//Logo Image
作者:魏綸群(2008-01-15);推薦:徐業良(2008-01-15)
附註:本文為九十六學年度元智大學機械工程研究所魏綸群碩士論文「塑膠射出成型製程時間最佳化設計」第一章。

第一章 研究背景與目的

塑膠射出成型是利用塑膠原料的高分子材料特性,以射出成形機加熱至特定溫度,將完全熔融軟化的塑料注入於密閉區域模具內,等到塑料冷卻凝固完畢後,再將模具打開,取出製成成品的成形方法。在各式各樣不同種類的塑膠成型法中,由於射出成型法可以快速生產出立體和複雜成品,並且具備著產能快速、節省能源、便於自動化等特性,故其成為最主要的塑膠成型加工法,而藉由這種方式所製成的塑膠成品,亦已普遍使用於日常生活中。

塑膠射出成品在模具初次試模至實際能量產期間,通常需要經過一連串的製程參數測試,以確認射出之成品符合設計規格。〝經驗〞是製造者進行參數調整的重要依據,一般從事射出成形工作的人員,往往憑藉著過去曾經生產過的類似產品經驗,設定初次試模的製程參數。接著再由製作出的成品狀況,由本身既有的經驗中,尋求解決的參數調整規則,直至成品符合需求為止。如此的製程調整過程,是一種經驗加上嘗試錯誤的過程,有經驗的工作人員能快速找到適當製程參數,而無經驗之工作人員,則需要數次至十數次的調整。嘗試錯誤的過程,直接反應的即是製造成本及交貨時間,以現今射出成形領域的激烈競爭狀況,且每件成品獲利微薄的事實,如何在最少成本下,快速交出品質優良的成品,是射出成形廠商致勝的關鍵。

塑膠射出成型之製程,可以細分為六個步驟:關模、射出充填、保壓、冷卻靜置、開模,以及成品頂出,其中射出充填與冷卻靜置為兩個影響總製程時間最大之步驟,此兩步驟常佔總製程時間75%以上,因此當面對縮短製程時間之要求時,此兩步驟為主要之調整步驟。而對於射出成品形狀不大之產品,在考慮節省製程時間下,於實務應用上則常將保壓步驟予以省略。表1.1所示為三個案例之成形時間分配情形。當射出充填及冷卻靜置兩步驟中之參數調整不當時,充填不足、毛邊、流痕、翹曲等成型不良之情形,即相當容易出現。

案例(3)

 

1.1 三個實際射出成型案例之各步驟製程時間

案例一

外型尺寸(´´)

31mm×36mm×14mm

製程步驟

時間(sec)

關模

1.9

射出充填

7.0

保壓

0

冷卻靜置

8.0

開模

1.9

成品頂出

0.5

總時間

19.3

案例二

外型尺寸(´´)

48mm×54mm×38mm

製程步驟

時間(sec)

關模

2.5

射出充填

10.0

保壓

0

冷卻靜置

7.0

開模

2.5

成品頂出

0.4

總時間

22.4

案例三

外型尺寸(´´)

32mm×12mm×18mm

製程步驟

時間(sec)

關模

1.6

射出充填

6.0

保壓

0

冷卻靜置

5.0

開模

1.6

成品頂出

0.5

總時間

14.7

塑膠射出成型之製程最佳化相關研究雖然已經發展多年,相關研究論文之發表卻未因此而稍減,近年來之研究著重於運用人工演算法(artificial algorithm)作為製程參數模擬或搜尋之工具。Shen et al. [1] 以類神經網路結合基因演算法對射出成形製程進行最佳化設計,主要在控制射出成形件的體積收縮程度的變異量。Liao et al. [2] 以倒傳遞類神經網路(back-propagation network)為工具,分析射出成品和製程變數之間的關係,藉以預測出具有關鍵性的製程參數,並採用即時控制模式。Chen et al.[3]結合自組織映射法(self-organizing maps)和倒傳遞類神經網路,作為一種可以動態預測出射出成品的品質以及重量的實驗工具。Shie[4]試著以徑向基類神經網路(radial basis neural network)配合序列二次規劃法sequential quadratic programming),在所建構的系統之下,挑選最佳射出製程參數,並將射出成品的外形變形量減至最低程度。Kwak et al. [5] 則是應用應用類神經網路方法於光學鏡片塑膠射出成型製程模擬,並依據模擬分析結果,歸納出最佳的製程參數。

塑膠射出成型之製程參數調整模型,因為其複雜度使得模型很難以外顯數學形式完整表示,這也是為何類神經網路等人工演算法會被大量使用之原因,然而在此些研究之下,工程師特有的操作經驗常常被忽略。本論文之目的即是以射出製程工程師之經驗為基礎,提供一有系統的調整射出成型製程參數之方法,以期在最短的製程時間內,製造出合格之成品。

本論文以獲得最短之製程總時間為目標,最佳化數學模型之目標函數可表示為:

....................................................................................... (1.1)

其中,為射出製程中工程師可控制之製程變數的集合,而為製程總時間:

............................. (1.2)

其中,為關模步驟之時間、為射出充填步驟之時間、為保壓步驟之時間、為冷卻靜置步驟之時間、為開模步驟之時間,以及、為成品頂出步驟之時間。

塑膠射出成型製程參數調整模型之限制條件中,工程師經驗以及成品缺陷之表示,常僅能以內隱式限制條件(implicit constraints)表達,以符號表示如下:

.................................................................................... (1.3)

1.1與式1.3所表示之塑膠射出成型製程最佳化設計模型,很難以傳統之最佳化設計演算法執行,為處理此類問題,HsuLiu[6]提出了模糊比例微分控制器最佳化演算法(fuzzy proportional-derivative controller optimization engine)。模糊比例微分控制器最佳化演算法之特徵在處理:(1)設計變數在目標函數與限制條件具有單調性;且(2)目標函數與限制條件為內隱式函數,此為一般工程問題常有的兩個特性,而塑膠射出成型製程最佳化設計,正是典型的此類問題。

本論文採用模糊比例微分控制器最佳化演算法,作為求解塑膠射出成型製程最佳化設計之工具,並以實際射出成型實驗,驗證每次迭代過程產出之設計變數值,以為下一迭代之依據。

本論文主要分為四個章節作討論:第一章說明本論文之研究背景與目的;第二章「塑膠射出成型製程簡介」中,則針對塑膠射出成型之製程作介紹,同時討論常見之射出成型不良問題,並整理製程中工程師可控制之製程變數,及其與製程時間之關係;第三章「運用模糊比例微分控制器演算法於塑膠射出成型製程最佳化」中,以一實際之射出成型案例作說明,在同時考量充填不足、凹塌、流痕,以及氣泡等四種成型不良狀況下,透過模糊比例微分控制器演算法求解最短製程時間;第四章則為本論文之結論與討論。

參考文獻

[1] Shen C., Wang L., Li Q., 2007, “Optimization of injection molding process parameters using combination of artificial neural network and genetic algorithm method,” Journal of Materials Processing Technology, Vol. 183, pp. 412-418.

[2] Liao, X.P., Xie, H.M., Zhou, Y.J., Zia, W., 2007, “Adaptive adjustment of plastic injection processes based on neural network,” Journal of Materials Processing Technology, Vol. 187-188, pp. 676-679.

[3] Chen,W. C., Tai, H., Wang, M. W., Deng, W. J., Chen, C. T., 2007, “A neural network-based approach for dynamic quality prediction,” Expert systems with Applications, doi:10.1016/j.eswa.2007.07.037.

[4] Shie, J. R., 2007, “Optimization of injection molding process for contour distortions of polypropylene composite components by a radial basis neural network,” International journal of advanced manufacturing technology, doi:10.1007/s00170 -007-0940-0.

[5] Kwak, T. S., Suzuki T., Bae, W. B., Uehara Y., Ohmori, H., 2005, “Application of neural network and computer simulation to improve surface profile of injection molding optic lens,” Journal of Materials Processing Technology, Vol. 170, pp. 24–31.

[6] Hsu, Y. L, Liu, T. C., 2007, “Developing a fuzzy proportional-derivative controller optimization engine for engineering design optimization problems,” Engineering Optimization, Vol. 39, n. 6, pp. 679-700.