劉永興1 唐小琦1 鐘靖龍1 鐘震宇2 周向東1
1．華中科技大學機械科學與工程學院糖儡，武漢伐坏，430074
2．廣東省科學院智能制造研究所，廣州握联，510070
摘要：受溫度桦沉、氣壓等環(huán)境不穩(wěn)定因素的影響，注塑成形加工過程中工藝參數(shù)發(fā)生變化金闽，從而導致產(chǎn)品精度下降纯露，產(chǎn)品降級或報廢。針對類似環(huán)境不穩(wěn)定因素影響問題代芜，利用加工過程中的數(shù)據(jù)進行注塑成形尺寸預測埠褪，有助于不合格產(chǎn)品的及時發(fā)現(xiàn)，減少不合格品的產(chǎn)生挤庇〕伲基于輕量級梯度提升機(LightGBM) 框架設計了基于加工過程數(shù)據(jù)及參數(shù)的注塑成形產(chǎn)品尺寸預測模型，通過特征提取嫡秕、異常數(shù)據(jù)處理渴语、數(shù)據(jù)集劃分、模型訓練昆咽、模型驗證等步驟遵班，建立了具有非對稱風險特征的產(chǎn)品尺寸預測模型。針對產(chǎn)品尺寸超規(guī)的非對稱風險問題潮改，在模型訓練過程中引入了基于尺寸范圍的加權修正方法狭郑，以提高預測模型對超規(guī)尺寸的預測精度。最后利用富士康注塑成形尺寸預測數(shù)據(jù)集進行了驗證汇在，結果表明翰萨，該模型對超規(guī)尺寸具有更高的預測精度，尺寸預測結果平均誤差為0.015 mm糕殉，考慮非對稱風險的加權平均誤差為5×10-6 mm亩鬼。
關鍵詞：注塑成形殖告；非對稱風險；機器學習雳锋；尺寸預測黄绩；輕量級梯度提升機
引言
注塑成形作為一種常見的加工工藝，具有生產(chǎn)速度快玷过、效率高爽丹、自動化程度高 、產(chǎn)品尺寸范圍廣辛蚊、制品精度較高粤蝎、產(chǎn)品易更新?lián)Q代等優(yōu)點，適用于大量生產(chǎn)形狀復雜產(chǎn)品的成形加工領域[1]袋马。但注塑成形加工過程復雜且對環(huán)境較為敏感[2]初澎，加工過程中的環(huán)境溫度、氣壓 虑凛、冷卻水溫度等不穩(wěn)定因素容易造成產(chǎn)品精度下降碑宴、尺寸超規(guī)，從而導致產(chǎn)品降級或報廢[3]桑谍。為提高加工精度延柠，ZHOU等[4]使用壓力積分作為特征，建立了一種基于聚合物熔體性能的質(zhì)量預測模型霉囚，實現(xiàn)了在線監(jiān)測產(chǎn)品重量變化捕仔。ZARGES等[5]利用機器學習方法建立了注塑加工流程的仿真模型，實現(xiàn)了注塑產(chǎn)品長度尺寸的預測盈罐，與實驗結果對比發(fā)現(xiàn)仿真模型具有較高的精度榜跌。目前，工業(yè)應用中更加關注超規(guī)尺寸的預測精度盅粪，上述研究實現(xiàn)了注塑成形的產(chǎn)品質(zhì)量預測钓葫，但未關注實際注塑成形生產(chǎn)中產(chǎn)品尺寸的非對稱風險問題，造成對樣本量較小的超規(guī)尺寸產(chǎn)品的預測能力較差票顾。
為提高預測模型對少樣本超規(guī)尺寸產(chǎn)品的預測精度础浮，本文利用注塑加工過程數(shù)據(jù)，基于輕量級梯度提升機(light gradient boosting machine奠骄，LightGBM) 算法框架建立了注塑成形尺寸預測模型豆同，并針對注塑成形產(chǎn)品尺寸超規(guī)的非對稱風險問題，設計了基于尺寸界限的權重修正方法含鳞。在富士康注塑成形尺寸預測數(shù)據(jù)集上實現(xiàn)了對非對稱風險條件下的注塑成形產(chǎn)品尺寸預測模型的驗證影锈，驗證集結果表明該預測模型對超規(guī)尺寸和危險尺寸區(qū)域的尺寸預測具有更高精度。
1 注塑成形工藝及數(shù)據(jù)分析
1．1 注塑成形工藝流程
注塑成形工藝是通過注塑機將熔融的原料壓入成形模具中，經(jīng)過加壓鸭廷、注入枣抱、冷卻、脫模等一系列操作制作成一定形狀的半成品塑料制品的工藝過程辆床，具有多階段復雜流程佳晶。注塑機的結構如圖1所示，在工作過程中通過螺桿或柱塞等部件的推力讼载，將經(jīng)過加熱器塑化的熔融狀態(tài)(即黏流態(tài))的塑料注射入閉合的可分離模具腔體內(nèi)轿秧，經(jīng)過一定時間的保壓固化后脫模獲得塑料制品。注塑成形工藝流程包括定量加料维雇、加熱塑化淤刃、加壓注射晒他、保壓冷卻吱型、啟模取件，如圖2所示陨仅。
圖 1 注塑機結構原理
圖 2 注塑循環(huán)流程
1．2 注塑成形尺寸預測數(shù)據(jù)集
本文中所使用的注塑成形尺寸預測數(shù)據(jù)集[6]由富士康工業(yè)互聯(lián)網(wǎng)股份有限公司發(fā)布津滞，包括16600個數(shù)據(jù)樣本，記錄了傳感器高頻數(shù)據(jù)灼伤、成形機狀態(tài)數(shù)據(jù)触徐，以及每個加工模次對應的產(chǎn)品3個特征的測量尺寸(尺寸1、尺寸2狐赡、尺寸3)撞鹉，數(shù)據(jù)具有樣本量大、維度高的特點颖侄。其中各類數(shù)據(jù)含義如下：
(1)傳感器高頻數(shù)據(jù)鸟雏。傳感器高頻數(shù)據(jù)是模溫機及模具傳感器采集的數(shù)據(jù)，單個產(chǎn)品加工時長為40~43s览祖，采樣頻率根據(jù)階段有20Hz和50Hz兩種孝鹊，含有24個傳感器采集的數(shù)據(jù)。
(2)成形機狀態(tài)數(shù)據(jù)展蒂。成形機狀態(tài)數(shù)據(jù)是注塑成形過程中的一些狀態(tài)數(shù)據(jù)又活，其數(shù)據(jù)維度為86維。
(3)產(chǎn)品測量尺寸锰悼。產(chǎn)品測量尺寸含有每個產(chǎn)品3個特征的尺寸數(shù)據(jù)柳骄。
2 非對稱風險尺寸預測模型
針對注塑成形加工中的尺寸預測，本文提出的非對稱風險下尺寸預測模型的建模流程如圖3所示箕般，主要分為六大步驟：高頻數(shù)據(jù)特征提取耐薯，數(shù)據(jù)處理，數(shù)據(jù)集劃分，非對稱風險處理可柿，模型訓練鸠踪，模型驗證。
圖 3 尺寸預測模型建模流程圖
2．1 高頻傳感數(shù)據(jù)特征提取
借助python平臺對注塑成形尺寸預測數(shù)據(jù)機中的傳感器高頻數(shù)據(jù)及加工階段繪制基于時間的折線圖并進行可視化分析复斥。圖4為某個加工模次中關鍵傳感器數(shù)據(jù)曲線圖营密，可以看出，3個壓力傳感器在加工過程中采集到的壓力數(shù)據(jù)隨加工時間目锭、加工階段不斷變化评汰，由此可以反映出加工過程中設備的運行狀態(tài)。
圖 4 單次加工壓力傳感器高頻數(shù)據(jù)圖
在注塑成形加工過程中痢虹，通過安裝在設備上以及環(huán)境中的共24組傳感器采集到大量的高維高頻數(shù)據(jù)被去，單個產(chǎn)品加工時長為40~43s，采樣頻率分階段有20Hz或50Hz奖唯，單次生產(chǎn)采樣次數(shù)約1600惨缆，則單次生產(chǎn)采集的數(shù)據(jù)量約為24×1600，為提高模型的計算效率丰捷，需要提取數(shù)據(jù)中的有效特征坯墨，降低數(shù)據(jù)維度。
由于注塑成形工藝特征復雜病往，各傳感器數(shù)據(jù)的重要性無法在特征提取階段確定捣染，因此本文對高頻數(shù)據(jù)提取多種特征以充分反映加工過程中設備狀態(tài)對產(chǎn)品的影響，提取的15種特征包括均值停巷、最大值耍攘、最小值、中位數(shù)畔勤、方差蕾各、多個分位值等。通過特征提取方法硼被，將高頻數(shù)據(jù)維度降維到 360(24×15)個特征值示损。
2．2 尺寸預測的非對稱風險處理
2．2．1 尺寸預測的風險不對稱
由于產(chǎn)品尺寸容許一定的誤差，尺寸超出誤差范圍時需要報廢或降級嚷硫，因此產(chǎn)品尺寸預測的風險不對稱检访，需要在尺寸超規(guī)的情況下具有更高的預測精度。本文針對注塑成形加工中的非對稱風險問題進行處理仔掸，如圖5所示脆贵，將尺寸數(shù)據(jù)根據(jù)尺寸上下限分為6個區(qū)域，可以分類為三種尺寸：安全尺寸起暮、危險尺寸卖氨、超規(guī)尺寸。非對稱風險尺寸預測模型中，三個尺寸區(qū)域的尺寸預測精度要求不同筒捺，安全尺寸區(qū)域(區(qū)域3柏腻、4) 的預測精度要求較低，超規(guī)尺寸區(qū)域(區(qū)域1系吭、6)的預測精度要求最高五嫂，危險尺寸區(qū)域(區(qū)域2、5)的預測精度要求居中肯尺。
圖 5 尺寸區(qū)域非對稱風險的分區(qū)圖
2．2．2 超規(guī)風險損失函數(shù)加權修正
常規(guī)尺寸預測模型中的損失函數(shù)以尺寸預測精度為目標沃缘，標準損失函數(shù)形式為
L(φ) ＝ ∑l(yni ，yi ) (1)
式中则吟，yni為單棵決策樹對第i個樣本的預測值槐臀；yi為第i個樣本的真實值；l(yni氓仲，yi ) 表示決策樹的損失函數(shù)水慨。
產(chǎn)品尺寸超規(guī)后需要降級或報廢重塑，這會降低產(chǎn)品合格率寨昙、增加生產(chǎn)成本讥巡，所以不同尺寸區(qū)域的風險不同掀亩，危險／超規(guī)尺寸區(qū)域需要更加精確的預測舔哪。訓練過程中，由于樣本數(shù)量差異槽棍，超規(guī)尺寸與危險尺寸區(qū)域的樣本占比較小捉蚤，安全尺寸區(qū)域樣本在模型訓練中累計的損失占主導地位，造成模型對安全尺寸區(qū)域的預測更加精準炼七，這與本文研究的注塑成形尺寸預測模型的目標不符缆巧。
本文針對上述風險不對稱、樣本不均衡情況引入樣本權重數(shù)據(jù)豌拙，依據(jù)訓練尺寸與尺寸界限確定樣本權重陕悬，同時使用L2損失函數(shù)降低過擬合風險，其表達式為
L(φ) ＝ i l(yni 按傅，yi ) (2)
式 中捉超，ai 為第i 個樣本對應的超規(guī)風險的加權系數(shù)。
損失函數(shù)采用基于預測誤差平方和最小化的L2損失函數(shù)唯绍，其表達式為
L2LossFunction ＝ ∑ (y － y ) 2 (3)
i＝1
式 中拼岳，y 為第i 次加工預測目標的真實值；y 為第i 次加工預測目標的預測結果况芒；n 為總加工次數(shù)惜纸。
2．3 LightGBM 模型
本文采用基于決策樹算法的輕量級梯度提升機(LightGBM) [7]作為算法框架。LightGBM模型采用直方圖算法(圖6)、帶深度限制的按葉生長策略(圖7)等改進方法耐版，使得該模型訓練速度相對于梯度提升機(GBM) 模型和XGBoost模型得到了顯著提高祠够。在工業(yè)大數(shù)據(jù)應用場景中，面對大樣本粪牲、高維度的工業(yè)數(shù)據(jù)集時哪审，LightGBM模型具備較快的訓練速度，有利于隨生產(chǎn)過程進行迭代升級虑瀑。
圖 6 直方圖算法示意圖
圖 7 按葉生長策略示意圖
3 模型訓練及驗證
3．1 異常數(shù)據(jù)處理
在模型訓練過程中湿滓，異常數(shù)據(jù)對模型訓練過程會造成較大影響。本文采用基于局部的模型異常數(shù)據(jù)處理方法判定異常數(shù)據(jù)舌狗，并刪除異常數(shù)據(jù)叽奥。在注塑成形數(shù)據(jù)集中，由于加工過程中的調(diào)試痛侍、數(shù)據(jù)記錄錯誤等原因朝氓，存在部分異常數(shù)據(jù)，如圖8中標記的異常數(shù)據(jù)嚴重偏離鄰近尺寸數(shù)據(jù)的均值主届，需將這些異常數(shù)據(jù)進行刪除處理赵哲。
圖 8 異常數(shù)據(jù)的標注
3．2 數(shù)據(jù)集劃分
為驗證注塑成形尺寸預測模型的準確性，將數(shù)據(jù)集分為兩部分：訓練集與驗證集君丁。訓練集用于模型訓練和超參數(shù)調(diào)整枫夺，驗證集用于估計模型的泛化誤差。將80％的數(shù)據(jù)作為訓練數(shù)據(jù)绘闷，20％的數(shù)據(jù)作為驗證數(shù)據(jù)橡庞。該數(shù)據(jù)集共有數(shù)據(jù)16600模次，異常數(shù)據(jù)3模次印蔗，13277模次數(shù)據(jù)作為訓練集數(shù)據(jù)扒最，3320模次數(shù)據(jù)作為驗證集數(shù)據(jù)。
3．3 超規(guī)風險損失權重
針對不同尺寸的尺寸界限不同以及注塑成形的尺寸要求华嘹，設計了非對稱超規(guī)風險下的尺寸權重處理函數(shù)吧趣。如表1所示，三個尺寸的尺寸要求不同耙厚，每個尺寸的加權數(shù)據(jù)需要獨立處理强挫。超規(guī)風險的加權函數(shù)如下：
ai ＝ (ekw ＋ 1) 2 (4)
e ＝| yi － y s|
式 中，e 為樣本尺寸與標準尺寸的差值颜曾；k為尺寸上下限決定的比例系數(shù)纠拔；w 為不同區(qū)域的修正系數(shù)；y s 為樣本的標 準值泛豪；lu 尺寸上界稠诲；ld 為尺寸下界侦鹏。
表 1 尺寸標準值及誤差范圍
尺寸 1 尺寸 2 尺寸 3
標準尺寸 y s 300．000 200．000 200．000
尺寸上界 lu 300．150 200．075 200．075
尺寸下界 ld 299．850 199．925 199．925
3．4 模型訓練
基于LightGBM框架實現(xiàn)尺寸預測模型的構建，在模型訓練中臀叙，對訓練集數(shù)據(jù)使用五折交叉驗證方法(圖9)略水，以提高訓練集數(shù)據(jù)的泛化能力。LightGBM訓練參數(shù)如表2所示劝萤。圖9中渊涝，D表示數(shù)據(jù)，本文將其劃分為D1~D5五個部分床嫌。
圖 9 五折交叉驗證方法
表 2 LightGBM 訓練參數(shù)表
精度提升算法 梯度提升樹(GBDT)
損失函數(shù) L2 損失函數(shù)
葉子數(shù) 511
學習速率 0．1
最大迭代次數(shù) 5000
提前停止次數(shù) 50
3．5 實驗結果與分析
在富士康注塑成形尺寸預測數(shù)據(jù)集上進行實驗跨释，本文提出的非對稱風險尺寸預測模型的預測結果如圖10所示，可以看出厌处，預測結果與原始尺寸的分布趨勢接近鳖谈。
( a) 尺 寸 1
(b) 尺 寸 2
( c) 尺 寸 3
圖 10 尺寸預測結果分布
表 3 預測結果誤差
誤差項 尺寸 1 尺寸 2 尺寸 3 總誤差
尺寸誤差范圍 ±0．15 ±0．075 ±0．075
平均誤差 1．34×10－2 1．46×10－2 1．26×10－2 0．015
誤差標準差 1．25×10－2 1．21×10－2 1．05×10－2 0．013
加權平均誤差 4．79×10－6 4．67×10－6 4．89×10－6 5×10－6
加權誤差標準差 1．77×10－5 1．03×10－5 1．94×10－5 2×10－5
對預測結果的誤差統(tǒng)計如表3所示，三個尺寸的誤差范圍為±0.15mm阔涉、±0.075mm缆娃，總誤差為考慮三個尺寸誤差保留1~2位有效數(shù)字的不確定度數(shù)據(jù)，其中預測結果平均誤差約0.015mm瑰排，預測精度較高贯要，考慮非對稱風險的加權平均誤差達到5×10-6mm，表明本文設計的非對稱風險尺寸預測模型在尺寸超規(guī)或接近尺寸界限時具有更高的預測精度椭住，符合尺寸預測模型的設計目標崇渗。
4 結論
(1) 對注塑成形加工過程中采集的高頻數(shù)據(jù)進行可視化分析，使用多種特征提取方式對高維度加工數(shù)據(jù)提取特征函荣，保留了高頻數(shù)據(jù)中的關鍵信息显押，降低了數(shù)據(jù)維度，提高了模型訓練效率傻挂。
(2) 考慮注塑加工中尺寸超規(guī)的非對稱風險，引入了基于尺寸界限的權重參數(shù)挖息，調(diào)整了不同尺寸在訓練集中的權重金拒，使得尺寸預測模型對超規(guī)尺寸／危險尺寸更加敏感，提高了預測模型對超規(guī)尺寸／危險尺寸的預測能力套腹。
(3) 在富士康注塑成形尺寸預測數(shù)據(jù)集上進行實驗绪抛，結果表明，本文提出的非對稱風險尺寸預測模型的尺寸預測平均誤差約0.015mm电禀，考慮非對稱風險的加權平均誤差約5×10-6mm幢码，實現(xiàn)了注塑加工中的尺寸預測，對超規(guī)尺寸／危險尺寸具有更高的預測精度尖飞，具有一定的工程應用價值 症副。
參考文獻：
[1] CHEN J Y 店雅，TSENG C C ，HUANG M S．Quality Indexes Design for online Monitoring Polymer In-jection Molding[J]．Advances in Polymer Technolo-gy贞铣，2019(419) ：1-20．
[2] CHAREST M闹啦，F(xiàn)INN R，DUBAY R．Integration of Artificial Intelligence in an Injection Molding Process for On-line Process Parameter Adjustment [C]∥2018 Annual IEEE International Systems Conference．Vancouver：IEEE辕坝，2018：1-6．
[3] 楊燦窍奋，尹 曉 紅．微注塑保壓時間對平面透鏡相對折射率的影響[J]．中國機械工程，2013 酱畅，24(2) ：158-162．
[4] ZHOU X琳袄，ZHANG Y，MAO T纺酸，et al．Monitoring and Dynamic Control of Quality Stability for Inj ection Molding Process[J]．Journal of Materials Pro-cessing Technology挚歧，2017 ，249：358-366．
[5] ZARGES J C 吁峻， HEIM H P 滑负， VOLKE J ，et al．Learning Quality Characteristics for Plastic Injection Molding Processes Using a Combination of Simula－ ted and Measured Data[J]．Journal of Manufacturing Processes用含，2020 矮慕，60：134-143．
[6] 工業(yè)富聯(lián)．注塑成形工藝的虛擬量測 [DB／OL]．[2020－12－17] ．http：∥ www．iai-lighthouse．com／ competitions／22／rankAndData．Industrial unio．Virtual Measurement of the Injection Molding Process[DB／OL]．[2020-12-17]．http：∥ www．iai-lighthouse． com／competitions／22／ rankAndData．
[7] 顏 詩 旋，朱 平啄骇，劉 釗．基于改進LightGBM模型的汽車故障預測方法研究[J]．汽車工程 痴鳄，2020 ，42 (6) ：815-819．
聚砜醫(yī)療干粉吸入...
塑料包裝材料的減...
汽車功能鍵觸摸蓋I...
高性能注塑聚丙烯...
