基于模型算法的注塑制品质量预测控制研究进展

doi:10.19491/j.issn.1001-9278.2024.04.016

中国塑料 ›› 2024, Vol. 38 ›› Issue (4): 98-102.DOI: 10.19491/j.issn.1001-9278.2024.04.016

基于模型算法的注塑制品质量预测控制研究进展

龚强, 金志明()

北京化工大学机电工程学院，北京 100029

收稿日期:2023-08-29 出版日期:2024-04-26 发布日期:2024-04-22
通讯作者: 金志明（1968—），男，副教授，主要从事聚合物成型技术研究，jinzm@mail.buct.edu.cn
E-mail:jinzm@mail.buct.edu.cn

Research progress in quality prediction and control of injection molded products based on model algorithms

GONG Qiang, JIN Zhiming()

College of Mechanical and Electrical Engineering，Beijing University of Chemical Technology，Beijing 100029，China

Received:2023-08-29 Online:2024-04-26 Published:2024-04-22
Contact: JIN Zhiming E-mail:jinzm@mail.buct.edu.cn

摘要/Abstract

摘要：

介绍了模型算法在注射成型技术中的应用，综述了相关模型算法在注射成型各阶段的预测控制成效，最后提出模型算法在注塑制品质量预测控制中的未来研究方向和相关技术发展趋势。

关键词: 注塑制品, 预测控制, 模型构建, 大数据算法

Abstract:

This paper introduced the applications of model algorithms in the injection molding technology and summarized the predictive control effectiveness of relevant model algorithms in various stages of injection molding. Finally， proposes the future research directions in quality predictive control of injection molding products were proposed together with the relevant technological development trends in model algorithms.

Key words: injection molded product, predictive control, model construction, big data algorithm

中图分类号:

TQ320.66⁺2

龚强, 金志明. 基于模型算法的注塑制品质量预测控制研究进展[J]. 中国塑料, 2024, 38(4): 98-102.

GONG Qiang, JIN Zhiming. Research progress in quality prediction and control of injection molded products based on model algorithms[J]. China Plastics, 2024, 38(4): 98-102.

图/表 3

参考文献 32

1	何和智，高琦，张涛.国内外大型注塑机技术发展动态综述［J］.中国塑料，2022，36（11）：140⁃149.
	HE H Z， GAO Q， ZHANG T.A review of development trend in large injection molding machine technology at home and abroad［J］.China Plastics，2022，36（11）：140⁃149.
2	秦凡惠.基于PLS的注塑成型过程质量预测方法研究［D］.沈阳：东北大学，2012.
3	许宇轩.注塑成型熔体粘度波动定量表征及在线补偿控制方法［D］.北京：北京化工大学，2022.
4	杜威，张亚军，金志明.注塑制品质量在线控制研究进展［J］.塑料工业，2022，50（12）：1⁃7.
	DU W， ZHANG Y J， JIN Z M.Research progress of online quality control of injection molded parts［J］. China Plastics Industry， 2022，50（12）：1⁃7.
5	党霞.基于自适应神经网络PID的注塑机温度控制［J］.合成树脂及塑料，2018，35（6）：83⁃86.
	DANG X. Temperature control for injection molding machine based on adaptive neural network PID［J］.China Synthetic Resin And Plastics， 2018，35（6）：83⁃86.
6	纪春明.基于自适应神经网络的注塑机料筒多段温度控制精度提升技术研究［J］.塑料工业，2019，47（11）：74⁃77.
	JI C M. Research on Improving the accuracy of multi⁃section temperature control of injection molding machine barrel based on adaptive neural network［J］.China Plastics Industry，2019，47（11）：74⁃77.
7	张少芳，李献军，王月春.基于PSO⁃BP⁃PID神经网络的注塑机料筒温度预测算法研究［J］.合成树脂及塑料，2022，39（1）：60⁃64.
	ZHANG S F， LI X J， WANG Y C. Temperature prediction algorithms of injection mold⁃ing machine barrel based on PSO⁃BP⁃PID neural network［J］. China Synthetic Resin and Plastics，2022，39（1）：60⁃64.
8	胡亚南，张洪兴，丰会萍.基于模糊神经网络的注塑机料筒温度控制策略［J］.塑料，2019，48（4）：91⁃95.
	HU Y N， ZHANG H X， FENG H P. Temperature control strategy of injection molding machine barrel based on fuzzy neural network［J］.Plastics，2019，48（4）：91⁃95.
9	Hopmann Christian， Xiao Chenglong， Cemi E， et al. Prediction and v⁃alidation of the specific volume for inline warpage control in injection molding［J］.Polymer Testing，2021， 104：1⁃10.doi： https：//doi.org/10.1016/j.polymertesting.2021.107393 .
10	沈艳河，王瑨.基于神经网络PID控制的注塑机压力控制系统［J］.合成树脂及塑料，2020，37（5）：72⁃75.
	SHEN Y H， WANG J. Pressure control system in injection molding machine based on neural network PID［J］. China Synthetic Resin and Plastics，2020，37（5）：72⁃75.
11	黄晓萍，候俊.基于BP神经网络PID的注塑机液压控制［J］.塑料工业，2019，47（7）：64⁃66.
	HUANG X P， HOU J. Hydraulic control of injection moulding machine based on BP neural network PID［J］. China Plastics Industry， 2019，47（7）：64⁃66.
12	王浩，王继先.基于量子遗传算法的注塑机PID控制系统［J］.塑料科技，2019，47（9）：99⁃102.
	WANG H， WANG J X. PID control system of injection machine based on quantum genetic algorithm［J］. Plastics Science and Technology， 2019，47（9）：99⁃102.
13	Jung Chen Chien， Tsai Wu Kuo， Sheng Jye Hwang. Development of a servo⁃hyd⁃raulic s⁃ystem with a self⁃tuning fuzzy PIDcontroller to simulate injection molding process［J］.Microsystem Technologies，2021， 27：1 217⁃1 238.
14	WANG S， YING J， CHEN Z C， et al. Grey fuzzy PI control for packing pressu⁃re during injection molding process［J］.Journal of Mechanical Science and Technology，2011，25（4）：1 061⁃1 068.
15	Ch Hopmann DAbel J.Heinisch S.Stemmler. Self⁃optimizing injection molding based on iterative learning cavity pressure control［J］.Prod Eng Res Devel，2017，11：97⁃106.
16	Veligorskyi Oleksandr， Khomenko Maksym， Vagapov Yuriy， et al. Artif⁃icial neural network motor control for full⁃electric injection moulding ⁃machine.［C］// 2019 IEEE International Conference on Industrial Technology （ICIT）. Melbourne， VIC， Australia：IEEE，2019：60⁃65.
17	黎耀东，任志刚，吴宗泽.基于深度神经网络的注塑过程预测控制［J］.广东工业大学学报， 2022，39（5）：120⁃126，136.
	LI Y D， REN Z G， WU Z Z. Deep neural network based predictive control for injection molding process［J］. Journal of Guangdong University of Technology，2022，39（5）：120⁃126，136.
18	罗亮，陈茂林，刘知贵，等.基于闭环PD型迭代学习控制的注塑机注射速度轨迹跟踪控制［J］.机械设计与制造，2016，1（5）：24⁃26.
	LUO L， CHEN M L， LIU Z G，et al. Tracking control of injection speed of the injection molding machine based on closed⁃loop PD⁃type iterative learning control［J］.Machinery Design & Manufacture， 2016，（5）：24⁃26.
19	Froehlich Christoph， Kemmetmüller Wolfgang， Kugi Andreas. Control⁃oriented model⁃ing of servo⁃pump driven injection molding machines in the filling and packing phase.［J］.Mathematical and Computer Modelling of Dynamical Systems，2018， 24（5）：451⁃474.
20	Yang Dong⁃Cheol， Lee Jun⁃Han， Kim Jong⁃Sun. A study on the comparison of the p⁃redicting performance of quality of injection molded product according to the structure of artificial neural network［J］.J Korea Society of Die & Mold Engineering，2021，1（15）：48⁃56.
21	Lee Jun⁃Han， Kim Jong⁃Sun. A study on the accuracy of multi⁃task learning structure artificial neural network applicable to multi⁃quality prediction in⁃injection molding process.［J］.Design & Manufacturing，2022，3（16）：1⁃8
22	HUANG Y M， Jong Wen⁃Ren， Chen Shia⁃Chung. Transfer learning applied to characteristic prediction of injection molded products［J］.Polymers，2021，13（3874）：1⁃32
23	Lee Junhan， Yang Dongcheol， Yoon Kyunghwan， et al. Effects of input parameter range on the accuracy of artificial neural network prediction for the injection molding process ［J］.Polymers， 2022，14（1724）：1⁃24.
24	季宁，张卫星，于洋洋，等.基于径向基函数神经网络和多岛遗传算法的注射成型质量控制与预测［J］.工程塑料应用，2020，48（4）：62⁃68.
	JI N， ZHANG W X， YU Y Y， et al. Quality control and prediction of injection molding based on RBF neural network and MIGA［J］.Engineering Plastics Application，2020，48（4）：62⁃68.
25	Chang Hanjui， SU Z M， LU S Z， et al. Application of deep learning network in bumper warpage quality improvement［J］. Processes，2022，10（1006）：1⁃20.
26	C Chen Joseph， Guo Gangjian， Wang Wei⁃Nian. Artificial neural network⁃based online defect detection systemwith in⁃mold temperature and pressure sensors for high precision injection molding［J］.The International Journal of Advanced Manufacturing Technology，2020，1：1⁃11.
27	Allen Jonathan Roman， QIN S Y， Zavala Victor M， et al. Neural network feature and architecture optimization for injection molding surface defect prediction of model polypropylene［J］.Polymer Engeineering and Science，2021，61：2 376⁃2 387.
28	Lockner Yannik， Hopmann Christian， Zhao Weibo. Transfer learning with artificial neural networks between injection molding processes and different polymer materials［J］.Journal of Manufacturing Processes，2022，1（73）：395⁃408.
29	么大锁，贺莹，于洋洋.基于RBF神经网络和遗传算法的注塑成型质量控制与预测［J］.塑料工业，2020，48（4）：71⁃76.
	YAO D S， HE Y， YU Y Y. Injection molding quality control and prediction based on RBF neural network and genetic algorithm［J］. China Plastics Industry，2020，48（4）：71⁃76.
30	YUAN Z J， WANG H， WEI X B， et al. Multiobjective optimization method for polymer injection molding based on a genetic algorithm［J］. Advances in Polymer Technology，2019，9012085：1⁃17.
31	LIU J H， GUO F， GAO H， et al. Defect detection of injection molding products on small datasets using transfer learning［J］.Journal of Manufacturing Processes，2021（70）：400⁃413.
32	Silva Bruno， Sousa Jo˜ao， Alenya Guillem.Machine learning methods for quality pre⁃diction in thermoplastics injection molding［C］//2021 International Conference on Electrical， Cape Town， South Africa： Computer and Energy Technologies （ICECET），2021：1⁃6，doi：10.1109/ICECET52533.2021.9698455 .

算法/模型	突出优势	相对劣势
自适应网络	自适应调整能力；可实时数据调整网络结构和参数；非线性和动态系统建模和控制。	训练数据量大；模型参数选择和调整的困难；对初始状态和参数敏感。
模糊算法	不确定性和模糊性处理；适应性和学习能力；可复杂非线性建模。	参数选择和规模的确定困难；训练数据量大；计算复杂度较高。
径向基函数	非线性问题高效建模和控制；全局拟合能力；计算效率高。	径向基函数数量和中心位置确定困难；选择适当的宽度参数较为困难；对噪声敏感。
粒子群优化	并行搜索，全局搜索；不依赖导数信息；适用于非线性和非凸优化问题。	参数选择和微调困难；迭代次数控制难；高维问题计算成本高。
BP神经网络	非线性映射能力；适应性和学习能力；并行性和分布式计算能力。	训练过程耗时长，数据要求较高；参数设置的敏感性；可能陷入局部最优解。
量子遗传	全局搜索；能够同时优化多个目标；并行性和分布式计算能力。	参数设置的敏感性；计算复杂度较高；可能陷入局部最优解。
范数最优迭代学习	迭代学习能力；范数最优化能力；自适应调整能力。	对初始控制器依赖性；计算复杂度较高；对系统模型的要求高。

算法/模型	突出优势	相对劣势
自适应网络	自适应调整能力；可实时数据调整网络结构和参数；非线性和动态系统建模和控制。	训练数据量大；模型参数选择和调整的困难；对初始状态和参数敏感。
模糊算法	不确定性和模糊性处理；适应性和学习能力；可复杂非线性建模。	参数选择和规模的确定困难；训练数据量大；计算复杂度较高。
径向基函数	非线性问题高效建模和控制；全局拟合能力；计算效率高。	径向基函数数量和中心位置确定困难；选择适当的宽度参数较为困难；对噪声敏感。
粒子群优化	并行搜索，全局搜索；不依赖导数信息；适用于非线性和非凸优化问题。	参数选择和微调困难；迭代次数控制难；高维问题计算成本高。
BP神经网络	非线性映射能力；适应性和学习能力；并行性和分布式计算能力。	训练过程耗时长，数据要求较高；参数设置的敏感性；可能陷入局部最优解。
量子遗传	全局搜索；能够同时优化多个目标；并行性和分布式计算能力。	参数设置的敏感性；计算复杂度较高；可能陷入局部最优解。
范数最优迭代学习	迭代学习能力；范数最优化能力；自适应调整能力。	对初始控制器依赖性；计算复杂度较高；对系统模型的要求高。

[1]	马国臻, 叶超林, 陈桂昌, 廖芳明, 吴宏武. 模腔压力曲线与制品质量的关系研究[J]. 中国塑料, 2016, 30(02): 71-74 .
[2]	杨波, 孙玲. 碳纤维/玻璃纤维增强复合材料注塑制品翘曲变形的研究[J]. 中国塑料, 2015, 29(10): 64-67 .
[3]	张勤星李倩赵娜赵建申长雨. 注塑制品微结构的三维数值模拟分析[J]. 中国塑料, 2011, 25(11): 61-65 .
[4]	刘永志赵振峰马兰申长雨. 带筋注塑制品截面充填过程数值模拟[J]. 中国塑料, 2010, 24(01): 52-55 .
[5]	辛勇, 李双林, 周新. 基于知识的注塑制品缺陷智能分析[J]. 中国塑料, 2007, 21(1): 69-72.

基于模型算法的注塑制品质量预测控制研究进展

Research progress in quality prediction and control of injection molded products based on model algorithms

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 3

参考文献 32

相关文章 5

编辑推荐

Metrics

本文评价