■高雄科技大學 / 黃明賢 特聘教授
前言
隨著全球少子化的趨勢與人工智慧物聯網、5G技術的快速演進，加速了製造技術的數位化、智慧化、與無人化的發展。可預見往後的製造技術將在先進網路基礎設施下，透過佈建與整合感測與控制技術，並結合虛實整合、人工智慧和機器學習所建立的演算技術，使產品的設計製造、生產設備的監控、維修保養、生產排程、製程參數優化等的進步，達致具集成化與彈性化智慧製造的境界。為因應工業4.0時代來臨，本射出成型技術研究團隊就智慧射出成型領域投入製程技術開發，初期取得的研究成果將分別從「智慧射出成型之機上品質監測」、「智慧射出成型之機上鎖模力監測」、「智慧射出成型之人工智慧品質檢測」，以及「射出成型虛實整合技術」等方面為讀者說明。
智慧射出成型之機上品質監測
影響成型品質的因素眾多且複雜，目前精密的機臺控制仍難以確保塑件品質的一致性。本研究透過對模內熔膠及機臺感測數據之擷取並解析成型過程的模內熔膠狀態，對成型曲線的樣態分析進行科學化的參數調整，並建制標準作業程序以獲得合乎品質要求之成型曲線。所根據領域知識建立成型曲線特徵與品質指標的關聯性，結合品質檢測與擾動實驗獲致強健的成型曲線，可提高射出成品之穩定性。
已發展的關鍵技術有：(i)線上熔膠品質監測方法、(ii)品質指標設計方法、(iii)以模內及機器感測資訊優化製程參數設計方法、(iv)保壓壓力調整技術、(v)V/P切換點/充填速度/保壓壓力優化技術等。
圖1：線上熔膠品質監測系統及各種品質指標設計示意圖
本項研究近五年主要產出有：6篇SCI論文（3篇Q1、2篇Q2、一篇Q3-4）、4件發明專利、1件產學合作案。
- Chen, J.-Y., Yang, K.-J., Huang, M.-S.*, (2018), “Online quality monitoring of molten resin in injection molding,” International Journal of Heat and Mass Transfer, Vol. 122, pp. 681-693. (SCI)
- Chen, J.-Y., Tseng, J.-J., Huang, M.-S.*, (2019), “Quality indexes design for online monitoring polymer injection molding,” Advances in Polymer Technology, Vol. 2019, pp. 1-20. (SCI)
- Nian, S.-C., Fang, Y.-C., Huang, M.-S.*, (2019), “In-mold and machine sensing and feature extraction for optimized IC-tray manufacturing,” Polymers, Vol. 11, pp. 1348-1362. (SCI)
- Huang, M.-S.*, Ke, K.-C., Liu, C.-Y., (2021), “Cavity-pressure based holding pressure adjustment for enhancing the consistency of injection molding quality,” Journal of Applied Polymer Science, Vol. 138, 50357(1-10). (SCI)
- Huang, M.-S.*, Nian, S.-C., Lin, K.-T., (2021), “Influence of V/P switchover point, filling speed, and holding pressure on quality consistency of injection-molded parts,” Journal of Applied Polymer Science, 138, 51223 (1-14). (SCI)
- Chen, J.-Y., Hung, P.-H., Huang, M.-S.*, (2021), “Determination of process parameters based on cavity pressure characteristics to enhance quality uniformity in injection molding,” International Journal of Heat and Mass Transfer, Vol. 180, 121788(1-12). (SCI)
- 適當保壓時間判斷方法及其多段保壓條件設定步驟，臺灣發明專利，I667121
- 射出成型機之成品品質線上即時監測與調控方法，臺灣發明專利，I711525
- 以熔膠品質為基礎之強健型製程參數搜尋方法，臺灣發明專利，審查中
- 射出成形的品質預測方法，臺灣、中國發明專利，審查中
- CAE模擬與實機智慧化試模之實驗驗證，產學合作廠商：科盛科技股份有限公司，2019
智慧射出成型之機上鎖模力監測
射出成型品質的一致性與否與生產效率和生產成本相關，在使用回收料尤為顯著。本研究提出一種基於量測大柱伸長率的線上品質監控系統，適用於原材料和回收料的成型品質監控。鎖模力增量為監控成型品質提供合適的品質指標，此指標透過射切保時機的調整，可有效地控制成品重量分佈。本項研究近五年主要產出有：6篇SCI論文（3篇Q1、2篇Q2、一篇Q3-4）、3件發明專利、2件產學合作案、2件技術授權等。
- Huang, M.-S.*, Lin, C.-Y., (2017), “A novel clamping force searching method based on sensing tie-bar elongation for injection molding,” International Journal of Heat and Mass Transfer, Vol. 109, pp. 223-230. (SCI)
- Huang, M.-S., Nian, S.-C. Chen, J.-Y.*, Lin, C.-Y., (2018), “Influence of clamping force on tie-bar elongation, mold separation, and part dimensions in injection molding,” Precision Engineering, Vol. 51, pp. 647-658. (SCI)
- Chen, J.-Y., Liu, C.-Y., Huang, M.-S.*, (2019), “Tie-bar elongation based filling-to-packing switchover control and prediction of injection molding quality,” Polymers, Vol. 11, pp. 1168-1185. (SCI).
- Chen, J.-Y., Zhuang, Z.-S., Huang, M.-S.*, (2019), “Monitoring, prediction, and control of injection molding quality based on tie-bar elongation,” Journal of Manufacturing Processes, Vol. 46, pp. 159-169. (SCI)
- Chen, J.-Y., Liu, C.-Y., Huang, M.-S.*, (2019), “Enhance injection molding consistency by adjusting velocity/pressure switching time based on clamping force,” International Polymer Processing, Vol. 34, pp. 564-572. (SCI)
- Chen, J.-Y., Yang, K.-J., Huang, M.-S.*, (2020), “Optimization of clamping force for low viscosity polymer injection molding,” Polymer Testing, Vol. 90, 106700(1-14). (SCI)
- 射出成型機鎖模力設定方法及其系統，臺灣發明專利，I588006
- 監測成型品質的方法，臺灣發明專利，I657911
- 射出成形機之成品品質線上即時監測方法，臺灣發明專利，I663043
- 射出成型設備智機化技術諮詢暨專題實作人才培育計畫，產學合作廠商：富強鑫精密工業股份有限公司，2020
- 射出成型機鎖模力優化搜尋技術測試與輔導，產學合作廠商：百塑企業股份有限公司，2020
圖2：學習率設定對不同激勵函數之測試精度(Momentum = 0; 學習次數限制為7200次) 
圖3：使用SGDM方法對不同激勵函數之測試精度(Learning rate = 0.1; 學習次數限制為7200次)
智慧射出成型之人工智慧品質檢測
本研究採用以多層感知器類神經網絡模型，對品質指標與品質等級進行機器學習，可準確地預測成品的幾何尺寸。尤其以成型壓力曲線所擷取的品質指標，先行濾除異常值並對品質分級，可有效提高模型的預測精度。而工作人員只要對少量被判定為待確認的數據進行檢測，可大幅降低品質檢測的成本。一般工程研究人員應用ANN技術於分類迴歸分析，在機器學習之超參數的設定(Actuation function、Learning rate及Momentum)常沿用經驗法則，故難以顧及學習效率(No. of iterations)和測試精度(Testing accuracy)的表現。本研究就人工智慧模型訓練之超參數設定進行優化探討，目前投稿於國際期刊接受國際專家的意見，做為進階研究的參考。
本項研究近五年主要產出有：3篇SCI論文（2篇Q1）、1件發明專利、1件產學合作案等。
- Ke, K.-C., Huang, M.-S.*, (2020), “Quality prediction for injection molding by using a multilayer perceptron neural network,” Polymers, Vol. 12(8), pp. 1812-1833. (SCI)
- Ke, K.-C., Huang, M.-S.*, (2021), “Quality classification of injection-molded components by using quality indices, grading, and machine learning,” Polymers, Vol. 13, pp. 353-370. (SCI)
- Ke, K.-C., Huang, M.-S.*, (2021, Under review), “Enhancement of multilayer perceptron model training accuracy through the optimization of hyperparameters: A case study of the quality prediction of injection molded parts,” IJAMT
- 射出成型品質預測模組的建立方法，臺灣發明專利，審查中
- 人工智慧射出成型之品質預測應用開發(1/4)，產學合作廠商：科盛科技股份有限公司，2021
表1：優化超參數在測試精度及學習效率的表現
射出成型虛實整合技術
為射出成型製程而言，準確的模流分析模型是遂行智慧製造的重要一環，為即時更新模型的準確性，需要以量測的實際數據對虛擬的模型進行比對與修正，亦即虛實整合。目前使用模流分析技術計算模穴內熔膠流動行為雖有助於預測和優化射出成型製程參數，由於數學模型的簡化（主要是黏彈模型）、實際與模擬成型參數設定條件的不一致、材料特性參數量測之不易、以及機器老化等問題，常造成模擬與實際結果很大的差異。如此將造成模擬的優化製程參數不能直接應用於實際成型。本研究應用機器學習生成虛實校正模型，以提高模穴壓力曲線模擬結果的準確性。目前模穴壓力曲線已證實為代表射出成型品質的關鍵指標，可用於理想的製程參數的推算，例如射出切換保壓的時間設定和多段保壓壓力與時間的條件設定等。本研究所提的校正模型並非通解，可適用於一定成型範圍的製程條件操作。由於本研究所提出的方法不需要大量的數據進行模型訓練，有實用性的優點。本研究主要以自動編碼器模型來提取模擬和實際模穴壓力曲線的特徵，然後使用多層感知器模型來建立模擬和實際特徵之間的關係、再運用自編碼器對模擬特徵解碼為模穴壓力曲線。本研究以一套射出成型機、模具、一特定變動範圍之加工參數、及成型一啞鈴形狀的拉伸試片進行實驗驗證，模擬和實際模穴壓力之間的相關性從81%大幅提高至98%。
本項研究近五年主要產出有：1篇SCI論文（1篇Q2）、1件發明專利、1件產學合作案等。
- Huang, M.-S.*, Liu, C.-Y., Ke, K.-C., (2021, Accepted), “Calibration of cavity pressure simulation using autoencoder and multilayer perceptron neural networks,” Polymer Engineering and Science. (SCI)
- 以人工智慧技術對射出成型模擬分析之模穴壓力曲線調校方法，臺灣發明專利，審查中
- 射出切換保壓時機之電腦模擬與實際射出成形調校技術，產學合作廠商：科盛科技股份有限公司，2019
圖4：以AE及MLP機器學習模型以調校模擬之模穴壓力曲線實驗架構圖 
圖5：以AE及MLP機器學習模型以調校模擬之模穴壓力曲線流程圖
結語
機器學習無疑是邁向工業4.0重要的一環。在巨量資訊下，初始需透過人工針對製程建模，完成後則需藉由機器學習自主訓練，使模型隨著不斷輸入的資料進行學習越發貼近實際運作狀況。此與即時數據前處理、特徵擷取、新數據混合現有的模型進行動態修模等技術相關。至於在射出成型的應用，透過虛實整合系統可在虛擬模型中發現設計缺陷從而改進、確認機臺維修保養最佳時機、在虛擬世界執行設備維護與保養等。與此相關的技術包含：製造技術的領域知識、感測與通訊技術、物聯網、雲端運算、人工智慧、大數據分析、數位實境技術等，目前產學界已累積相當的研發能量，只是在技術整合與實際應用上有待大家一起努力。
