CN1851715A - 塑料注射过程中注塑件缺陷的智能修正方法及注塑机 - Google Patents

Abstract

本发明涉及塑料注射过程中注塑件缺陷的智能修正方法及其注塑机，其方法由以下步骤组成：(1)建立专家知识库和模糊规则库；(2)基于该知识库和模糊规则库，利用模糊推理技术建立注射过程中的缺陷修正模糊模型；(3)根据反馈的试模过程中的工艺参数、注塑件缺陷类型和缺陷程度，推理、计算得到工艺参数的修正量。本发明还相应的得到了一种注塑机。本发明的优点在于：若注塑件试模出现缺陷，则可快速调整工艺参数，从而快速修正注塑件的缺陷、缩短注塑件生产周期、提高注塑件质量、促使注射机生产能力的最大化。

Description

塑料注射过程中注塑件缺陷的智能修正方法及注塑机

技术领域

本发明涉及塑料注射成型工艺，更具体地说涉及塑料注射过程中注塑件缺陷的智能修正方法及注塑机，即利用知识工程的方法收集、整理塑料注射成型领域的专家知识，形成注射缺陷修正的专家规则库，建立注塑件缺陷修正的模糊推理模型，推理得到工艺参数的调整量，实现对塑料注射过程中制品缺陷的修正。

背景技术

塑料具有密度小、重量轻、绝缘性能好、介电损耗低、化学稳定性高以及耐磨性好等特点，被广泛应用于工业、农业、建筑、包装、国防和日常生活等各个领域，其增长率已跃居四大工业材料(塑料、钢铁、木材和水泥)之首，是世界上增长最快的工业之一，在全世界按照体积和重量计算的消耗量已经超过了钢。

塑料的注射成型具有生产周期快、生产效率高、能成型形状复杂、尺寸精确或带嵌件的制品以及易于实现自动化等特点，因此，注射成型成为塑料的主要加工方法之一，用此方法加工的塑料占到了塑料加工总重量的32％，在塑料制品生产行业中占有非常重要的地位。

塑料注射成型工艺在模塑生产中非常重要，直接影响到产品质量、成本和生产周期。同时，注塑工艺的相关因素又十分复杂，与注塑机、模具、材料等密切相关。传统的注塑工艺中注塑件缺陷的修正方法主要是尝试法(又称试错法)，依据工艺人员有限的经验不断试模达到最终消除缺陷的目的。但是在生产实际中，塑料注射成型过程包含注射、冷却、保压程、塑化、开模、顶出和加热等多个阶段，每个阶段的各个工艺参数大小都会影响注塑件的质量，传统试模中常用的人工“试错法”仅凭有限的经验难以将如此多的过程参数全面考虑和处理，而且工艺人员经验的积累无法跟上注塑工艺的发展，因此注塑件缺陷的修正过程中要反复试模，导致工艺设置时间长、生产间隙大、成型循环周期长、废品率高、产品质量不理想、生产不稳定、注射机利用率低。同时，试模过程对经验的高度依赖性使得有经验的工艺人员、试模技术人员严重不足，制约了塑料注射行业的发展。故此难以及时消除注塑件缺陷。

随着市场竞争日趋激烈，要求尽可能缩短产品生产周期、减少成型工艺设置时间、提高制品质量、促使注射机生产能力的最大化。因此，急需改进注塑件缺陷的修正方法，用新的方法来代替“试错法”。

注塑机系统上的注射过程是一个多变量、分布参数、离散、间歇工作、大滞后、非线形、强耦合且需要人参与的复杂大系统，注射过程中的许多问题都很难用传统的定量模型来描述，建立其精确的数学模型非常困难甚至是不可能的。工艺参数的调整，很大程度上依赖于人类专家的经验、知识。当前塑料注射过程模拟所采用的数值模拟技术也是基于许多假设的基础上实现的，并不能完全反映注射过程的真实情况。而模糊理论的发展，给复杂大系统的建模提供了有效的途径——模糊系统建模，可建立基于专家知识的模糊系统来描述复杂的塑料注射过程。

发明内容

本发明所要解决的技术问题是克服现有技术的上述缺陷而提供一种塑料注射过程中注塑件缺陷的智能修正方法及其注塑机，达到快速修正注塑件缺陷的目的。

本发明解决上述技术问题所采用的技术方案为：

塑料注射过程中注塑件缺陷的智能修正方法，由以下步骤组成：(1)建立专家知识库和模糊规则库；(2)基于该知识库和模糊规则库，利用模糊推理技术建立注射过程中的缺陷修正模糊模型；(3)根据反馈的试模过程中的工艺参数、注塑件缺陷类型和缺陷程度，推理、计算得到工艺参数的修正量，从而修正注塑件试模缺陷。其总体框架如图1所示。

本发明中调整的工艺参数包括5个成型过程中的参数：注射参数、保压参数、冷却参数、加热温度、塑化参数，这是由于这些参数与注塑件的质量关系最为密切。

上述工艺参数包括所有的注射工艺参数：注射时间、注射压力、注射速率、注射行程、保压时间、保压压力、冷却时间、模具温度、塑化温度、保温温度、塑化压力、塑化速度、塑化容量、塑化背压、塑化时间、后松退压力、后松退速度、后松退距离等。

注塑件缺陷分内在缺陷和表观缺陷。注塑件的质量包括内部质量和外部质量两个方面。内部质量包括结晶、取向、变形、翘曲、内应力分布、拉伸强度、弯曲强度、冲击强度、熔和缝强度、尺寸精度等等。外部质量表现为表观缺陷，包含有：凹陷、缩孔、气孔、流纹、颜色不均、烧焦、暗纹、暗斑、银纹、无光泽、泛白、剥层、白化、浇口裂纹、应力开裂、龟裂、变形(翘曲、扭转)、溢边等。外部质量是内部质量的必然反映。造成表观缺陷的因素往往都与造成制品内部质量的不良因素相一致，修正表观缺陷的同时，内部质量也得到了改善。而且，注塑件的内部质量检测需要精密的仪器设备，有些不好直接测量甚至不可测，所以，本发明中模糊模型的输入选择为工艺人员能用肉眼直接定性确定的表观缺陷，因为表观缺陷容易确定，因此，有助于使得本发明中的推广应用。同时，因为注塑件缺陷程度的不同，对工艺参数的调整程度也不同，工艺人员在反馈缺陷类型的同时，还需要反馈缺陷程度，因此模糊规则的前件之一选择为表观缺陷类型和缺陷程度。

对某个工艺参数的调整程度除了和缺陷类型和缺陷程度相关外，还和上次试模中该工艺参数的大小密切相关，因此，本发明中的模糊模型考虑了工艺参数当前值对调整量的制约，所以，模糊模型的输入之二选择为工艺参数当前值，此数值可以通过注塑机的控制器通讯接口从控制器上采集得到。基于此，模糊规则的前件之二选择为工艺参数当前值的大小程度。

本发明根据缺陷类型和缺陷程度来确定各个工艺参数的调整量，因此，选择工艺参数的调整比例作为模糊推理的输出。

由此本发明的模糊规则采用如下具体形式：

if x is A and y is B then z is C.其中，x是缺陷类型，A为语言变量，描述缺陷的程度，取值为：严重、一般、轻微，y为工艺参数的类型，B为语言变量，描述工艺参数当前值的大小，取值为：大、中、小，z为工艺参数的改变，C为语言变量，描述工艺参数改变量的大小，取值为：巨、大、中、小、微。

根据塑料注射成型领域专家知识，基于上述模糊if-then规则中A、B、C的取值内容，一种缺陷对一种工艺参数的调整都具有9条相应的if-then规则形式。例如，如果缺陷类型为“欠注”，则该缺陷对注射压力的调整涉及到如下一组模糊规则：

A)if欠注is严重and注射压力is小then注射压力增加量is巨。

B)if欠注is严重and注射压力is中then注射压力增加量is大。

C)if欠注is严重and注射压力is大then注射压力增加量is中。

D)if欠注is中等and注射压力is小then注射压力增加量is大。

E)if欠注is中等and注射压力is中then注射压力增加量is中。

F)if欠注is中等and注射压力is大then注射压力增加量is小。

G)if欠注is轻微and注射压力is小then注射压力增加量is中。

H)if欠注is轻微and注射压力is中then注射压力增加量is小。

I)if欠注is轻微and注射压力is大then注射压力增加量is微。缺陷“欠注”对其他工艺参数的调整也具有同样形式的if-then规则。同样，其他缺陷对各个工艺参数的调整也具有相同的形式。

上述模糊规则中的语言变量隶属度的定义选择三角形隶属度函数，分别如附图6、7、8所示。描述缺陷程度、工艺参数当前值大小和工艺参数修正量大小的语言变量所对应的模糊集合的论域均选择为单位区间[0，1]。对于缺陷程度，论域选择区间[0，1]符合人的思维习惯。对于工艺参数当前值的大小程度，是在给定模具、材料、注塑机之后，基于注射工艺区域中此工艺参数的变化范围来衡量的。以注射压力为例，不同材料、不同模具所需要注射压力的范围不同，注射压力当前值大小程度是以它的取值范围为参照的。为了方便地统一处理取值范围不同的工艺参数，本发明将工艺参数当前值进行归一化处理，因此，工艺参数当前值大小描述的语言变量对应的模糊集合的论域也选择为[0，1]。归一化处理形式如下：

$X^{\′}=\frac{X-X_{\min }}{X_{\max }-X_{\min }}$

其中：X为工艺参数当前值，[X_min，X_max]为工艺参数的取值区间，X′为归一化之后的值。对于工艺参数改变量的大小程度，和工艺参数当前值的大小类似，模糊推理解模糊后得到的数值是工艺参数调整量的相对比例值，是以工艺参数调整量的取值范围为参照的，而对工艺参数的调整需要得到其调整量的绝对比例值，即对工艺参数当前值调整的比例，根据每种工艺参数调整比例范围的不同，需要对推理出来的相对比例值进行反归一化处理，处理形式如下：

              z′＝z(z_max-z_min)+z_min其中，z′为注射压力调整绝对比例值，z为注射压力调整量在归一化区间[0，1]中的大小，为相对比例值，为模糊推理后解模糊的数值，[z_min，z_max]为注射压力调整比例的范围，可根据注射专家知识确定，并作为知识库保存在计算机存储器上。

如前所述，一种缺陷对一个工艺参数的修改涉及到9条相应的模糊规则，即本发明中使用的模糊规则为“具有多个前件的多条规则”，因此，模糊模型是“具有多个前件的多条规则的模糊模型”，其推理流程如附图3所示。本发明中，模糊推理模型选用Mamdani模糊模型，实现一种缺陷对一个工艺参数的修正，其中的T范式和T协范式分别采用极大一乘积复合，其模糊推理的计算过程如图4所示。其中每条规则的输出是一个模糊集合，它通过代数积用激励强度按比例降低。也可选择Sugeno模糊模型或Tsutamoto模糊模型。一种缺陷对一种工艺参数的调整涉及到从一组模糊规则推理得出的一组模糊集合，将这些模糊集合集结，并进行去模糊化，就得到为了消除该缺陷而需要对该工艺参数调整的调整相对比例的数值大小，推理过程如图3，4所示。

本发明采用的去模糊化方法为最为普遍的面积中心法Z_COA.计算示意如图6所示：

$Z_{\mathrm{COA}}=\frac{\underset{z}{\∫}{\mathrm{\μ}}_A\left(z\right)\mathrm{zdz}}{\underset{z}{\∫}{\mathrm{\μ}}_A\left(z\right)\mathrm{dz}}$

其中，μ_A(z)是集结输出的隶属度函数。

注塑件可能会出现多个不同的缺陷，影响每个缺陷的因素可能包含多个工艺参数，每种缺陷一般都会涉及到对多个工艺参数的调整。当两个不同的缺陷对同一个工艺参数的调整方向相同时，就涉及到工艺参数调整量的合成问题，当两个不同的缺陷对同一个工艺参数的调整方向相反时，就涉及到工艺参数调整量冲突的消解问题，如附图2所示。本发明中，对于调整量的合成，采用取最大值的方式，即如果两个不同的缺陷对同一个工艺参数的调整方向相同，则最终的工艺参数调整量取其中较大的调整量数值；对于调整量的冲突，根据缺陷的优先级来选择，以优先级高的缺陷的调整量作为该工艺参数项最终的修正量。其中缺陷的优先级，即为多个缺陷同时出现时缺陷修正的次序，可根据实际生产经验和专家经验来确定，并作为知识库保存在计算机的存储器中。

当工艺人员反馈多个缺陷时，不同缺陷在对每种工艺参数修正时所使用的模糊规则都不一样，因此需要如图2所示的模糊规则分配器来确定各个缺陷对某个工艺参数调整的模糊规则，即根据缺陷类型和影响缺陷的工艺参数找到模糊规则库中相应的9条模糊规则集，分别为各个模糊子系统所使用。

综上所述，本发明所述的塑料注射过程中注塑件缺陷的智能修正方法，采用模糊推理技术，以工艺人员反馈的缺陷类型、缺陷程度和通过注塑机控制器通讯接口采集到的工艺参数当前值为输入，将工艺参数当前值进行归一化处理后，在收集整理好的模糊规则库基础上，利用Mamadani模糊模型进行模糊推理，得到各工艺参数的调整比例，将调整后的工艺参数上传到控制器中，进行下次的注射，方法的整体框架如图1所示。

模糊推理的具体实现如图2所示，工艺人员输入多个缺陷，系统从注塑机控制器中采集各个工艺参数的当前值，模糊规则分配器在模糊规则库中搜索到各个不同缺陷对应的需要修改的工艺参数的模糊规则集，形成多个模糊推理子系统，每个子系统分别确定不同缺陷对某一工艺参数的调整量大小，对不同子系统推理出来的对同一工艺参数的调整量进行合成与冲突消解，分别得到每个工艺参数调整量的综合值。每个子系统的模型如附图3所示，子系统的推理计算过程如附图4所示。

本发明还提供一种注塑机，其包括注塑机主机、存贮器、模糊推理处理器和控制器，所述的存储器存储模糊规则库、知识库和隶属度函数，所述的模糊推理处理器通过上述方法确定工艺参数，并将工艺参数传输给控制器。这样的注塑机能够自动消除注塑件的缺陷。

与现有技术相比，本发明的优点在于：若注塑件试模出现缺陷，则可通过此方法快速调整工艺参数，从而快速修正注塑件的缺陷、缩短注塑件生产周期、提高注塑件质量、促使注射机生产能力的最大化。

本发明还得到了一种能快速消除注塑件缺陷的注塑机。

附图说明

图1是本发明注塑件缺陷修正总体流程框图；

图2是本发明修正多缺陷、调整多工艺参数的模糊推理过程模型图；

图3是本发明修正一种缺陷而调整某一工艺参数时模糊推理模型图；

图4是本发明对T范式和T协范式采用极大一乘积复合的Mamdani模糊推理过程示意图；

图5是本发明面积中心法解模糊的示意图；

图6是本发明描述缺陷程度语言变量的隶属度函数；

图7是本发明描述工艺参数当前值大小程度的隶属度函数；

图8是本发明描述工艺参数调整量大小程度的隶属度函数。

具体实施方式

以下结合附图实施例对本发明作进一步详细描述。

一副模具，注射塑料选择ABS，缺陷类型为“欠注”，工艺参数为“注射压力”。

图1是本发明实施例的总体框图，说明了本发明的总体实现方法和流程。在知识获取部分，通过知识工程的方法收集整理塑料注射专家知识，形成“欠注”对“注射压力”修正的模糊if-then规则集，其形式如发明内容中模糊if-then规则的例子所示；同时，形成缺陷优先级的知识库，用以确定多个缺陷同时出现时，到底先修正哪个缺陷。模糊规则库和知识库均以数据库的方式(如Microsoft Access)保存在计算机的存储器中，在模糊推理的过程中读出，作为模糊推理的基础。同时，确定描述模糊if-then规则中使用的语言变量的隶属度函数定义，如图6、7、8，即分别确定描述缺陷程度的语言变量、描述工艺参数当前值大小、描述工艺参数改变比例程度的隶属度函数，本发明中采用三角形隶属度函数。

通过注塑机控制器的标准通讯接口，从注塑机控制器上采集到上次试模中设定的注射压力数值X，将此数值采用如下公式进行归一化处理：

$X^{\′}=\frac{X-X_{\min }}{X_{\max }-X_{\min }}$

其中[X_min，X_max]为注射压力的取值区间，可以取材料库中的推荐注射压力区间，从而得到注射压力在此范围内的相对大小数值X′，作为模糊推理的输入条件之一。

再由工艺人员确定缺陷类型和程度。通过工艺人员对试模后注塑件质量的观测和实际生产经验的积累，获取注塑件的缺陷类型和缺陷的程度，以单位区间[0，1]之间的数值来表示缺陷的程度，若缺陷程度为0则表示没有缺陷，若为1，则表示缺陷非常非常严重，缺陷程度从0到1之间的变化表示缺陷程度的增加。此数值也作为模糊推理的输入条件之一。

两个推理的输入条件确定之后，进行模糊推理，对工艺参数进行调整。模糊推理的流程采用图2和图3所示的流程。首先，通过缺陷类型和需要调整的工艺参数类型，找到规则库中相应的模糊规则集，在此具体实施方式中，输入条件为“欠注”和“注射压力”，因此找到关于“欠注”对“注射压力”修正的9条规则，即为其中一个独立的模糊子系统中使用的规则集，这个操作就是在模糊规则分配器中完成的。找到相应的规则集后，按照图3所示的流程进行具体的推导。图3中的输入x表示从注塑机上采集到的注射压力的数值经过归一化处理之后的数值大小，输入y表示工艺人员检测到的缺陷类型和程度，在这里指“欠注”。然后计算出各条规则两个对应于x、y前件的匹配度，从而可通过乘积复合计算出规则的激励强度，从而用激励强度导出有效的后件隶属度函数，在集结器中综合各条规则的有效后件，求得总输出的隶属度函数，这一过程如图4所示。然后利用如图5所示的面积中心法去模糊化求出总输出隶属度函数的面积中心对应的横坐标值，即可得到缺陷“欠注”对“注射压力”修正量在归一化区间[0，1]中的大小z。

若还存在需要调整“注射压力”的其他缺陷，则需要进行修正的合成和冲突的消解流程，即需要将两种缺陷对“注射压力”的调整量合并。如果两种缺陷都需要增加注射压力，则最终注射压力的增加量取其中较大的一个，若两种缺陷一个需要增加注射压力，一个需要减小注射压力，则读出知识库中的缺陷优先级，比较哪个缺陷的优先级更高，则注射压力的修改量按照优先级较高的那个缺陷来取值。在本发明的具体实施方式例子中，只有缺陷“欠注”，故不存在修正的合成和冲突的消解问题。

得到“注射压力”修正量在归一化区间[0，1]中的大小后，计算注射压力调整量关于原先注射压力当前值的比例。计算方法按照下列公式进行：

                 z′＝z(z_max-z_min)+z_min其中，z′为注射压力调整比例数值，z为注射压力调整量在归一化区间[0，1]中的大小，[z_min，z_max]为注射压力调整比例的范围，例如，可以取[0，0.2]，就是说，注射压力调整量最小为0％，最大为20％，此范围可根据实际生产经验选取。

最后，通过注塑机控制器的通讯接口将调整后的注射压力上传到注塑机控制器中，用以进行下次注射成型，从而修正制品的缺陷。

Claims (11)

1.塑料注射过程中注塑件缺陷的智能修正方法，其特征在于：由以下步骤组成：(1)建立专家知识库和模糊规则库；(2)基于该知识库和模糊规则库，利用模糊推理技术建立注射过程中的缺陷修正模糊模型；(3)根据反馈的试模过程中的工艺参数、注塑件缺陷类型和缺陷程度，推理、计算得到工艺参数的修正量。

2.按权利要求1所述的塑料注射过程中注塑件缺陷的智能修正方法，其特征在于：所述的工艺参数通过注塑机控制器的标准通讯接口取得。

3.按权利要求1或2所述的塑料注射过程中注塑件缺陷的智能修正方法，其特征在于：所述的工艺参数进行归一化处理。

4.按权利要求1-3所述的任一塑料注射过程中注塑件缺陷的智能修正方法，其特征在于：所述的模糊规则为if x is A and y is B then z is C的形式，所述的x表示注塑件外观缺陷类型，A表示外观缺陷x的程度，其取值为模糊语言变量；y表示导致出现该缺陷的注塑工艺参数类型，B表示该工艺参数前一次试模时的大小；z表示工艺参数的改变量，C表示改变量的程度，其取值为模糊语言变量。

5.按权利要求4所述的塑料注射过程中注塑件缺陷的智能修正方法，其特征在于：所述的模糊语言变量的隶属度函数为三角形隶属度函数。

6.按权利要求1-5所述的任一塑料注射过程中注塑件缺陷的智能修正方法，其特征在于：所述的描述缺陷程度、工艺参数当前值大小和工艺参数修正量大小的语言变量所对应的模糊集合的论域均选择为单位区间[0，1]。

7.按权利要求1-6所述的任一塑料注射过程中注塑件缺陷的智能修正方法，其特征在于：所述的模糊推理模型为Mamdani模糊模型、Sugeno模糊模型或Tsutamoto模糊模型。

8.按权利要求书1-7所述的任一塑料注射过程中注塑件缺陷的智能修正方法，其特征在于：所述的缺陷有多个缺陷时，由模糊规则分配器在模糊规则库中搜索到各个不同缺陷对应的需要修改的工艺参数的模糊规则集，形成多个模糊推理子系统，每个子系统分别确定不同缺陷对某一工艺参数的调整量大小，对不同子系统推理出来的对同一工艺参数的调整量进行合并或冲突消解，分别得到每个工艺参数调整量的综合值。

9.按权利要求书8所述的塑料注射过程中注塑件缺陷的智能修正方法，其特征在于：所述的调整量的合成，采用取最大值的方式；所述调整量的冲突消解，根据缺陷的优先级来选择，以优先级高的缺陷的调整量作为该工艺参数项最终的修正量。

10.按权利要求书9所述的塑料注射过程中注塑件缺陷的智能修正方法，其特征在于：所述缺陷的优先级根据实际生产经验和专家经验来确定，并作为知识库保存在计算机的存储器中。

11.一种注塑机，其特征在于：包括注塑机主机、存贮器、模糊推理处理器和控制器，所述的存储器存储模糊规则库、知识库和隶属度函数，所述的模糊推理处理器通过上述方法确定工艺参数，并将工艺参数传输给控制器。

Images