Optimalizace vstřikování plastů pomocí AI

Tento příspěvek bude z průmyslové oblasti vstřikování a lisování plastů. Inspiruji se článkem popisujícím výzkum určování procesních parametrů pro vstřikování plastů (1) z roku 1999. Nelekejte se, že metody z článku již nemohou o 25 let později obstát v dnešní výrobě. Naopak kdy jindy využít tyto metody než právě v éře Průmyslu 4.0, navíc když to nejsou žádné módní rychlokvašky, ale časem prověřené metody. Tento příspěvek jsem pojmenoval chytlavým spojením optimalizace "pomocí AI", protože zde zmíním i neuronové sítě, které díky zvyšování výpočetního výkonu počítačů zažívají nový boom.

Vstřikování plastů je velice komplexní proces. Dá se v něm nastavovat desítky parametrů a každý z nich může mít vliv na kvalitu výsledného dílu. Například zvýšení uzavíracího tlaku a zároveň zvýšení doby uzavření formy může snížit stopy po propadnutí na některých místech výrobku. Tradičně je nastavení parametrů vstřikování prováděno zkušeným personálem vybaveným dovednostmi, pracně vybudovaným know-how a určitou intuicí získanou s časem, spíše než skrze teoretické a analytické přístupy. Nicméně takových odborníků je nedostatek a méně zkušený personál s metodami pokus/omyl nemusí být v mezinárodním měřítku konkurenceschopný. Pojďme se tedy podívat, které metody jsou efektivnější než pokus/omyl a mohou nám pomoci určit optimální nastavení parametrů vstřikování.

a) Numerické a simulační metody
Osobně bych řekl, že tyto metody využívající moderního software pro návrh dílu, formy a procesních parametrů vstřikování mohou být druhou nejpoužívanější metodou po metodě pokus/omyl. Nebudu se o těchto metodách moc rozepisovat, protože s nimi nemám zkušenosti, ale klidně mi napište, jak se Vám osvědčily pro predikci procesních parametrů v praxi. Určitě poskytnou dobrou startovací čáru pro další experimentování přímo na Vašem konkrétním vstřikovacím stroji. 

b) Statisticky navržený experiment DOE
Design of Experiments je moje vášeň, takže tady nemůže chybět. Při rozjezdu nového projektu se většinou stejně na začátku experimentuje. To je docela zažitý proces. Bohužel se většinou experimentuje tím intuitivnějším způsobem, kdy se mění nastavení pouze u jednoho parametru vstřikování a při dosažení ucházejících vlastností výrobku se začne nastavovat další parametr. Takový přístup ale zanedbává vzájemné interakce mezi parametry, které mohou mít pověstný rozdílový efekt. U vstřikování plastů existuje spousty interakcí mezi parametry, a proto je statisticky navržený experiment dobrou volbou jak při rozjezdu projektu, tak při tzv. fine-tuning česky vyladění detailů třeba nějakého optimálního rozměru vstřikovaného dílu. DOE je zároveň metoda aktivního učení, takže poskytne cenný vhled o tom, jak který parametr ovlivňuje měřenou veličinu výrobku i ve velice komplexních procesech.

c) Umělé neuronové sítě
Dobře natrénovaná neuronová síť je černá skříňka (systém, do kterého není vidět), která ale umí dobře zobecňovat a predikovat dobré výsledky i na nových datech, které při svém trénování neviděla. Na rozdíl od regresních technik jsou neuronové sítě velice efektivní při optimalizaci nelineárních komplexních procesů, do kterých vstřikování plastů patří. Nevýhodou neuronových sítí je již zmíněná černá skříňka a tedy horší vysvětlitelnost obdržených predikcí. Další nevýhodou je nutnost většího počtu trénovacích dat ve srovnání s metodou DOE, u které stačí nižší desítky dat. Neuronové sítě podle svého typu vyžadují stovky dat, takže mohou mít dobré uplatnění, pokud svá procesní historická data již sbíráte.

d) Genetické algoritmy a evoluční strategie
Na začátku popisovaný článek zmiňuje i tyto přístupy inspirované vývojovými procesy a výběrem v přírodě vedoucí k přežití nejzdatnějších jedinců, jakožto analogie k hledání optimálních parametrů výrobního procesu. To zase zaujalo mě, jak snadno se může matematika a informatika prolínat s biologií (malá poznámka k odstavci c - umělé neuronové sítě byly také inspirovány strukturou drah a spojení v našem mozku). Evoluční strategie využívá mutace, zatímco genetické algoritmy využívají křížení parametrů modelů k dosažení lepších výsledků. Počáteční zkoušené parametry u vstřikování mohou být určené i náhodně a tyto metody se v ideálním případě časem a s větším počtem iterací doberou optimálního nastavení. Efektivita těchto metod je výrazně ovlivněná rozlehlostí hodnot zkoumaných parametrů a zvolenou vyhodnocovací funkcí kvality vstřikovaného dílu. Při správném výběru mohou tyto metody dosáhnout sub-optimálních nastavení parametrů vstřikování i bez předchozí znalosti procesu, ale vždy je lepší zapojit zkušený personál, jehož znalosti pomohou snížit počet iterací potřebných k nalezení optima. V praxi i tak bývají tyto metody v porovnání s ostatními zmiňovanými nástroji velmi pomalé - jak to u evoluce bývá.

A jaké metody pro optimalizaci produktů ze vstřikování používáte Vy? Budu rád, když mi napíšete Vaši zkušenost. Pokud uvažujete o aplikaci některé z uvedených metod na Váš produkt, neváhejte mě kontaktovat přes tento formulář na hlavní stránce.

Autor článku: Marek Malý
Datum zveřejnění: 12.5.2024

Zdroje: 
(1) Mok, S. L.; Kwong, C. K.; Lau, W. S. Review of Research in the Determination of Process Parameters for Plastic Injection Molding. Advances in Polymer Technology 1999, 18 (3), 225–236.