联手AI的注塑成型工艺，将有多强大？

德国塑料中心（SKZ）和德国弗劳恩霍夫制造工程与自动化研究所（Fraunhofer IPA）正在合作开发基于贝叶斯网络的注塑成型（IM）工艺过程监控系统。在他们的研究项目“ProBayes”的研究过程中，研究人员在SKZ实验室中构建了一个完全联网的注塑单元，展示了一个能够检测产品的质量偏差、识别最可能的原因，并为机器操作人员提供具体建议的实时操作系统。

标题图：SKZ和Fraunhofer IPA开发了贝叶斯网络来监控注塑成型工艺。前景所示为仪表板投影，它汇集了注塑单元中所有设备的数据© SKZ

从事塑料加工的生产工人因为需要负责多台机器，所以必须快速检测并消除因材料波动或参数设置不正确而引起的质量偏差。考虑到注塑成型工艺的复杂性和持续的时间压力，这并非易事。

在“ProBayes”研究项目的研究过程中，德国塑料中心（SKZ）和德国弗劳恩霍夫制造工程与自动化研究所（IPA）开发了一种辅助系统，它能够分析注塑机、外围设备和质量测量系统每个注塑周期的数据，并检测零件质量的偏差。基于贝叶斯网络的过程模型能够学习设定参数、过程变量和质量特征之间的关系，并确定质量偏差的原因。该系统能够提供具体的操作建议，机器操作人员可以采纳这些建议作为新的设置，从而实现最为理想的操作控制。通过这一方式，专业人员就能轻松地进行故障诊断、原因识别和纠正。

连接机器、外围设备和质量测量系统

该辅助系统基于在SKZ实验室中构建的一个注塑单元。除了注塑机外，它还包含材料调节系统、温度控制装置和在线质量测量系统（标题图）。

图1：注塑单元的软件架构。MQTT是一种用于机器通信的通信协议（来源：SKZ；图：© Hanser）

所有部件通过中间件（更准确地说是Cybus GmbH公司生产的Cybus Connectware）相互通信。中间件通过特定的通信协议与每个部件通信并将数据映射到MQTT主题。因为尽可能使用了最新的OPC UA配套规范（例如：Euromap 77和82.1），注塑单元除了用作研究项目的测试平台，还充当注塑成型相关配套规范工业应用的试验台（图1）。

训练数据生成和模拟扩展

为了生成训练数据，注塑单元经过了全面的实验设计，并且收集的工艺数据被汇总成一个基于周期的小型数据集。该数据集在EUDAT数据平台上公开可用，包括详细说明（图2）。同时，其目标是通过注塑模拟来扩展训练数据。为此，在Moldex3D中创建了一个仿真模型并用与注塑单元相似的设置进行了模拟。将模拟部件的质量特性与实际制件的质量特性进行比较，从而量化所谓的Sim-to-Real差距，即模拟与现实之间的差异。

图2： EUDAT平台上发布的数据集链接（来源：SKZ）

比较发现两者之间差距太大，因此贝叶斯网络的训练仅使用真实世界的过程数据。尽管后续研究项目将更深入地研究如何缩小模拟与真实的差距，但其结果突显了真实的过程数据的重要性。因此，SKZ为有兴趣的公司提供了咨询服务来解释“我需要哪些过程数据以及如何获取数据”的问题。它包括基于软件的相关参数的实际采集以及可能用到的在线测量技术的集成。

在生产过程中验证贝叶斯网络

开发的贝叶斯网络由代表物理量的结点以及描述物理量间依赖关系的边组成。最初，关注的重点在于被用作质量特征的生产零件的重量。因此，贝叶斯网络包含对零件重量有直接影响的设定参数和工艺参数。首先，根据专业知识确定这些参数及其依赖关系，然后对数据集使用特征选择算法（例如通过基于相关性的特征选择算法）。

图3：零件重量质量特征的贝叶斯网络结构（来源：Fraunhofer IPA、SKZ；图：© Hanser）

生成数据时使用的实验设计模式对要从数据集中获取的参数依赖关系有着至关重要的影响。因此，经过多次实验设计，并且特征选择算法的结果经过领域专家的严格审查，最后才确定了网络的最终结构（图3）。基于该结构和收集的过程数据，贝叶斯网络得到了训练。

图4：“人机回圈”：演示样品架构图。来自注塑机和外围设备的数据通过中间件
（Connectware）聚合并传输到贝叶斯网络进行推理（来源：SKZ；图：© Hanser）

然后，在注塑单元上对经过训练的贝叶斯网络进行验证。来自于注塑机和外围设备的数据通过Connectware输入到Python中进行预处理。在Halerium（供应商：Erium GmbH）中实现的贝叶斯网络接收预处理数据并对零件重量进行预测。质量偏差最可能的原因也会被计算出来，它和建议操作都将通过Streamlit应用程序显示给机器操作人员（图4）。

验证时考虑了两个方面：第一，该网络准确预测下一个部件重量的能力；第二，建议操作的质量。针对前者，其准确度通过平均绝对误差（MAE）来评估，新的未经训练的操作点（零件重量约为100g）的误差约为0.5-1g。建议操作的质量按如下进行量化：机器按照经过训练的工艺窗口内部或外部的随机设置启动。同时，给贝叶斯网络一个公差为±0.5g的目标重量。该网络将推理出建议的操作以获得所需的重量，机器操作人员无需审核即可采纳。在每个测试场景中，目标重量均得以实现，平均偏差为0.13g，即在公差范围内。

前景展望

最后的测试完美展示了该模型的可靠性和稳健性。需要注意的是，该模型仅适用于经过测试的注塑机、模具和材料组合。但是，该模型可经过修改以适应公司自己的工艺和模具，这也是开发服务的一部分。

SKZ于2023年初启用的新模型工厂中安装的注塑单元也将用于未来的研究项目。后续项目“ProBayes ReLoad”正在考虑启动，它涉及模具取样的优化，以及利用采样阶段来生成过程模型的训练数据。此外，这些公司还可以用集成的OPC UA配套规范来测试新设备或用他们自己的模具进行实验性生产并获得自定义的数据集。

本文翻译自Plastics Insights杂志
作者：Jonathan Lambers M. Sc.，Jakob Schüder M. Sc.z，Dr.-Ing. Giovanni Schober

来源：荣格-《国际塑料商情》

原创声明：
本站所有原创内容未经允许，禁止任何网站、微信公众号等平台等机构转载、摘抄，否则荣格工业传媒保留追责权利。任何此前未经允许，已经转载本站原创文章的平台，请立即删除相关文章。