TWI770893B - 射出成型品質預測模組的建立方法 - Google Patents

Abstract

一種射出成型品質預測模組的建立方法，包含一前置步驟、一篩選步驟、一訓練步驟，及一驗證步驟。該前置步驟是設定一射出成型機之射出參數，進行射出程序以獲得成品，並且獲得對應所述射出參數的計算資料與量測資料，該計算資料包括多種品質指標，該量測資料包括成品實際量測數據。該篩選步驟是設定一選取範圍，將所述成品的實際量測數據中偏離該選取範圍的離群值刪除，同時刪除對應該離群值的品質指標。該訓練步驟是經由該篩選步驟保留的所述品質指標中，分為兩部分，取一部分輸入一多層感知器模型進行成品品質預測的訓練。該驗證步驟是將經由該篩選步驟保留的所述品質指標中，取另一部分輸入該多層感知器模型進行測試，將測試結果與實際量測數據進行比對，以驗證該多層感知器模型的訓練結果是否符合預期，若不符合預期則回到該篩選步驟。

Description

射出成型品質預測模組的建立方法

本發明是關於一種射出成型品質的預測方式，特別是指一種射出成型品質預測模組的建立方法。

射出成型具有生產不同的形狀、大批量生產和高生產率的經濟優勢，已成為生產高分子產品的主要製程，並廣泛用於生產汽車、電子、光學與一般性消費產品。射出成型的循環過程主要由三個基本階段進行，分別為：填充、保壓和冷卻。在填充階段將聚合物引入模具中直到抵達射切保轉換點，控制該階段的參數是射出速度和射出溫度。在保壓階段，高分子融膠因接觸模壁產生熱交換而開始冷卻收縮，有必要持續將聚合物擠壓入模具中以防止過度收縮。此時，保壓壓力和保壓時間是控制該階段的參數。最後，冷卻階段是達到低於玻璃轉換溫度或工件頂出溫度，此階段中，模具溫度和冷卻時間是控制該階段的參數。基於上述，傳統射出成型中，設定與調動製程參數進行生產成為傳統製程之主要品質控管方法。

然而，影響射出品質的輸入因素眾多，且同一輸入元素可能導致不同的品質具備不同的反應結果，可視為複雜且非線性代數組合，僅透過有限變數輸入或是方程式來解釋非線性組合之射出流程，不僅複雜更具備其難度。因此，如何透過一個有效的方式進行射出品質之預測，成了目前高分子加工界極力探討之議題。

因此，本發明之目的，即在提供一種射出成型品質預測模組的建立方法，包含以下步驟：一前置步驟、一篩選步驟、一訓練步驟，及一驗證步驟。該前置步驟是設定一射出成型機之射出參數，進行射出程序以獲得成品，並且獲得對應所述射出參數的計算資料與量測資料，計算資料包括多種品質指標，該量測資料包括成品實際量測數據。該篩選步驟是設定一選取範圍，將所述成品的實際量測數據中偏離該選取範圍的離群值刪除，同時刪除對應該離群值的品質指標。該訓練步驟是經由該篩選步驟保留的所述品質指標中，分為兩部分，取一部分輸入一多層感知器模型進行成品品質預測的訓練。該驗證步驟是將經由該篩選步驟保留的所述品質指標中，取另一部分輸入該多層感知器模型進行成品品質預測的測試，將測試結果與對應該另一部分之所述品質指標之成品的實際量測數據進行比對，以驗證該多層感知器模型的訓練結果是否符合預期，若不符合預期則回到該篩選步驟。

本發明之功效在於，該篩選步驟可以將提供給該多層感知器模型的數據精簡，提升該訓練步驟的訓練速度及預測精準度。

有關本發明之相關申請專利特色與技術內容，在以下配合參考圖式之較佳實施例的詳細說明中，將可清楚的呈現。在進行詳細說明前應注意的是，類似的元件是以相同的編號作表示。

本發明的目的，是應用多層感知器(multilayer perceptron, MLP)模型，並從多種壓力曲線中提取的品質指標來開發一種自動快速預測射出成型之成品質量的模型。透過採用高度相關的品質指標，從數據中過濾異常值，並將測得的成品品質轉換為等級，可以減少訓練數據的數量，並能加快模型訓練過程，最終達到較高的預測精準度。

參閱圖1，本發明射出成型品質預測模組的建立方法之較佳實施例，包含以下步驟：一前置步驟11、一篩選步驟12、一訓練步驟13，及一驗證步驟14。

該前置步驟11是設定一射出成型機之射出參數，進行射出程序以獲得成品，並且獲得對應所述射出參數的量測資料，該量測資料包括多種品質指標，及成品的實際量測數據。於本實施例中，成品的實際量測數據是以寬度為例進行說明，但於實際實施時，也可以是重量或其他數據，不以此為限。

圖2為本實施例之系統架構圖，使用了台灣富強鑫公司製造的全電動射出成型機(規格：CT-100)。使用的高分子材料為台灣奇美公司製造的ABS(規格：PA-756)。為了感測模穴壓力信號，在模具內部安裝兩個由日本雙葉公司製造的壓力感測器，圖3表示為壓力感測器的安裝位置。為了研究熔膠的整體流動狀態及其對品質指標的響應，分別為近澆口處以及遠澆口處各安裝一個壓力感測器，SN1及SN2。於本實施例中，射出成型的成品為如圖4所示的IC托盤，尺寸的寬度和厚度分別為76 mm和4.4 mm。本實施例是採用精密坐標測量機(日本川崎三豐公司的CRYSTA-Apex S700)對該IC托盤三個不同位置的寬度(W1，W2和W3)進行數據的量測。

另外，本實施例基於雙因子全實驗法進行兩種變數的調變，其中雙因子(也就是兩種變數)分別為射出速度及第一階段保壓壓力。表1列出了本次實驗所使用之參數，射出速度為40 mm/s至120 mm/s，第一階段的保壓壓力為40 MPa至100 MPa。各種參數的組合數為63種(射速九種，保壓壓力七種)，每種組合的樣本數為4至8。每次射出後，記錄系統壓力曲線和兩條模穴壓力曲線(近澆口壓力曲線SN1；遠澆口壓力曲線SN2)。 表1  射出成型參數

項目	單位	參數
熔膠溫度	℃	205
模具溫度	℃	60
背壓	MPa	4.5
鎖模力	Tons	70
後鬆退	mm	10
保壓速度上限	mm/s	80
射切保位置	mm	12.45
冷卻時間	s	16
保壓壓力	第一階段	MPa	40, 50, 60, 70, 80, 90, 100
第二階段	MPa	5
第三階段	MPa	15
保壓時間	第一階段	s	1
第二階段	s	4
第三階段	s	5
射速	mm/s	40, 50, 60, 70, 80, 90, 100, 110, 120

為了預測與成型條件變化相對應的產品品質，本實施例參考機台的壓力訊息而採用了如下所述的四種品質指標，取代傳統機械學習中所使用的機台參數，並且所述品質指標亦與成品的品質具有高度相關性，有助於提高預測精準度。以下為四種品質指標的說明：

一、第一階段保壓壓力指標(1 ^stholding stage index, Ph _index)：代表第一階段的平均保壓壓力。保壓過程(也稱為後填充)涉及補償熔膠收縮引起的模內間隙。

二、壓力峰值指標(Peak pressure index, Pp _index)：表示填充和壓縮過程中的最大壓力值。在射出成型過程中，施加壓力以將熔膠擠壓入模腔中，最大壓力值會影響進入模腔內的熔膠量。

三、殘留壓降指標(Residual pressure drop index, Pr _index)：表示冷卻過程中腔體內的平均殘留壓降，該殘留壓降是SN2 與SN1的壓力差值，代表局部收縮。平均殘留壓降與熔膠中的殘留應力有關。高的平均殘餘壓力可能導致成品的翹曲變形，而低的平均殘餘壓力可能導致成品的尺寸過小。

四、壓力積分指標(Pressure integral index, PI _index)：表示成型過程中壓力曲線隨時間的積分值(即從填充到壓縮，保持，最後冷卻)。該指數與射出成型過程中熔膠的總壓力特性有關。PI _index的變化可能反映了成品重量的變化。

參閱圖5，顯示四種品質指標對應於成型過程之示意圖。如圖5(a)所示，壓力感測器SN1用於獲取Pp _index，為近澆口的壓力峰值指標，表示填充和保壓階段的壓力峰值，表示熔膠的壓縮程度，並確定射出零件的幾何形狀。壓力感測器SN2用於獲取Pr _index，表示冷卻階段的殘留壓降，該殘留壓降是SN2 與SN1的壓力差值，代表局部收縮，為遠澆口處的殘留壓力指標。如圖5(b)所示，圖中顯示射出成型的過程的系統壓力歷程曲線，其中，(1)為充填階段(filling stage)， (2)為第一階段保壓階段(1st holding stage)， (3)為第二階段保壓階段(2nd holding stage)，(4)為第三階段保壓階段(3rd holding stage)， (5)為冷卻階段(cooling stage)。而由系統壓力曲線可以獲得兩個品質指標：Ph _index代表第一階段保壓壓力，PI _index代表整體壓力積分值。

本實施例之該前置步驟所獲得的實驗組數為445組，每組實驗皆具有4個品質指標並對應於三個寬度品質。

獲得成品之各種壓力曲線後，透過皮爾森相關係數(Pearson’s correlation coefficient, PCC)判斷成品寬度是否與各品質指標具有強相關性。表2顯示四種品質指標對應三個不同位置的寬度(W1，W2和W3)的相關性係數皆大於0.75，顯示此四種品質指標與成品的各寬度資訊具備強相關趨勢。 表2.成品寬度與各品質指標之間的皮爾森相關係數

品質指標	感測器位置	符號	皮爾森相關係數
Width 1	Width 2	Width 3
	系統壓力		0.96	0.96	0.97
	系統壓力		0.79	0.81	0.78
	遠澆口	SN2	0.93	0.93	0.92
	近澆口	SN1	0.95	0.96	0.96

完成該前置步驟11後，接著進行該篩選步驟12。於該篩選步驟12中，是先設定一選取範圍，將所述成品的實際量測數據（也就是三個不同位置的寬度W1，W2和W3）中偏離該選取範圍的離群值刪除。本實施例是以標準分數(Z scores, z)進行離群值判斷，標準分數在統計學中是一種無因次值，係藉由從原始分數中減去母體的平均值，再依照母體數據的標準差分割成不同的級距。

標準分數之公式：

，其中，

與

分別代表欲標準化的原始分數、母集合平均值以及母集合的標準差。標準分數代表原始分數和母體資訊平均值之間的距離，是以標準差為單位計算。在原始分數低於平均值時Z則為負數，反之則為正數。換句話說，標準分數值是從感興趣的點到均值之間有多少個標準差。圖6表示為常態分佈與標準分數之間之關係，本實驗以z =

2作為選取範圍之基礎並移除大於該設定之資訊點，其數據對應於常態分佈數據下包含95.44%的數據量，除有效兼顧母群體實驗數據量之外，更能去除離群數值與留下具有價值且有效之數據，進而提升整體訓練數據之穩定性。

標準分數表示原始分數與總體平均值之間的偏差，以標準分數作為選取範圍的篩選門檻能有效挑選離群值，達到穩定的素質預測之結果。然而，過度挑選也有可能將正常的數值判定為離群值，導致實際的數值遭到剃除。如此一來，不僅減少了有效數值在訓練模組裡的應用機會，更減少了實際數值的預測精度。因此，挑選適當的標準分數對於實際的預測精準度有舉足輕重的影響。

表3顯示標準分數值高於設定值之離群值總量，當z = 2.5時，並無數據高於其設定值，顯示該組別為未經刪減的原始數據；當z = 2時，三寬度中各有10~15個不等的離群值出現；當z = 1.5時，三種寬度中各有50個左右的離群值。隨著標準分數設定越小，篩選出來的離群值也會增多，但會包含離群值以及有效數值，屬於一種過度選擇的表現。 表3. 離群值數量與標準分數（z-score）的關係

標準分數	離群值數量
	W1	W2	W3
2.5	0	0	0
2	10	15	11
1.5	52	50	52

圖7舉例說明了過濾離群值的過程。例如40mm/s的注射速度和60MPa的保持壓力。 如果z分數設置為2，則z分數範圍[-2,2]之外的數據點可以視為離群值。z分數越低，離群數越多。 但是，對數據的過度過濾可能會導致重要訊息的遺失，導致後續MLP的訓練性能相對較低。因此，使用z分數作為邊界以消除離群值，保留訊息量以實現穩定的模型訓練。於本實施例中，消除離群值後所剩的數據將分為訓練組與測試組，其測試組將固定為100組數據，其餘為訓練數據。

另外，於該篩選步驟中，也會將所述成品的實際量測數據分割成不同的級距。於本實施例中，三種寬度的等級數設置為5、10、20和50，而等級數通常確定預測寬度的精度。例如W1；當z得分2用於離群值過濾時，實驗數據點的最大值和最小值分別為76.048 mm和75.872 mm。每個等級的帶寬定義為寬度範圍(即最大寬度減去最小寬度)除以等級數，等級數為5時為34.8 µm。表4列出了針對這三種寬度得出的帶寬。等級數為50(帶寬為3.5 µm)時，可以達到最高的精度。 表 4. 等級數、標準分數，與帶寬(單位: µm)之間的關係

等級數	標準分數, z
z=1.5	z=2	z=2.5
5	34.8	35.4	35.4
10	17.4	17.7	17.7
20	8.7	8.9	8.9
50	3.5	3.5	3.5

由於四個品質指標具有不同的數值範圍，因此需要將已刪除離群值的所述品質指標經由均質化(或稱等式標準化)而統一規格，於本實施例中，是在0和1之間進行規格化。

由以上說明可知，該篩選步驟利用標準分數(Z-score)將選取範圍之外的成品量測數據及相對應的品質指標刪除，並將保留的品質指標進行0~1的規格化，亦將保留的成品量測數據(成品的寬度) 依照等級數5、10、20和50分成不同級距，以進行下一步驟。

完成該篩選步驟後，接著進行該訓練步驟。在本發明中，該訓練步驟是使用人工神經網絡學習模型作為多層感知器(multilayer perceptron, MLP)模型，是一種監督式學習的人工神經網路(Artificial Neural Network, ANN)。該模型通常由三個主要部分組成，即一輸入層(input layer)，至少一隱藏層(hidden layer)，和一輸出層(output layer)。其中，公式(1)表示在隱藏層中使用的 Sigmoid函數(Sigmoid function)。公式(2)、(3)表示輸出層中使用的softmax函數。在二進制分類中，softmax形函數(也稱為邏輯函數)將輸入函數的摘要映射到區間(0，1)。 softmax函數(也稱為soft-argmax或規格化指數函數)將

個實數的輸入向量規格化為概率分佈，該概率分佈包括與輸入數的指數成比例的

個概率。 softmax函數將分量規格化為區間(0，1)，總值為1。較大的輸入分量對應於較大的概率。因此，softmax函數將網絡的非標準化輸出映射到預測輸出類別上的概率分佈。

(1)

(2)

(3)

(4)

另外，本實施例使用公式(4)中的精度函數Ai評估模型訓練的收斂性。透過將預測值與實際量測數值進行比較，可以評估訓練的準確性。例如，如果預測值與實際值一致，則記錄加權值(或稱權重)，並繼續訓練下一個數據； 若不一致，則調整加權值。 等式中的

、

、

分別表示在第i個訓練迭代(iteration)中分類錯誤的數據的數量，數據點總數和訓練迭代的總數。精度函數隨著訓練迭代次數的增加而收斂。透過設置停止標準，可以獲得高品質的訓練模型。

隱藏層和神經元的數量將影響模型訓練的收斂。具有大量神經元和隱藏層的MLP模型需要對加權值進行大量計算，可能會導致預測值與實際值之間的差異。 相反，神經元或神經層很少的MLP模型可能無法在輸入層和輸出層之間建立良好的連接而導致預測的值可能不準確。此外，來自實驗的錯誤數據可能會導致模型訓練結果不正確。 因此，必須在模型訓練之前，執行如前所述篩選步驟以進行離群值的過濾，確保訓練後的模型的預測準確性。

圖8說明了MLP模型的一般結構。在圖8中，

代表第s個數據集的第k個輸入數據，m代表輸入數據的總數，

代表第

層的

個神經節點， N _lr 代表 第

層的神經元總數。

表示輸入數據的向量； N _set 代表輸入數據集中的數據點總數； L表示除輸入層以外的各層的總和。

參閱圖9，為本實施例所使用的MLP模型，包含4個節點的輸入層， 兩個隱藏層(一個具有100個神經節點，另一個具有75個神經節點)；以及5、10、20和50個節點的輸出層，其中，輸出層的節點數量，是與成品的寬度等級數相符合。表5列出了MLP模型的超參數設置，MLP模型的內部參數稱為超參數。 表 5. MLP模型的超參數設置

項目		參數
軟體		Python 3.6.9
損失函數		Categorical Crossentropy
優化器		Stochastic Gradient Descent
學習速率		0.49
活化函數		Sigmoid function, Softmax function
指標		精準
批次數量		10
Epoch		10000
訓練組數		352~404 (視標準分數的值而定)
測試組數		100
節點數量	輸入層	, , ,
	第一隱藏層	100
	第二隱藏層	75
	輸出層	5, 10, 20, 50

於該訓練步驟13中，經由該篩選步驟12後保留的所述品質指標將作為輸入層的輸入數據，並由兩個隱藏層進行權重計算，最後於該輸出層輸出預測後的寬度數值，且該輸出層分為5、10、 20、50四種不同的等級，依照不同的等級會產生不同的精準度。

如圖10說明了在各種z分數下三個寬度(W1，W2和W3)的模型訓練精準度的不同，其中(a)、(b)、(c)、(d)分別代表5、10、20、50之等級。 表6列出了與四個z分數相對應的準確率的偏差。分別對應於5、10、20和50個等級的平均訓練準確率分別約為92％-94％，75％-83％，58％-71％和50％-55％。因此，各個z分數的平均訓練準確率隨著等級數的增加而降低。 表 6. 平均訓練準確率與z分數和等級數的關係

等級數	平均訓練準確率 (%)
z=1.5	z=2	z=2.5
5	94	93	92
10	75	83	80
20	58	71	66
50	55	50	53

參閱圖10(a)，當等級數較低時(等級為5)，z分數的選擇對訓練準確性沒有顯著的影響，但是使用較高的級數可以提供更多的成品分類；因此，z分數被認為對訓練準確性有重大影響。參閱圖10(b)，例如當等級為10時，z分數為2和2.5時的平均訓練準確率分別達到83％和80％，高於z分數為1.5時的平均訓練準確率75％ 。同樣的，參閱圖10(c)，當分數為20時，z分數為2時的平均訓練準確率達到71％，高於其他分數的分數(z = 1.5和2.5時分別為58％和66％)。參閱圖10(d)，由於訓練準確性低，當等級數為50時，無法進行成品分類。由圖10的訓練結果可知，等級數較高時，選擇適當的標準分數可以幫助MLP模型有效過濾異常值並獲得良好的成品質量預測。但是，過度的過濾可能會導致正常數據被刪除。

經由上述方式完成MLP模型的訓練步驟13後，接著進行該驗證步驟14，以測試MLP模型的訓練結果。如前所述，於本實施例中，消除離群值後所剩的數據將分為訓練組與測試組，其測試組將固定為100組數據，其餘為訓練數據。於該驗證步驟14中，同樣將100組數據的所述品質指標作為MLP模型之輸入層的輸入數據。如圖11所示，顯示了各種z分數和不同等級數量下寬度的測試準確率。另外，表7列出了與四個z分數相對應的準確率之間的偏差。等級數分別為5、10、20和50相對應的平均準確率分別約為90％-91％，72％-82％，54％-68％和40％-44％，與訓練準確率相似。此外，僅當等級為5級時，測試準確率才超過90％。也就是說，只有使用5個等級時，才能滿足規定的要求，而z分數的選擇並未顯著影響測試的準確性。由以上結果得出的結論是，等級數對MLP模型預測的準確性的影響比z分數更大。 因此，在這項研究中，當等級數為5時，可以最準確地預測IC托盤的寬度， 平均測試準確率超過90％。 表 7. 平均測試準確率與z分數和等級數的關係

等級數	平均測試準確率 (%)
z=1.5	z=2	z=2.5
5	90	91	91
10	72	80	82
20	54	68	62
50	44	40	41

圖12顯示等級數為5時，100組測試數據的寬度偏差等級，每個測試數據具有三個寬度(W1、W2、W3)。其中，不論z值分別為1.5、2或2.5時，最大偏差皆為1級，大約為35µm。 因此，z分數對於將預測偏差最小化沒有明顯的影響。表8顯示不同等級數與z分數下之各等級帶寬。本發明同時將100組測試數據中不同等級數(5、10、20、50)的寬度偏差等級匯整如表9。如表9所示，等級數為10，當z分數為1.5、2和2.5時，最大偏差分別為3、1，和4個等級。具體而言，z分數2與預測偏差(即1級，17.7µm)的最佳性能相關。同樣，對於等級數為20而言，在預測偏差方面，z分數2與最佳性能相關(即4個等級35.6µm)。對於等級數為50而言，z分數為2時，在預測偏差方面表現最佳(即10個等級，35µm)。 總而言之，z分數(在本實施例為2)對預測準確性有很大影響。 表8.不同等級數與z分數下之各等級帶寬 (單位: µm)

等級數	標準分數, z
z=1.5	z=2	z=2.5
5	34.8	35.4	35.4
10	17.4	17.7	17.7
20	8.7	8.9	8.9
50	3.5	3.5	3.5

表 9. 三種寬度，z分數和等級的平均值，標準偏差和最大偏差之間的關係

單位 = 等級
	平均值	標準偏差	最大偏差
W1	W2	W3	W1	W2	W3	W1	W2	W3
等級數5	z = 1.5	0.09	0.08	0.12	0.29	0.27	0.33	1	1	1
z = 2	0.15	0.05	0.07	0.36	0.22	0.26	1	1	1
z = 2.5	0.13	0.05	0.07	0.34	0.22	0.29	1	1	1
等級數10	z = 1.5	0.29	0.23	0.35	0.59	0.42	0.48	3	1	1
z = 2	0.27	0.13	0.19	0.45	0.34	0.39	1	1	1
z = 2.5	0.23	0.13	0.24	0.42	0.42	0.57	1	3	4
等級數20	z = 1.5	0.88	0.56	0.6	1.16	0.83	0.74	5	4	2
z = 2	0.68	0.32	0.32	0.89	0.58	0.6	4	2	2
z = 2.5	0.9	0.47	0.35	1.06	0.85	0.66	5	4	3
等級數50	z = 1.5	1.73	3.07	1.13	2.57	3.83	1.44	14	17	5
z = 2	1.75	1.27	1.59	2.19	1.64	2	12	10	6
z = 2.5	1.74	1.71	1.59	2.41	2.35	2.15	15	12	11

由以上的測試結果可知，經過該訓練步驟的MLP模型，對於成品品質之預測確實具有很高的準確性，但其準確性無法有100％的可靠度，而仍有誤判的可能。因此，本發明設計了一個狹窄的“待確認”區域，該區域位於“合格”區域和“不合格”區域之間；本發明建議可以使用MLP模型來預測該“待確認”區域的成品品質，如此一來將有助於防止錯誤判斷。在本發明中，設計了兩個“待確認”區域，每個區域的範圍為0.01毫米。參閱圖13，舉例來說，當考慮等級數為50且z分數為2時，針對W1之“待確認”區域的規格限制為76.00×76.01和75.92×75.93 mm。於本實施例中，在100個測試數據中有98個被成功判斷為“合格”或“不合格”，只有2個測試數據會落在“待確認”區域中，因此操作員只需要針對2個數據進行進一步確認，大幅減少需以人工再次確認的數據量。

綜上所述，在本發明中開發了一套基於MLP模型的自動快速質量檢查系統。為了測試模型，利用射出成型IC托盤的成品進行實驗，分別從系統壓力曲線和模內壓力曲線中提取的四個高度相關的品質指標，作為MLP模型的輸入數據，並將IC托盤成品的三個幾何寬度作為輸出數據。為了在MLP模型中獲得成功的訓練率，本發明使用標準得分（z分數）過濾了壓力曲線中的異常值。 此外，亦將每個實際寬度都轉換為不同數量的等級。同時，利用雙因子全實驗法調變射出成型參數以產生足夠的實驗數據進行 MLP模型的訓練與測試。結果總結如下：

一、在MLP模型訓練中使用品質指標可以減少數據量，從而提高訓練的準確性。從系統壓力曲線中提取Ph _index和PI _index，分別從近澆口和遠澆口壓力曲線中提取Pp _index和Pr _index。 根據皮爾森相關係數的分析結果，這四個指標與成品寬度高度相關； 因此，它們有助於減少隱藏層中節點和層的數量。在預測成品品質(本發明以IC托盤寬度為例)的案例研究中，MLP模型包含4個節點的輸入層，兩個隱藏層(一個具有100個神經節點，另一個具有75個神經節點)和一個輸出層，節點的數量與成品寬度分割的等級數有關。本實施例以大約400組數據用於模型訓練，因而迅速產生了準確的學習結果。

二、成品寬度所分割的等級數(5、10、20和50)和z分數均對於品質預測的準確性產生重大影響。在訓練步驟中，使用5、10、20和50個等級時觀察到的平均預測準確率分別約為92％至94％、75％至83％、58％至71％，和50％至55％。最初，每個z分數的平均訓練準確度範圍隨著等級數的增加而減小，當等級數較低時(例如等級數5)，z分數對訓練準確性沒有顯著影響。但是，由於分割成較多的等級數(例如等級數10以上)可以對成品品質提供更多的分類，因此本發明認為z分數的選擇對於訓練準確性亦有重大影響。

三、本實施例在預測成品(IC托盤)的寬度時，當z分數為2，在預測誤差變異方面表現最佳，即1級(17.7µm)。對於20個等級，就預測偏差而言，z得分為2時表現最佳，即4個等級(35.6µm)。對於50個等級，在預測偏差方面，z得分為2可提供最佳性能，即10個等級(35µm)。總而言之，z分數(在這種情況下為z = 2)對預測準確性有很大影響。

四、本發明還提出了使用MLP模型評估成品品質的“合格”，“不合格”和“待確認”的概念。 其中，“待確認”區域位於“合格”區域和“不合格”區域之間；額外對“待確認”區域範圍內的成品進行再次評估，使得對成品品質的預測更為準確。

惟以上所述者，僅為本發明之較佳實施例而已，當不能以此限定本發明實施之範圍，即大凡依本發明申請專利範圍及發明說明內容所作之簡單的等效變化與修飾，皆仍屬本發明專利涵蓋之範圍內。

11:前置步驟 12:篩選步驟 13:訓練步驟 14:驗證步驟

圖1是一流程圖，為本發明射出成型品質預測模組的建立方法之較佳實施例； 圖2是一示意圖，說明本較佳實施例使用之設備的系統架構； 圖3是一示意圖，說明模內壓力感測器的安裝位置； 圖4是一示意圖，說明本較佳實施例之成品結構； 圖5是一曲線圖，說明本較佳實施例之四種品質指標對應於成型過程之示意圖； 圖6是一曲線圖，為常態分佈與標準分數之對照關係； 圖7是一示意圖，舉例說明以標準分數(Z-score)篩選離群值； 圖8是一示意圖，說明多層感知器(multilayer perceptron, MLP)模型的一般架構； 圖9是一示意圖，說明本較佳實施例所使用的MLP結構； 圖10是一柱狀圖，說明相對於各種Z分數和等級數的IC托盤寬度訓練精準度，其中，(a) 5、(b) 10、(c) 20、(d) 50 等級； 圖11是一柱狀圖，說明相對於各種Z分數和等級數的IC托盤寬度測試精準度，其中，(a) 5、(b) 10、(c) 20、(d) 50 等級； 圖12是一曲線圖，說明及等級數為5時，實際偏差值與預測偏差值的比較；及 圖13是一分佈圖，以W1為例，說明成品之預測結果在合格區域、不合格區域，及待確認區的分佈情形。

11:前置步驟

12:篩選步驟

13:訓練步驟

14:驗證步驟

Claims (6)

1. 一種射出成型品質預測模組的建立方法，包含以下步驟：一前置步驟，設定一射出成型機之射出參數，進行射出程序以獲得成品，並且獲得對應所述射出參數的計算資料與量測資料，該計算資料包括多種品質指標，該量測資料包括成品的實際量測數據；一篩選步驟，設定一選取範圍，將所述成品的實際量測數據中偏離該選取範圍的離群值刪除，同時刪除對應該離群值的品質指標，並將刪除離群值後的所述成品的實際量測數據以不同級距離行分類；一訓練步驟，經由該篩選步驟保留的所述品質指標中，分為兩部分，取一部分輸入一多層感知器模型進行成品品質預測的訓練；及一驗證步驟，經由該篩選步驟保留的所述品質指標中，取另一部分輸入該多層感知器模型進行成品品質預測的測試，將測試結果與對應該另一部分之所述品質指標之成品的實際量測數據進行比對，以驗證該多層感知器模型的訓練結果是否符合預期，若不符合預期則回到該篩選步驟。
2. 如請求項1所述射出成型品質預測模組的建立方法，其中，所述品質指標包括第一階段保壓壓力指標、整體壓力積分值指標、壓力峰值指標，及殘留壓降指標。
3. 如請求項1所述射出成型品質預測模組的建立方法，其中，於 該篩選步驟中，會將刪除離群值後的品質指標均質化而統一規格。
4. 如請求項1所述射出成型品質預測模組的建立方法，其中，該篩選步驟是以標準分數設定該選取範圍進行離群值判斷，且該選取範圍可以保留95%以上的數據量。
5. 如請求項2所述射出成型品質預測模組的建立方法，其中，於該前置步驟中，是於該射出成型機之模具內安裝複數壓力感測器以獲得壓力峰值指標及殘留壓降指標。
6. 如請求項1所述射出成型品質預測模組的建立方法，其中，該多層感知器模型包括一輸入層、至少一隱藏層，及一輸出層。

Images