TW202238454A - 智能化射出成型系統及其方法 - Google Patents

Abstract

一種智能化射出成型系統及其方法，係藉由機器學習所訓練建立的訓練模型，配合射出成型資料，提供建議參數給射出成型模組，以利射出成型之製程的進行。

Description

智能化射出成型系統及其方法

本發明是有關於一種智能化射出成型系統及其方法，尤指一種能夠運用機器學習，而訓練建立出射出成型的參數的智能化射出成型系統及其方法。

射出成型（injection molding）是一種生產由熱塑性塑膠或熱固性塑膠所構成的部件的過程。射出成型就是將塑膠（一般為粒料）在射出成型機的料筒內加熱熔化，當呈流動狀態時．在柱塞或螺杆加壓下，熔融塑膠被壓縮並向前移動，進而通過料筒前端的噴嘴注入溫度較低的閉合模具內，經過一定時間冷卻定型後，開啟模具，以取出產品。

此外，為因應各種如消費性電子產品、工具機精密零組件、車載零組件、醫療產品等對於高精度尺寸的需求日益增加，故射出成型的製程的重要性更加提升。

現有的射出成型之製程仍有無法抗拒之變數，諸如當日溫度、模具、氣體反壓、材料等，無法調控製造出適用之產品，一般需倚賴經驗豐富的資深人員依據該變數，調整射出成型的機具，而製造出合適的產品，且工廠往往會將此變數傳承下去。然而，憑藉資深人員的豐富經驗，是可以克服問題，但有時人為的判斷仍充滿著不可預知的錯誤，故如何改善現有的射出成型之機具或製程所遭遇到的問題，將是業界所要解決之課題之一。

本發明提供一種智能化射出成型系統及其方法，其係透過機器學習所訓練建立的訓練模型，配合射出成型資料，藉此提供建議參數給射出成型模組，以利一射出成型之製程的進行，並能避免人為失誤的產生。

本發明之一實施例提供一種智能化射出成型系統，包括一射出成型模組、一中繼模組以及一計算模組。中繼模組訊號連接射出成型模組。計算模組訊號連接中繼模組。計算模組包括一機器學習單元以及一運算單元，運算單元連接機器學習單元。依據一生產資料藉由機器學習單元機器學習而得到一訓練模型。射出成型模組提供一射出成型資料，中繼模組將射出成型資料傳送至運算單元，運算單元依據射出成型資料由訓練模型中選擇出一推薦參數，推薦參數由中繼模組提供至射出成型模組。

在一實施例中，上述生產資料包括一射出設備規格、一材料規格、一模具規格以及一成型參數履歷。

在一實施例中，上述計算模組包括一裝置資料庫、一材料資料庫與一替代模型資料庫。

在一實施例中，上述裝置資料庫包括一射出成型機具型號之資料、一模具溫度控制單元之資料、一自動控制單元之資料、一反壓氣體單元之資料、一感應加熱控制單元之資料、一進料螺旋直徑之資料、一進料螺旋行程之資料、一進料螺旋速率之資料、一進料螺旋長度/直徑比之資料、一射出量之資料、一射出比率之資料、一射出速度之資料、一射出壓力之資料、一夾具力量之資料、一夾具行程之資料、一模具高度之資料與一定模板尺寸之資料。

在一實施例中，上述材料資料庫包括一材料之資料、一烘乾溫度之資料、一烘乾時間之資料、一熔融溫度之資料、一鑄模溫度之資料、一反壓之資料、一進料螺旋速度之資料、一氣孔深度之資料、一比重之資料、一塑膠材料成型收縮率之資料、一熔流指數之資料與一拉伸彈性模數之資料。

在一實施例中，上述替代模型資料庫包括一材料種類之資料、一厚度之資料、一長度/厚度比率之資料、一熔融溫度之資料、一鑄模溫度之資料、一填充時間之資料、一射出壓力之資料、一保壓壓力之資料與一保壓時間之資料。

在一實施例中，上述計算模組更包括一選取單元。裝置資料庫、材料資料庫、替代模型資料庫分別連接選取單元。

在一實施例中，上述計算模組更包括一專家建議單元。專家建議單元連接選取單元。

在一實施例中，上述中繼模組為一伺服器。

在一實施例中，上述推薦參數包括一充填時間、一射出壓力、一保壓壓力、一保壓時間、一模具溫度、一材料溫度與一冷卻時間。

本發明之另一實施例提供一種智能化射出成型方法，包括以下步驟：依據一生產資料藉由一機器學習單元機器學習而得到一訓練模型；輸入一射出成型資料至一運算單元；運算單元依據射出成型資料由訓練模型中選擇出一推薦參數；以及將推薦參數輸出至一射出成型模組。

在一實施例中，上述智能化射出成型方法包括以下步驟：依據推薦參數，射出成型模組進行一射出成型的製程。

在一實施例中，上述智能化射出成型方法包括以下步驟：若建議參數符合射出成型的規格，持續進行射出成型的製程；以及若建議參數未符合射出成型的規格，停止射出成型的製程。

在一實施例中，上述若建議參數未符合射出成型的規格，停止射出成型的製程的步驟中，包括以下步驟：重新藉由機器學習單元機器學習而得到另一個訓練模型。

在一實施例中，上述智能化射出成型方法包括以下步驟：依據射出成型資料，而由一裝置資料庫、一材料資料庫、一替代模型資料庫選出所需之資料，所選出之資料係提供給運算單元。

在一實施例中，上述所述依據生產資料藉由機器學習單元機器學習而得到訓練模型的步驟中，包括以下步驟：採用一條件生成對抗網路的方法訓練建立訓練模型。

在一實施例中，上述所述依據生產資料藉由機器學習單元機器學習而得到訓練模型的步驟中，包括以下步驟：採用一射出設備規格、一材料規格、一模具規格以及一成型參數履歷作為生產資料。

基於上述，本發明經由機器學習的訓練模型配合射出成型資料，提供建議參數給射出成型模組，以利一射出成型的製程之進行，藉以避免人為判斷所可能造成的失誤。

再者，相較於習用技術係針對多個射出成型機的整體規劃，即讓多個射出成型機的每一台功能、效率能平均，但習用技術反而造成部分原本執行效能較佳之射出成型機降低功能、效率，反觀，本發明針對單一射出成型機與相關射出設備規格、材料規格、模具規格以及成型參數履歷等生產資料去做機器學習，專用於單一射出成型機，可以讓單一射出成型機的射出成型製作出的產品更為優化。

此外，相較於利用相關案例去選擇相關推薦參數，本發明是利用機器學習，可將原本在廠內可量產之較佳的推薦參數存取下來，做為機器學習的目標，或再更精確優化。

為讓本發明能更明顯易懂，下文特舉實施例，並配合所附圖式作詳細說明如下。

以下結合附圖和實施例，對本發明的具體實施方式作進一步描述。以下實施例僅用於更加清楚地說明本發明的技術方案，而不能以此限制本發明的保護範圍。

需說明的是，在各個實施例的說明中，所謂的「第一」、「第二」係用以描述不同的元件，這些元件並不因為此類謂辭而受到限制。在各個實施例的說明中，所謂的「耦接」或「連接」，其可指二或多個元件相互直接作實體或電性接觸，或是相互間接作實體或電性接觸，而「耦接」或「連接」還可指二或多個元件相互操作或動作。

此外，為了說明上的便利和明確，圖式中各元件的厚度或尺寸，係以誇張或省略或概略的方式表示，以供熟悉此技藝之人士之瞭解與閱讀，且每個元件的尺寸並未完全為其實際的尺寸，並非用以限定本發明可實施之限定條件，故不具技術上之實質意義，任何結構之修飾、比例關係之改變或大小之調整，在不影響本發明所能產生之功效及所能達成之目的下，均仍應落在本發明所揭示之技術內容涵蓋之範圍內。在所有圖式中相同的標號將用於表示相同或相似的元件。

第1圖為本發明的智能化射出成型系統的示意圖。請參閱第1圖，本實施例的智能化射出成型系統100包括一射出成型模組110、一中繼模組120以及一計算模組130，其中射出成型模組110可為一射出成型機，射出成型機的結構與構件係為該所屬技術領域中具有通常知識者所知悉，故不進一步贅述。

在本實施例中，中繼模組120訊號連接射出成型模組110。中繼模組120與計算模組130可透過硬體(例如處理器、電腦、主機)、軟體(例如處理器執行之程式指令)或其組合來實施，中繼模組120為一伺服器或任何能夠傳輸與接收資料的裝置。中繼模組120可對射出成型模組110發出指令來進行加工。

在本實施例中，計算模組130訊號連接中繼模組120，計算模組130可設置在雲端或控制器之內，因此計算模組130可以利用其中所建置的計算程序來得出所需要的建議參數，而且可以在遠端用有線傳輸或無線傳輸的方式來與計算模組130完成資訊傳輸。特別的是，本實施例的計算模組130係運用機器學習(Machine Learning)，即是設計和分析一些讓計算程序可以自動學習的演算法。機器學習演算法是一類從資料中自動分析獲得規律，並利用規律對未知資料進行預測的演算法，以下配合第2圖與第3圖詳述之。

第2圖為第1圖中計算模組的示意圖。第3圖為機器學習單元與運算單元的示意圖。請參閱第2圖與第3圖，在本實施例中，計算模組130包括一裝置資料庫131、一材料資料庫132、一替代模型資料庫133、一選取單元134、一運算單元135、一專家建議單元136以及一機器學習單元137，其中裝置資料庫131、材料資料庫132、替代模型資料庫133是可依據其名稱提供適當的資訊。

詳細而言，裝置資料庫131係針對裝置資訊，裝置資料庫131包括一射出成型機具型號之資料、一模具溫度控制單元之資料、一自動控制單元之資料、一反壓氣體單元之資料、一感應加熱控制單元之資料、一進料螺旋直徑之資料、一進料螺旋行程之資料、一進料螺旋速率之資料、一進料螺旋長度/直徑比之資料、一射出量之資料、一射出比率之資料、一射出速度之資料、一射出壓力之資料、一夾具力量之資料、一夾具行程之資料、一模具高度之資料與一定模板尺寸之資料。然，上述這些裝置資料庫131可依據實際狀況而可調整其內之資訊內容，來符合各式各樣不同類別、產品。

在本實施例中，材料資料庫132係針對材料資訊，材料資料庫132包括一材料之資料、一烘乾溫度之資料、一烘乾時間之資料、一熔融溫度之資料、一鑄模溫度之資料、一反壓之資料、一進料螺旋速度之資料、一氣孔深度之資料、一比重之資料、一塑膠材料成型收縮率之資料、一熔流指數之資料與一拉伸彈性模數之資料。然，上述這些材料資料庫132可依據實際狀況而可調整其內之資訊內容，來符合各式各樣不同製程產品。

在本實施例中，替代模型資料庫133包括一材料種類之資料、一厚度之資料、一長度/厚度比率之資料、一熔融溫度之資料、一鑄模溫度之資料、一填充時間之資料、一射出壓力之資料、一保壓壓力之資料與一保壓時間之資料。

在本實施例中，裝置資料庫131、材料資料庫132、替代模型資料庫133分別連接選取單元134，選取單元134連接運算單元135，且選取單元134係依據射出成型資料，而由裝置資料庫131、材料資料庫132、替代模型資料庫133選出所需之資料，該所選出之資料係提供給一運算單元135。

此外，在一實施例中，專家建議單元136連接選取單元134，專家建議單元136係與至少一射出成型之專家連線，以使該專家能夠即時提供專業服務，於上述選取單元134依據射出成型資料選取的資料作一判斷或調整，進而克服射出成型時可能遭遇的難題。

在本實施例中，機器學習單元135依據生產資料藉由機器學習而得到一訓練模型TP，機器學習例如是可利用條件生成對抗網路(Conditional Generative Adversarial Nets，cGANs）、或生成對抗網路 (Generative Adversarial Network，GAN）等，其可端視實際情況來調整機器學習的程式。

在此配置之下，使用者得將射出設備規格S1、材料規格S2、模具規格S3以及成型參數履歷S4等生產資料輸入至機器學習單元135，藉由機器學習以訓練建立該單一射出成型機與射出成型之製程相關的訓練模型TP。得到訓練模型TP之後，可供後續加工使用。一實施例中，射出成型模組110提供射出成型資料，中繼模組120將射出成型資料傳送至計算模組130中的運算單元135，運算單元135依據射出成型資料由該訓練模型TP中選擇出一推薦參數，推薦參數由中繼模組120提供至射出成型模組110，依據推薦參數，射出成型模組110進行一射出成型的製程。

需說明的是，上述推薦參數包括充填時間、射出壓力、保壓壓力、保壓時間、模具溫度、材料溫度與冷卻時間，前述之材料能夠為塑料。

由於本實施例針對單一射出成型機與相關射出設備規格S1、材料規格S2、模具規格S3以及成型參數履歷S4等生產資料去做機器學習，並非是針對多個射出成型機的整體規劃，由於每個射出成型機運作後的健康程度不盡相等，即便相同射出成型資料與訓練模型TP，其所運算後的推薦參數也不盡然相等，故本實施例的推薦參數並非針對適用於多個射出成型機，而是依據各個射出成型機之情況去選擇出推薦參數，此舉可以讓單一射出成型機的射出成型製作出的產品更為優化。

再者，本實施例還可改善以資深人員的豐富經驗來提供參數的作法，能避免人為失誤的產生。

此外，相較於利用相關案例去選擇相關推薦參數，本發明是利用機器學習，可將原本在廠內可量產之較佳的推薦參數存取下來，做為機器學習的目標，或再更精確優化。

第4圖為本發明的智能化射出成型方法的流程示意圖。請配合參考第1圖至第3圖所示，本實施例的智能化射出成型方法S100包括以下步驟S110至步驟S150。

進行步驟S110，依據一生產資料藉由機器學習單元137機器學習而得到訓練模型TP，其中生產資料可為如第3圖所示的射出設備規格S1、材料規格S2、模具規格S3以及成型所需的成型參數履歷S4。在一實施例中，步驟S110包括以下步驟：採用射出設備規格S1、材料規格S2、模具規格S3以及成型參數履歷S4作為生產資料。接著，採用一條件生成對抗網路(Conditional Generative Adversarial Nets，cGANs）的方法訓練建立該訓練模型TP。機器學習單元137將射出設備規格S1、材料規格S2、模具規格S3以及成型所需的成型參數履歷S4訓練建立該單一射出成型機與射出成型之製程相對的一訓練模型TP。

得到訓練模型TP之後，接著，進行步驟S120，輸入一射出成型資料至一運算單元135。詳細而言，該射出成型資料經由一無線或一有線方式傳送至中繼模組120，中繼模組120再將該射出成型資料經由一無線或一有線方式傳送至計算模組130中的運算單元135。接著，依據該射出成型資料，而由一裝置資料庫131、一材料資料庫132、一替代模型資料庫133選出所需之資料，該所選出之資料係提供給運算單元135。

在一實施例中，射出成型資料包括流動長度、投影面積、產品體積、澆口厚度/直徑、產品厚度、流道佔有體積比例、水管離膜面平均距離、材料與射出成型機具之型號，其中流動長度包括流動最大長度與流動最小長度，產品厚度包括產品最大厚度與產品最小厚度，且上述流動長度、澆口厚度/直徑、產品厚度水管離膜面平均距離之單元可為公厘(mm)、公分(cm)、公尺(m)、英寸(inch)或英尺(foot)；投影面積之單元可為平方公釐(mm ²)、平方公分(cm ²)、平方公尺(m ²)、平方英寸(inch ²)與平方英尺(foot ²)；產品體積之單元可為立方公釐(mm ³)、立方公分(cm ³)、立方公尺(m ³)、立方英寸(inch ³)與立方英尺(foot ³)。

接著，進行步驟S130，運算單元135依據射出成型資料由訓練模型TP中選擇出推薦參數，其中推薦參數包括充填時間、射出壓力、保壓壓力、保壓時間、模具溫度、材料溫度與冷卻時間，前述之材料能夠為塑料。

接著，進行步驟S140，推薦參數由中繼模組120提供至射出成型模組110，使得推薦參數輸出至射出成型模組110。接著，進行步驟S150，依據推薦參數，射出成型模組110進行射出成型的製程，其包括以下步驟：若建議參數符合射出成型的規格，持續進行射出成型的製程；反之，若建議參數未符合射出成型的規格，停止射出成型的製程，可再回到步驟S110，由機器學習單元137重新訓練建立另一個訓練模型，再由運算單元135依據射出成型資料由該新的訓練模型中選擇出另一個推薦參數，以利後續射出成型之製程。

在一實施例中，在既有的訓練模型中，由於累積的資料更多，例如原本是1萬筆資料所執行出來的訓練模型，而目前已累積1百萬筆資料，此時亦可再透過機器學習重新訓練建立另一個訓練模型，以使其更為優化。或者是產品類型更多時，亦可再透過機器學習重新訓練建立符合更多產品類型的一訓練模型。

綜上所述，本發明經由機器學習的訓練模型配合射出成型資料，提供建議參數給射出成型模組，以利一射出成型的製程之進行，藉以避免人為判斷所可能造成的失誤。

再者，相較於習用技術係針對多個射出成型機的整體規劃，即讓多個射出成型機的每一台功能、效率能平均，但習用技術反而造成部分原本執行效能較佳之射出成型機降低功能、效率，反觀，本發明針對單一射出成型機與相關射出設備規格、材料規格、模具規格以及成型參數履歷等生產資料去做機器學習，專用於單一射出成型機，可以讓單一射出成型機的射出成型製作出的產品更為優化。

此外，相較於利用相關案例去選擇相關推薦參數，本發明是利用機器學習，可將原本在廠內可量產之較佳的推薦參數存取下來，做為機器學習的目標，或再更精確優化。

雖然本發明已以實施例揭露如上，然其並非用以限定本發明，任何所屬技術領域中具有通常知識者，在不脫離本發明之精神和範圍內，當可作些許之更動與潤飾，故本發明之保護範圍當視後附之申請專利範圍所界定者為準。

100:智能化射出成型系統 110:射出成型模組 120:中繼模組 130:計算模組 131:裝置資料庫 132:材料資料庫 133:替代模型資料庫 134:選取單元 135:運算單元 136:專家建議單元 137:機器學習單元 S1:射出設備規格 S2:材料規格 S3:模具規格 S4:成型參數履歷 TP:訓練模型 S100:智能化射出成型方法 S110~S150:步驟

第1圖為本發明的智能化射出成型系統的示意圖。 第2圖為第1圖中計算模組的示意圖。 第3圖為機器學習單元與運算單元的示意圖。 第4圖為本發明的智能化射出成型方法的流程示意圖。

S100:智能化射出成型方法

S110~S150:步驟

Claims (17)

1. 一種智能化射出成型系統，包括： 一射出成型模組； 一中繼模組，訊號連接該射出成型模組；以及 一計算模組，訊號連接該中繼模組，其中該計算模組包括： 一機器學習單元，依據一生產資料機器學習而得到一訓練模型；及 一運算單元，連接該機器學習單元； 其中，該射出成型模組提供一射出成型資料，該中繼模組將該射出成型資料傳送至該運算單元，該運算單元依據該射出成型資料由該訓練模型中選擇出一推薦參數，該推薦參數由該中繼模組提供至該射出成型模組。
2. 如請求項1所述的智能化射出成型系統，其中該生產資料包括一射出設備規格、一材料規格、一模具規格以及一成型參數履歷。
3. 如請求項1所述的智能化射出成型系統，其中該計算模組包括一裝置資料庫、一材料資料庫與一替代模型資料庫。
4. 如請求項3所述的智能化射出成型系統，其中該裝置資料庫包括一射出成型機具型號之資料、一模具溫度控制單元之資料、一自動控制單元之資料、一反壓氣體單元之資料、一感應加熱控制單元之資料、一進料螺旋直徑之資料、一進料螺旋行程之資料、一進料螺旋速率之資料、一進料螺旋長度/直徑比之資料、一射出量之資料、一射出比率之資料、一射出速度之資料、一射出壓力之資料、一夾具力量之資料、一夾具行程之資料、一模具高度之資料與一定模板尺寸之資料。
5. 如請求項3所述的智能化射出成型系統，其中該材料資料庫包括一材料之資料、一烘乾溫度之資料、一烘乾時間之資料、一熔融溫度之資料、一鑄模溫度之資料、一反壓之資料、一進料螺旋速度之資料、一氣孔深度之資料、一比重之資料、一塑膠材料成型收縮率之資料、一熔流指數之資料與一拉伸彈性模數之資料。
6. 如請求項3所述的智能化射出成型系統，其中該替代模型資料庫包括一材料種類之資料、一厚度之資料、一長度/厚度比率之資料、一熔融溫度之資料、一鑄模溫度之資料、一填充時間之資料、一射出壓力之資料、一保壓壓力之資料與一保壓時間之資料。
7. 如請求項3所述的智能化射出成型系統，其中該計算模組更包括一選取單元，該裝置資料庫、該材料資料庫、該替代模型資料庫分別該連接選取單元。
8. 如請求項7所述的智能化射出成型系統，其中該計算模組更包括一專家建議單元，該專家建議單元連接該選取單元。
9. 如請求項1所述的智能化射出成型系統，其中該中繼模組為一伺服器。
10. 如請求項1所述的智能化射出成型系統，其中該推薦參數包括一充填時間、一射出壓力、一保壓壓力、一保壓時間、一模具溫度、一材料溫度與一冷卻時間。
11. 一種智能化射出成型方法，包括以下步驟： 依據一生產資料藉由一機器學習單元機器學習而得到一訓練模型； 輸入一射出成型資料至一運算單元； 該運算單元依據該射出成型資料由該訓練模型中選擇出一推薦參數；以及 將該推薦參數輸出至一射出成型模組。
12. 如請求項11所述的智能化射出成型方法，包括以下步驟： 依據該推薦參數，該射出成型模組進行一射出成型的製程。
13. 如請求項12所述的智能化射出成型方法，包括以下步驟： 若該建議參數符合射出成型的規格，持續進行該射出成型的製程；以及 若該建議參數未符合射出成型的規格，停止該射出成型的製程。
14. 如請求項13所述的智能化射出成型方法，其中所述若該建議參數未符合射出成型的規格，停止該射出成型的製程的步驟中，包括以下步驟： 重新藉由該機器學習單元機器學習而得到另一個訓練模型。
15. 如請求項11所述的智能化射出成型方法，包括以下步驟： 依據該射出成型資料，而由一裝置資料庫、一材料資料庫、一替代模型資料庫選出所需之資料，該所選出之資料係提供給該運算單元。
16. 如請求項11所述的智能化射出成型方法，其中所述依據該生產資料藉由該機器學習單元機器學習而得到該訓練模型的步驟中，包括以下步驟： 採用一條件生成對抗網路的方法訓練建立該訓練模型。
17. 如請求項11所述的智能化射出成型方法，其中所述依據該生產資料藉由該機器學習單元機器學習而得到該訓練模型的步驟中，包括以下步驟： 採用一射出設備規格、一材料規格、一模具規格以及一成型參數履歷作為該生產資料。

Images