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，武漢，430074
2．廣東省科學院智能制造研究所，廣州，510070
摘要：受溫度、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，從而導致產(chǎn)品精度下降，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，利用加工過程中的數(shù)據(jù)進行注塑成形尺寸預測，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。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、異常數(shù)據(jù)處理、數(shù)據(jù)集劃分、模型訓練、模型驗證等步驟，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，在模型訓練過程中引入了基于尺寸范圍的加權(quán)修正方法，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，結(jié)果表明，該模型對超規(guī)尺寸具有更高的預測精度，尺寸預測結(jié)果平均誤差為0.015 mm，考慮非對稱風險的加權(quán)平均誤差為5×10-6 mm。
關鍵詞：注塑成形；非對稱風險；機器學習；尺寸預測；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、效率高、自動化程度高 、產(chǎn)品尺寸范圍廣、制品精度較高、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]。但注塑成形加工過程復雜且對環(huán)境較為敏感[2]，加工過程中的環(huán)境溫度、氣壓 、冷卻水溫度等不穩(wěn)定因素容易造成產(chǎn)品精度下降、尺寸超規(guī)，從而導致產(chǎn)品降級或報廢[3]。為提高加工精度，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，實現(xiàn)了在線監(jiān)測產(chǎn)品重量變化。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，與實驗結(jié)果對比發(fā)現(xiàn)仿真模型具有較高的精度。目前，工業(yè)應用中更加關注超規(guī)尺寸的預測精度，上述研究實現(xiàn)了注塑成形的產(chǎn)品質(zhì)量預測，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。
為提高預測模型對少樣本超規(guī)尺寸產(chǎn)品的預測精度，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，LightGBM) 算法框架建立了注塑成形尺寸預測模型，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(quán)重修正方法。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，驗證集結(jié)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、注入、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，具有多階段復雜流程。注塑機的結(jié)構(gòu)如圖1所示，在工作過程中通過螺桿或柱塞等部件的推力，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)，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、加熱塑化、加壓注射、保壓冷卻、啟模取件，如圖2所示。
圖 1 注塑機結(jié)構(gòu)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，包括16600個數(shù)據(jù)樣本，記錄了傳感器高頻數(shù)據(jù)、成形機狀態(tài)數(shù)據(jù)，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、尺寸3)，數(shù)據(jù)具有樣本量大、維度高的特點。其中各類數(shù)據(jù)含義如下：
(1)傳感器高頻數(shù)據(jù)。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，采樣頻率根據(jù)階段有20Hz和50Hz兩種，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)。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)，其數(shù)據(jù)維度為86維。
(3)產(chǎn)品測量尺寸。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)。
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，主要分為六大步驟：高頻數(shù)據(jù)特征提取，數(shù)據(jù)處理，數(shù)據(jù)集劃分，非對稱風險處理，模型訓練，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。圖4為某個加工模次中關鍵傳感器數(shù)據(jù)曲線圖，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、加工階段不斷變化，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，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)，單個產(chǎn)品加工時長為40~43s，采樣頻率分階段有20Hz或50Hz，單次生產(chǎn)采樣次數(shù)約1600，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，需要提取數(shù)據(jù)中的有效特征，降低數(shù)據(jù)維度。
由于注塑成形工藝特征復雜，各傳感器數(shù)據(jù)的重要性無法在特征提取階段確定，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、最大值、最小值、中位數(shù)、方差、多個分位值等。通過特征提取方法，將高頻數(shù)據(jù)維度降維到 360(24×15)個特征值。
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，因此產(chǎn)品尺寸預測的風險不對稱，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，如圖5所示，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、危險尺寸、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，安全尺寸區(qū)域(區(qū)域3、4) 的預測精度要求較低，超規(guī)尺寸區(qū)域(區(qū)域1、6)的預測精度要求最高，危險尺寸區(qū)域(區(qū)域2、5)的預測精度要求居中。
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(quán)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，標準損失函數(shù)形式為
L(φ) ＝ ∑l(yni ，yi ) (1)
式中，yni為單棵決策樹對第i個樣本的預測值；yi為第i個樣本的真實值；l(yni，yi ) 表示決策樹的損失函數(shù)。
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、增加生產(chǎn)成本，所以不同尺寸區(qū)域的風險不同，危險／超規(guī)尺寸區(qū)域需要更加精確的預測。訓練過程中，由于樣本數(shù)量差異，超規(guī)尺寸與危險尺寸區(qū)域的樣本占比較小，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，這與本文研究的注塑成形尺寸預測模型的目標不符。
本文針對上述風險不對稱、樣本不均衡情況引入樣本權(quán)重數(shù)據(jù)，依據(jù)訓練尺寸與尺寸界限確定樣本權(quán)重，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 ，yi ) (2)
式 中，ai 為第i 個樣本對應的超規(guī)風險的加權(quán)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)，其表達式為
L2LossFunction ＝ ∑ (y － y ) 2 (3)
i＝1
式 中，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(jié)果；n 為總加工次數(shù)。
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，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。在工業(yè)大數(shù)據(jù)應用場景中，面對大樣本、高維度的工業(yè)數(shù)據(jù)集時，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。
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，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)，并刪除異常數(shù)據(jù)。在注塑成形數(shù)據(jù)集中，由于加工過程中的調(diào)試、數(shù)據(jù)記錄錯誤等原因，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，需將這些異常數(shù)據(jù)進行刪除處理。
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。訓練集用于模型訓練和超參數(shù)調(diào)整，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)，20％的數(shù)據(jù)作為驗證數(shù)據(jù)。該數(shù)據(jù)集共有數(shù)據(jù)16600模次，異常數(shù)據(jù)3模次，13277模次數(shù)據(jù)作為訓練集數(shù)據(jù)，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(quán)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，設計了非對稱超規(guī)風險下的尺寸權(quán)重處理函數(shù)。如表1所示，三個尺寸的尺寸要求不同，每個尺寸的加權(quán)數(shù)據(jù)需要獨立處理。超規(guī)風險的加權(quán)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；k為尺寸上下限決定的比例系數(shù)；w 為不同區(qū)域的修正系數(shù)；y s 為樣本的標 準值；lu 尺寸上界；ld 為尺寸下界。
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(gòu)建，在模型訓練中，對訓練集數(shù)據(jù)使用五折交叉驗證方法(圖9)，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。圖9中，D表示數(shù)據(jù)，本文將其劃分為D1~D5五個部分。
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(jié)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，本文提出的非對稱風險尺寸預測模型的預測結(jié)果如圖10所示，可以看出，預測結(jié)果與原始尺寸的分布趨勢接近。
( a) 尺 寸 1
(b) 尺 寸 2
( c) 尺 寸 3
圖 10 尺寸預測結(jié)果分布
表 3 預測結(jié)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(quán)平均誤差 4．79×10－6 4．67×10－6 4．89×10－6 5×10－6
加權(quán)誤差標準差 1．77×10－5 1．03×10－5 1．94×10－5 2×10－5
對預測結(jié)果的誤差統(tǒng)計如表3所示，三個尺寸的誤差范圍為±0.15mm、±0.075mm，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(jié)果平均誤差約0.015mm，預測精度較高，考慮非對稱風險的加權(quán)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，符合尺寸預測模型的設計目標。
4 結(jié)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，保留了高頻數(shù)據(jù)中的關鍵信息，降低了數(shù)據(jù)維度，提高了模型訓練效率。
(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(quán)重參數(shù)，調(diào)整了不同尺寸在訓練集中的權(quán)重，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。
(3) 在富士康注塑成形尺寸預測數(shù)據(jù)集上進行實驗，結(jié)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，考慮非對稱風險的加權(quán)平均誤差約5×10-6mm，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，具有一定的工程應用價值 。
參考文獻：
[1] CHEN J Y ，TSENG C C ，HUANG M S．Quality Indexes Design for online Monitoring Polymer In-jection Molding[J]．Advances in Polymer Technolo-gy，2019(419) ：1-20．
[2] CHAREST M，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，2018：1-6．
[3] 楊燦，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 ，24(2) ：158-162．
[4] ZHOU X，ZHANG Y，MAO T，et al．Monitoring and Dynamic Control of Quality Stability for Inj ection Molding Process[J]．Journal of Materials Pro-cessing Technology，2017 ，249：358-366．
[5] ZARGES J C ， HEIM H P ， 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，2020 ，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，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 ，2020 ，42 (6) ：815-819．
玻纖含量對長玻纖...
鈣鈦礦薄膜的均勻...
用于光伏板靜電除...
聚砜醫(yī)療干粉吸入...
