模式建立

塑膠成型製程控制效果，往往決定於品質預測器的精確度，在連續射出 之生產過程中之製程參數設定，為一個固定值，因此為了提升預測精度，必 需要擷取製程參數之動態資料，以建構製程品質預測器，即使在製程參數為 固定值的情況下，經由動態資料的差異，亦能預測出每一筆產品之品質。

製程品質預測器之架構如圖5.2 所示，並將螺桿位置(Ram Position)與射 嘴流速(Injection Velocity)等資料曲線再應用神經網路中自組特徵映射網路 (Self-Organizing Map, SOM)，找出其特徵值。再將其結果輸入倒傳遞神經網 路，建構製程品質預測器。本研究之製程品質預測器之架構如圖5.2所示。

圖5.2 製程品質預測器架構圖

本研究所建構之品質預測器將應用圖5.3中所擷取之保壓時間、平均保壓 壓力與螺桿行程等圖形上之實際數值，以及射出時間、充填保壓切換點、保 壓壓力、射出度速等製程參數設定值。並結合自組特徵映射網路在圖5.2中所 找出之位置、射速等的特徵值為製程品質預測器之輸入值。

其各項參數之意義，說明如下:

一、射出時間(Injection Time): 為機台參數設定值。射出過程中之填充時 間與保壓時間之加總。

二、充填保壓切換點(VP Switch): 為機台參數設定值。射出過程中填充 過程切換為保壓時的螺桿位置。此數據為計算螺桿位置而得。

三、保壓壓力(Packing Pressure): 為機台參數設定值。為保壓過程中在進 料口還沒硬化的情況下，為使模穴填滿足夠的塑膠料，避免在冷卻 收縮時造成塑料不足，因此必須在料管維持一個壓力將塑料補充至 模穴中。而保壓壓力越大，相對塑膠密度越高。此數據為計算螺桿 推力而得。

四、射出度速(Velocity):為機台參數設定值。其速度為熔融塑料經由射嘴 射入模穴之速度。其填充的量為(射出度速×射嘴截面積×時間)，因 此射出速度越快所花費的填充時間越少。此數據為計算料管截面 積、螺桿推力與射嘴截面積而得。

五、保壓時間(Packing Time):由於本研究所採用之射出成型設備之限 制，無法直接設定填充時間與保壓時間，因此必須經計算螺桿由起 始位置到VP Switch位置所花費的時間，此為填充時間。經由射出時 間扣除填充時間即為保壓時間。

六、平均保壓壓力(Avg. Packing Pressure):為充填保壓切換點(VP Switch) 至保壓停止這段期間的射出壓力平均值。通常此值會大於所設定之 保壓壓力。

七、螺桿行程(Position Distance):為螺桿由起始位置開始至螺桿所能移動 的最後停止位置，也就是塑膠所能填入模穴的最大量。填入模穴的 塑膠量=螺桿行程*料管截面積。

八、螺桿位置SOM動態曲線特徵值: 螺桿位置曲線為射出成型過程中的 實際螺桿移動的位置改變狀態，經由SOM神經網路找出該曲線之特 徵值，若該曲線之特徵值與我們所期望之特徵值越接近，代表螺桿

之移動變化情形與所期望之移動方式越趨一致，因此所生產之產品 品質也相對趨近所期望之目標。

九、射出速度SOM動態曲線特徵值: 射速曲線為射出成型過程中的實際 射出之速度狀態，經由SOM神經網路找出該曲線之特徵值，若該曲 線之特徵值與我們所期望之特徵值越接近，代表所生產之產品品質 越接近所期望品值，因此將上述兩項特徵值加入，將提高品質預測 器的準確度。

因此製程品質預測器之輸入參數如上述共有9項，根據本文4.2.1節所述，因 此本研究之類神經網路的各項參數設定說明如下:

一、輸入層:9個神經元(射出時間、充填保壓切換點、保壓壓力與射出速 度等製程參數設定值再加上保壓時間、平均保壓壓力、螺桿行程以 及經由SOM所找出之螺桿位置與射出速度等動態曲線特徵值。) 二、隱藏層:1層，9個神經元

三、輸出層:1個神經元(成品重量) 四、學習率:0.7逐批次遞減至0.01

五、慣性項因子學習率:0.7逐批次遞減至0.5 六、正規劃範圍:0.1~0.9

七、活化函數: 雙彎曲函數(Sigmoid function) 八、迭代次數:30000次

九、訓練資料:200筆 十、測試資料:40筆

圖5.3 製程資料曲線