数据驱动下汽车注塑零部件的质量控制研究

王晓丹 汪惠芬 柳林燕

摘要：由于注塑行业成型系统较为复杂并且对环境较为敏感，注塑成型加工过程中的不稳定因素很容易导致产品不良的发生，造成经济损失。由于过程的复杂性，不可预见的干扰，设备故障以及原料成分的变化，一批批次中止时的产品质量可能与规格相差甚远，所以对注塑成型大数据进行分析，来感知这些不可见的干扰因素，然后通过分析建模解决甚至避免现场痛点问题。制造业一直面临着几个挑战，包括可持续性、性能和生产质量。制造商试图通过在制造过程层面融合物联网（IoT）和ICT（信息与通信技术），通过实施CPS（信息物理系统）来提高企业的竞争力。而CPS平台（或者说智能工厂）是根据制造企业的特点，由不同类型的数据采集/处理方法、决策规则和功能组成。本文根据注塑工艺的特点、构成框架的模块及其具体功能，提出了一种基于实时制造数据的智能注塑系统框架。希望本文能作为指导，提高注塑行业的市场竞争力，支持智能工厂的建设，为工业4.0做准备。

Abstract： Because the molding system of injection molding industry is more complex and sensitive to the environment， the unstable factors in the process of injection molding are easy to lead to the occurrence of defective products and economic losses.Unforeseen interference， because of the complexity of the process， equipment failure and the change of raw material composition， a number of batches to suspend the quality of the products may far and specification， so the analysis of injection molding large data， to perceive these invisible interference factors， and then through the analysis of modeling to solve the problem even pain points on site.The manufacturing sector has been facing several challenges， including sustainability， performance and production quality.Manufacturers are trying to improve their competitiveness by integrating the Internet of Things （IoT） and ICT（Information and Communication Technology） at the manufacturing process level， and by implementing CPS（Information Physical System）.The CPS platform （or smart factory） is composed of different types of data acquisition/processing methods， decision rules and functions according to the characteristics of the manufacturing enterprise.In this paper， an intelligent injection molding system framework based on real-time manufacturing data is proposed according to the characteristics of injection molding process， the modules that constitute the framework and their specific functions.It is hoped that this paper can serve as a guide to improve the market competitiveness of the injection molding industry， support the construction of intelligent factories and prepare for Industry 4.0.

關键词：注塑产品;质量控制;智能注塑系统;人工神经网络;数据驱动

Key words： automobile injection molding;quality control;smart factory;artificial neural network;data-driven

中图分类号：U471.14                                    文献标识码：A                                  文章编号：1674-957X（2021）14-0173-04

1  简介

随品质控制的新时代，“零缺陷”是各行各业所追求的终极目标，强调“第一时间把事做对”的零缺陷制造（ZDM）已成为制造业目前正在面对且想要克服的最大挑战之一。

不同于互联网行业在跟随移动、社交、电商互联的浪潮进行了一系列的数据挖掘和分析探索，大量的工业企业日积月累的过程数据、监测数据还有质检数据并没有充分地得到利用和探索，这些未被充分发掘的数据价值对于工业企业来说是一笔潜在的财富[1]。为了在降低生产成本的同时提高竞争力，汽车等制造企业正在努力提高其工艺的灵活性或创新其生产方法。为了实现这一目标，汽车等制造企业引入新技术或通过整合尚未广泛应用的技术来创新传统的生产方法。

汽车行业中多数的产品都是通过注塑成型制造的，它们在尺寸、复杂性和应用上都有很大的差异。注塑工艺有两个最常见的问题。第一个问题是在考虑各种工艺变量的情况下，推导初始注塑机设置的最优工艺参数，以实现产品设计后的有效制造。为了得到最优工艺变量，需要不断地以试错的方式调整工艺参数，这造成了相当大的损失。第二个问题是在注塑成型过程中，特别是在制造过程中出现缺陷时，初始工艺参数的值难以改变。目前还没有改善这一困境的方法，对设备故障和突发生产问题的应对具有挑战性。

智能工厂是使用物联网通过CPS实现超连接环境的制造系统。然而，它是由不同的组织和研究者在不同的框架形式中提出的。在工业4.0中定义的构建智能工厂的基本要素是互操作性、虚拟化、去中心化、实时能力、面向服务和模块化[2]。

几位研究人员提出并描述了符合设计原则的智能工厂的新概念框架。Yoon等人[3]提出了基于泛在计算技术的产品设计、制造过程和产品回收的泛在工厂框架来解决实际制造现场的不准确性。Hadar等人[4]引入了可重构智能工厂的概念，可以通过分布式供应链管理（SCM）来管理全球供应链，定义构成框架的功能。Wang[5]等人提出了一个简短的框架，将工业无线网络、云、固定或移动终端与智能工件（如机器、产品和传送带）相结合。Hameed等人[6]提出了一种概率序列检测算法，该算法将概率分配给RFID设备检测到的物体，并对生产线上物体的实时序列提供概率保证。本研究提出一个基于实时数据的智能生产系统框架，以提高制造柔性，并提出了具体的功能和技术要求。有望为注塑模具智能工厂的建立提供助力，为制造业创新向第四次工业革命提供指导意见。

2  智能注塑系统

2.1 注塑系统

注塑成型是塑料制品制造中应用最广泛的基本工艺。它非常适合大批量生产需要精确公差的复杂形状的塑料零件。在这一过程中，热聚合物熔体被强制进入一个所需形状的冷空腔，然后允许在高保持压力下凝固。

为了完善注塑系统，各研究人员进行了注塑工艺创新和分析。其中有代表性的研究者是Tuncay和Hasan的[7]。他们根据注塑产品的特点，采用神经网络、田口法和元启发式方法对注塑产品的质量和工艺问题进行了研究。此外，针对注塑模缺陷（可塑性、外观缺陷、变形、翘曲）等主要特征，推导了注塑机控制参数，并提出了最优参数[8]的推导方法。Lu和Khim[9]研究了注射成型条件对聚碳酸酯透镜表面轮廓的影响。为了系统地分析龋蚀工艺参数对透镜轮廓的影响，采用统计学方法进行了实验。Sadeghi[10]提出了一种基于关键工艺变量和材料等级变化的神经网络模型，用于预测注塑件的质量或完好性。Nam[11]分析了模具內部的温度和压力数据，并利用K-fold交叉验证方法控制工艺变量来优化质量。Gao[12]在实验和仿真的基础上，提出了一种利用初始模具、熔体温度和充填压力值，利用支持向量回归法对在线生产的产品质量进行监控的方法。上述研究的重点是利用历史数据减少缺陷。然而，我们试图对实时数据进行分析，并实时控制加工参数。现有的研究主要集中在产品设计后的最优工艺参数设置上。结合多种统计技术和软计算方法，针对产品和生产特点进行初始参数优化研究。利用智能工厂的技术因素和设计原则来研究制造领域和车间的优化是非常必要的。

2.2 智能注塑系统的框架和功能

我们提出了该系统的系统框架，包括构成该框架的功能，以及各功能对注塑过程进行数据分析、决策和控制的数据流，是一种基于实时数据的智能注塑系统。

所提出的智能注塑模具系统框架如图1所示。该系统能自学专业知识，了解产品质量的特点，并搜索最优初始参数设置。此外，该系统可以在生产过程中利用实时数据对工艺参数进行控制，防止出现缺陷。本研究提出的框架灵感来自智能工厂的六个设计原则。互操作性、虚拟化、实时性等六大设计原则适用于各个模块或功能。例如，将互操作性应用于功能模块之间的通信，将虚拟化应用于数字化工厂模型。

该框架分为计划层、执行层和控制层三层。本文对注塑模具系统的执行层和控制层进行了详细的定义和分析。

计划层是指在制造系统层，与企业资源计划（ERP）和制造资源计划（MRP2）在同一层的系统和功能。计划层具有生产计划、业务和服务战略管理以及长期产品生产的物流管理等功能。智能工厂在制造阶段需要服务互联网（IoS），它应该由计划层管理，因为它应该可以共享从生产到发货完成的数据。

执行层是智能注塑模具系统中起着最重要作用的功能模块。这一层是制造支持系统的层次结构中实现智能注塑模具系统的重要功能模块。这包括一个数字化工厂模型、一个异常预测、一个过程分析、一个全球决策者、一个机器学习管理器、一个知识管理功能、一个知识管理器、一个数据管理器、一个知识库和一个数据库。

数字化工厂模型是存储在服务器中的仿真模型，是指产品成型分析模型和过程模型。该模型同步了基于该领域中实际生成的数据实际生成的流程和产品。计划阶段采用基于仿真的计划调度方法，将实际生产计划集成到虚拟工厂模型中。全局决策还可以用于主动识别决策可能导致的问题。异常预测是基于统计技术（方差分析、田口法等）对参考数据进行分析的函数。它是智能工厂的主要功能之一，因为它能够根据参考数据提出指导方针，预测和准备未来的问题。过程分析模型采用瓶颈理论分析瓶颈和过程性能提高过程效率。允许通过虚拟工厂模型进行验证，并支持全局决策者。全局决策者决定整个系统的优先级、优化进度和过程，并从质量和生产的角度得出全局最优解决方案，在注塑模具智能系统中起着核心作用。机器学习管理器根据参考数据更新全局决策，使决策模型更加智能。该函数从获取的数据中提取特征并应用到决策模型中。

知识管理器。将从数据中提取的技术知识保存起来，并在生产过程中通过自然语言将技术知识传递到注塑机中。数据管理器以传统的方式管理数据库。控制层与制造支持系统中的监控控制和数据采集是同一层。该层存在于实际运行现场，包含数据采集的功能模块。控制层由感知设备、自然语言处理器、本地决策者和机对机通信器组成。

传感装置。包括注塑机自身产生的控制日志数据（如熔化温度、挤出温度），并从机器（视觉、温度、标签）获得实际的控制参数和输出变量。通过协议同步和决策，自然语言处理器将控制信号发送给实际设施。本地决策者根据全球决策的优先级对全球决策者做出快速反应、处理安全等具体问题。通信功能有助于决策，以防发生意外事件通过与其他成型机通信发生。

3  数据交换模型

智能注塑系统的主要功能被定义为决策、过程控制和分析。决策功能的数据流如图2所示。决策功能由本地和全球决策者执行。数据管理器、机器学习管理器和通信器支持这些功能顺利执行。

第一个功能是决策，由模具内嵌传感器和注塑系统顶出点可视传感器组成的传感器系统系统地提取注塑过程产生的实时数据。该系统提取设备和质量数据，并在生产周期内完成数据交换，然后数据管理器对存储在数据库中的标准数据和实时数据进行预处理，将学习数据传输给机器学习管理器，用于更新决策者的决策模型。同时，实时更新数据，便于建立决策约束条件。如果全局决策者选择优先级和约束条件，则约束条件由全局决策者转移到局部决策者。利用支持向量机、神经网络和机器学习的元启发法来实现局部决策。本地决策者必须嵌入到每台注塑机中。为了得到全局最优解，最好使用人工神经网络、元启发式和考虑不确定性的大数据分析。

第二个功能是过程控制。过程控制的主要功能是自然语言处理，如图3所示。为了利用全局最优解导出的工艺参数（熔化温度、注射压力、取出时间等）来控制注塑机，必须按照同步协议发送注塑机的控制信号。一个智能工厂可以连接到各种通信设备和制造设施。

这将导致联网机器之间的通信协议问题。设备间通信协议和信号的标准化是一个重要的问题。在建立标准化的控制和通信协议之前，有一个自然语言处理器是必要的，它可以通过分析不同的数据和控制日志来控制设备。它通过参考知识管理者所存储和管理的知识来帮助控制实际过程，然后再做出决策。最后一个主要功能是分析（图4）。分析功能包括数字化工厂模型、异常预测、过程分析和全球决策。首先，基于实时数据更新和同步数字化工厂模型（产品和过程模型）。采用同步工厂模型对异常预测器和过程分析器的分析结果进行验证。异常预测器是一种在质量或工艺问题出现之前给出警告的统计预测技术。该功能不仅具有异常症状预测功能，而且具有对比场景。通过虚拟工厂模型对相应场景的选择进行验证，并将结果传递给全局决策者。

流程分析器是一种利用排队论识别流程瓶颈的功能。通过虚拟工厂模型进行验证，验证方式与预测的异常现象相同。

4  结论

在本研究中，我们定义了注塑模具工艺智能分解的系统框架、功能和数据流，为工业4.0做准备。本研究提出的框架展示了一个智能工厂的结构特征，可以导出局部或全局最优解决方案的注射成型系统，可用于预测未来的异常症状。为了拓展本研究，应根据最新文献对实施方法進行深入分析。然而，本研究还处于系统设计的初始阶段，具体的实现方法还在研究之中。在此研究的基础上，需要明确功能模块以实现系统的目的，并研究功能模块的输入输出数据和数据处理的优化技术。具体阶段主要是根据所采集的数据求全局最优解和局部最优解。该系统有望减少传统注塑机无法控制的缺陷，防止注塑机故障。

参考文献：

[1]W. MacDougall， Industrie 4.0： Smart Manufacturing for the Future， Germany Trade & Invest， 2014.

[2]M. Hermann， T. Pentek， B ， Otto， Design Principles for Industrie 4.0 Scenarios. In System Sciences （HICSS）， 2016 49th Hawaii International Conference on . IEEE. （2016） 3928-3937.

[3]J. Yoon， S. Shin， S. Suh， a Conceptual Framework for the Ubiquitous Factory， International Journal of Production Research. 50（8） （2012） 2174-2189.

[4]R. Hadar， A. Bilberg， Manufacturing Concepts of the Future upcoming Technologies Solving Upcoming Challenges. In Enabling Manufacturing Competitiveness and Economic Sustainability， Springer Berlin Heidelberg. （2012） 123-128.

[5]S. Wang， J. Wan， D. Li， C. Zhang， Implementing Smart Factory of Industrie 4.0： an Outlook. International Journal of Distributed Sensor Networks. 2016.

[6]B. Hameed， I. Khan， F. Dürr， K. Rothermel， An RFID based Consistency Management Framework for Production Monitoring in a Smart Real-time Factory， In Internet of Things （IOT）. （2010） 1-8.

[7]T. Erzurumlu， H. Oktem， Comparison of Response Surface Model with Neural Network in Determining the Surface Quality of Moulded Parts， Materials & Design. 28（2） （2007） 459-465.

[8]B. Ozcelik， T. Erzurumlu， Comparison of the Warpage Optimization in the Plastic Injection Molding using ANOVA， Neural Network Model and Genetic Algorithm， Journal of Materials Processing Technology. 171（3） （2006） 437-445.

[9]X. Lu， L.Khim， a Statistical Experimental Study of the Injection Molding of Optical Lenses， Journal of Materials Processing Technology. 113（1） （2001） 189-195.

[10]S. Pattnaik， D. Karunakar， P. Jha， Application of Computer Simulation for Finding Optimum Gate Location in Plastic Injection Moulding Process， International Journal of Advanced Engineering Research and Studies 1. （2012） 159-161.

[11]J. Nam， Injection-moulded Lens form Error Prediction using Cavity Pressure and Temperature Signals based on K-fold Cross Validation， Proceedings of the Institution of Mechanical Engineers， Part B： Journal of Engineering Manufacture. （2016） 0954405416654421.

[12]R.X. Gao， Online Product Quality Monitoring through In-process Measurement， CIRP Annals-Manufacturing Technology. 63（1） （2014） 493-496.