定不變，而注塑機(jī)液壓系統(tǒng)又是一個(gè)時(shí)變、非線性和強(qiáng)耦合的復(fù)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(shè)計(jì)了注塑機(jī)壓力恒定控制系統(tǒng)，實(shí)現(xiàn)了PID參數(shù)的自適應(yīng)在線調(diào)整，仿真發(fā)現(xiàn)該算法超調(diào)量小，響應(yīng)速度快。黃曉萍等［11］通過PSO算法對(duì)BP神經(jīng)網(wǎng)絡(luò)PID進(jìn)行優(yōu)化，以克服BP神經(jīng)網(wǎng)絡(luò)收斂速度慢和容易陷入局部最小值的缺陷，實(shí)現(xiàn)控制參數(shù)的在線自適應(yīng)調(diào)整。仿真表明，改進(jìn)后算法明顯提高了注塑機(jī)液壓系統(tǒng)的控制精度，并且響應(yīng)速度提升約25 %。王浩等［12］引入量子遺傳算法對(duì)注塑機(jī)PID系統(tǒng)參數(shù)進(jìn)行全局尋優(yōu)，以累積誤差作為目標(biāo)函數(shù)，動(dòng)態(tài)調(diào)節(jié)PID參數(shù)，超調(diào)量更小、運(yùn)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(shè)計(jì)了一個(gè)實(shí)驗(yàn)系統(tǒng)來模擬注射成型過程中的注射階段，實(shí)驗(yàn)中使用了不同采樣率的微控制單元（MCU），設(shè)計(jì)了自整定模糊PID控制器，實(shí)現(xiàn)了更好的響應(yīng)性和更穩(wěn)定的注塑壓力控制。

預(yù)測灰色系統(tǒng)可對(duì)含有不確定因素的系統(tǒng)進(jìn)行預(yù)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(dòng)的規(guī)律，生成數(shù)據(jù)序列，建立微分方程模型，來預(yù)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(yù)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(shí)現(xiàn)為MCU，證實(shí)了利用這些數(shù)學(xué)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(duì)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(fù)性，運(yùn)用范數(shù)最優(yōu)迭代學(xué)習(xí)控制與簡單續(xù)控制器相結(jié)合，反復(fù)在周期內(nèi)改進(jìn)型腔壓力的參考跟蹤，實(shí)現(xiàn)了自動(dòng)補(bǔ)償重復(fù)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(yù)測控制

Oleksandr Veligorskyi等［16］提出的基于人工神經(jīng)網(wǎng)絡(luò)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(xùn)練人工神經(jīng)網(wǎng)絡(luò)，對(duì)電機(jī)電流控制進(jìn)而精準(zhǔn)控制注射速度。黎耀東［17］結(jié)合深度神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)設(shè)計(jì)了一種注塑過程預(yù)測控制方法來實(shí)現(xiàn)注射速度的跟蹤預(yù)測控制，提升了計(jì)算的效率，計(jì)算時(shí)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(xué)習(xí)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(hào)，實(shí)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(yīng)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(jì)算高效且可擴(kuò)展的數(shù)學(xué)模型，計(jì)算復(fù)雜度低，可提高注射速度的控制精度。

對(duì)于不同的參數(shù)，選取不同的模型算法針對(duì)性提升，如在熔體溫度控制中使用改進(jìn)PID控制較多且改進(jìn)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(dòng)，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(shí)現(xiàn)較為精準(zhǔn)的實(shí)時(shí)跟蹤。以上研究表明，使用單目標(biāo)參數(shù)注塑制品質(zhì)量預(yù)測控制的方法，可從實(shí)時(shí)數(shù)據(jù)和模型的反饋，自動(dòng)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(jìn)而保證制品質(zhì)量的穩(wěn)定性和一致性，有效地預(yù)測控制了制品可能存在的缺陷，提高注塑制品質(zhì)量的預(yù)測控制效果。

1.2 多目標(biāo)參數(shù)注塑制品質(zhì)量預(yù)測控制

注射成型工藝復(fù)雜性高，其中許多參數(shù)間存在著耦合關(guān)系，實(shí)際生產(chǎn)中，單目標(biāo)參數(shù)的優(yōu)化局限性較大，對(duì)多目標(biāo)參數(shù)進(jìn)行注塑制品質(zhì)量預(yù)測控制，可使注塑制品質(zhì)量提升明顯，對(duì)于注射成型工藝的流程進(jìn)化有著重要的推進(jìn)作用。

1.2.1 過程預(yù)測控制優(yōu)化

過程預(yù)測指在注塑過程中對(duì)多參數(shù)進(jìn)行同時(shí)控制，以實(shí)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(luò)方法，從多輸入單輸出和多輸入多輸出的角度預(yù)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(yù)測性能可實(shí)現(xiàn)提升。Jun-Han Lee等［21］構(gòu)建了一個(gè)以熔體溫度、模具溫度、注射速度、填充壓力、填充時(shí)間和冷卻時(shí)間為輸入?yún)?shù)，注塑產(chǎn)品的質(zhì)量、標(biāo)稱直徑和高度為輸出參數(shù)的單任務(wù)學(xué)習(xí)結(jié)構(gòu)和多任務(wù)學(xué)習(xí)結(jié)構(gòu)人工神經(jīng)網(wǎng)絡(luò)預(yù)測模型，發(fā)現(xiàn)應(yīng)用多任務(wù)學(xué)習(xí)結(jié)構(gòu)人工神經(jīng)網(wǎng)絡(luò)的預(yù)測值與單任務(wù)學(xué)習(xí)結(jié)構(gòu)相比具有較低的均方根誤差。

為實(shí)現(xiàn)具體的預(yù)測控制提升，根據(jù)不同制品質(zhì)量要求可進(jìn)行針對(duì)性優(yōu)化。Yan-Mao Huang等［22］利用神經(jīng)網(wǎng)絡(luò)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(shí)間，預(yù)測出EOF壓力、最大冷卻時(shí)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(xùn)練數(shù)據(jù)，通過田口法和隨機(jī)洗牌法將誤差值降低到5 %以下，利用遷移學(xué)習(xí)證實(shí)了該模型可快速準(zhǔn)確地預(yù)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(shí)間和冷卻時(shí)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(luò)模型，其預(yù)測性能優(yōu)于線性回歸和二階多項(xiàng)式模型的預(yù)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(biāo)，模具溫度、熔體溫度、保壓時(shí)間、保壓壓力、冷卻時(shí)間為試驗(yàn)因素，構(gòu)建試驗(yàn)因素與控制目標(biāo)之間的RBF神經(jīng)網(wǎng)絡(luò)模型，提升了注塑成型質(zhì)量的控制與預(yù)測。以上研究表明通過針對(duì)注塑制品質(zhì)量要求，選取合適的參數(shù)控制，進(jìn)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(biāo)，但在過程預(yù)測控制中，模型準(zhǔn)確度及高效性仍然是對(duì)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(luò)和可識(shí)別性能評(píng)價(jià)方法結(jié)合提出了一種深度學(xué)習(xí)網(wǎng)絡(luò)應(yīng)用于注塑質(zhì)量預(yù)測。監(jiān)測模腔內(nèi)實(shí)時(shí)壓力數(shù)據(jù)，選取質(zhì)量指標(biāo)并采用可識(shí)別的性能評(píng)價(jià)方法和Pearson相關(guān)系數(shù)評(píng)估它們與成型質(zhì)量的相關(guān)性，提高了模型的預(yù)測精度。Joseph C Chen等［26］利用模內(nèi)溫度和壓力傳感器實(shí)時(shí)提取的數(shù)據(jù)，開發(fā)了一種準(zhǔn)確率高達(dá)98.34 %的基于人工神經(jīng)網(wǎng)絡(luò)的在線缺陷檢測系統(tǒng)。將該模型應(yīng)用于缺陷檢測時(shí)，缺陷檢測準(zhǔn)確率可達(dá)到94.4 %。Allen Jonathan Roman等［27］在研究基于神經(jīng)網(wǎng)絡(luò)的注射成型表面缺陷預(yù)測方法時(shí)發(fā)現(xiàn)使用熔體流動(dòng)指數(shù)和松弛時(shí)間等流變參數(shù)可提高預(yù)測精度，使用貝葉斯優(yōu)化方法優(yōu)化時(shí)，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(gè)輸入?yún)?shù)下準(zhǔn)確率為90.2 %±4.4 %，而7個(gè)輸入?yún)?shù)優(yōu)化結(jié)構(gòu)準(zhǔn)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(luò)替代模型，運(yùn)用遷移學(xué)習(xí)收集數(shù)據(jù)補(bǔ)充訓(xùn)練數(shù)據(jù)集，證實(shí)了遷移學(xué)習(xí)結(jié)合人工神經(jīng)網(wǎng)絡(luò)方法對(duì)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(duì)于注塑制品的制品質(zhì)量預(yù)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(shí)現(xiàn)大范圍局部優(yōu)化，降低制品質(zhì)量與參數(shù)相關(guān)的耦合度，便于尋找更優(yōu)的設(shè)計(jì)。

1.2.2 結(jié)果預(yù)測控制優(yōu)化

以結(jié)果質(zhì)量為導(dǎo)向針對(duì)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(yùn)用RBF神經(jīng)網(wǎng)絡(luò)模型和遺傳算法，運(yùn)用帶精英策略的非支配排序遺傳算法對(duì)注塑成型工藝參數(shù)進(jìn)行多目標(biāo)優(yōu)化，經(jīng)過模擬和試模驗(yàn)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(biāo)參數(shù)和影響因素的數(shù)學(xué)模型，分析了注塑制品的凹痕和翹曲問題，并使用多目標(biāo)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(shí)驗(yàn)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(yù)測控制中對(duì)于質(zhì)量的定義，常依靠人工目測或轉(zhuǎn)而進(jìn)行相關(guān)性能測試，效率低，準(zhǔn)確性低，且成本高，使得自動(dòng)缺陷檢測成為迫切需求。Jiahuan Liu等［31］提出了一種知識(shí)重用策略來訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)（CNN）模型，引入遷移學(xué)習(xí)和數(shù)據(jù)增強(qiáng)，將來自其他視覺任務(wù)的知識(shí)遷移到注塑缺陷檢測任務(wù)。實(shí)驗(yàn)結(jié)果表明該模型較傳統(tǒng)的CNN模型和支持向量機(jī)方法準(zhǔn)確率可提高約12 %，可達(dá)近99 %。

Bruno Silva 等［32］利用人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)算法，根據(jù)數(shù)據(jù)的時(shí)間性質(zhì)，提出并評(píng)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(guān)系，從而在缺陷識(shí)別方面實(shí)現(xiàn)約99 %的準(zhǔn)確性。

依據(jù)制品結(jié)果質(zhì)量判別進(jìn)行實(shí)際預(yù)測控制，可以有效提升信息反饋的效率，對(duì)于整體參數(shù)控制進(jìn)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(jī)制進(jìn)行調(diào)整，提高響應(yīng)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(biāo)參數(shù)注塑制品質(zhì)量預(yù)測控制中，目前仍以運(yùn)用算法模型改進(jìn)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(shí)現(xiàn)注塑制品質(zhì)量的缺陷針對(duì)性提升。在多目標(biāo)參數(shù)注塑制品質(zhì)量預(yù)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(luò)為主，對(duì)于高精度要求的制品使用較多?？梢姴捎眠m當(dāng)?shù)膮?shù)優(yōu)化算法能夠有效地提高制品質(zhì)量的預(yù)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(yù)測和控制提供支持。這一研究對(duì)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(dòng)整個(gè)注塑工藝的發(fā)展和進(jìn)步。

隨著技術(shù)迭代發(fā)展，注塑制品質(zhì)量預(yù)測控制的要求越來越嚴(yán)格，甚至對(duì)于環(huán)境擾動(dòng)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(yùn)用各自的優(yōu)勢，整體推動(dòng)注塑制品質(zhì)量的預(yù)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(guān)系解耦為目標(biāo)，降低目標(biāo)參數(shù)的量，降低優(yōu)化目標(biāo)難度，提升質(zhì)量預(yù)測控制效果。

（2）在整體優(yōu)化之上構(gòu)造頂層設(shè)計(jì)算法進(jìn)行分析判斷，對(duì)不同的制品定義不同的目標(biāo)參數(shù)要求的同時(shí)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(duì)目標(biāo)進(jìn)行預(yù)測控制的效果。

（3）結(jié)合結(jié)果判斷，運(yùn)用機(jī)器視覺進(jìn)行質(zhì)量識(shí)別，構(gòu)建分類器模型判斷制品質(zhì)量，自動(dòng)調(diào)整工藝參數(shù)，構(gòu)建全自動(dòng)注塑系統(tǒng)，提升系統(tǒng)自愈化性能。