多組分射出成型的案例
資料驅動之生成式射出成型多質量預測技術
臺灣師范大學 機電工程學系 / 柯坤呈 教授、王瑞志
臺東?？茖W校 動力機械科 / 粘世智 教授
(轉載自繁體版ACMT電子技術月刊No.090)
摘要
射出成型是一項成熟的高分子加工技術，應用領域極其廣泛例如汽車、光學、消費性用品、民生用品、與IC封裝等，可以大規模、高效率且花費較低成本進行制造。
射出成型制程三大階段依序為充填、保壓與冷卻，利用射出成型技術生產之成品容易發生翹曲與收縮變形情況，造成成品缺陷有許多因素，包含材料特性、加工參數設置、環境與模具等影響，運用工程統計與CAE模擬進行具備策略性的加工制程調整能夠更有效率控制質量。透過感測技術分析壓力曲線所具備之物理意義，用于調整機臺以利取得最佳參數設置，獲得高質量成品[1]。
在射出成型過程中可控制的條件眾多，如：熔膠溫度、射出速度、保壓壓力、保壓時間等機臺參數設置?？衫媚＞邇仍O置多個壓力感測器取得可應用之壓力數據，并將其進行后續之應用，機器學習的進步造就在質量預測上之效果逐漸提升。
在本研究利用壓力數據信息進行資料前處理，將其分為3種方法。第1種將擷取數據不進行任何處理在此作為全域壓力、第2種則是進行壓力分段處理，分別為充填、保壓與冷卻三階段，兩者均進行多層感知器編碼，第3種則是使用透過領域知識背景之指標化特征提取，并將以上取得特征進行相關系數分析對于質量之相關性，透過集成式機器學習[2]，進行多質量目標之預測，同時比較3種特征之預測準確度，進而提供較具優勢之生成式人工智能模型機器學習訓練方法，如圖1。
圖1：生成式射出成型多質量預測之示意圖
實驗設計與流程
本研究細分為三個主要部分：「射出成型實驗設計」、「資料前處理」，以及「生成式人工智能預測」。
展開 Moldex3D模流分析之多材質射出成型、熱流道穩態分析頁簽
多材質射出成型頁簽 (MCM Tab)
使用者可在計算參數內的多材質射出成型標簽下設定 1. 參考前一射的組別 2. 型芯偏移分析與邊界條件設定 3. 正交性材料性質
參考前一射的組別ID (Link with the previous shot)
在MCM頁簽中，可選擇參考前一射的組別ID (Link with the previous shot)，將前一射的溫度分布納入考慮。
勾選參考前一射的組別ID (Link with the previous shot)，開啟Project路徑和組別選項。
從下拉式選單中的三個選項，存取前一射資料。三個選項分別為當前項目(Current project)、匯入其他項目(Import other project)和連結其他項目(Link other project)。可依序選擇組別ID。
*1：Cool 求解器考慮前一射所有塑件與嵌件上的溫度分布；*2：Warp, Stress, FEA 求解器僅考慮前一射中塑件的纖維配向；*3：Warp, Stress, FEA 求解器僅考慮前一射中塑件嵌件的正交纖維性質，并且不支持RTM模塊。*4：Warp 讀取塑件嵌件在前一射的體積收縮率，EnhancedWarp解器讀取塑件嵌件在上一射的壓力與溫度變化(多段PvT)。
型芯偏移 (Core Shift)
使用者可在型芯偏移這部分設定相關設定，模擬充填過程中嵌件的偏移：
?開啟型芯位移分析：勾選型芯偏移計算，計算充填過程中流體產生的應力與偏移，計算完偏移后可顯示更多的相關流動結果。
注：型芯遍移分析中如果有模具嵌件，請確定模型沒有非匹配面存在。
展開 資料驅動之生成式射出成型多質量預測技術
臺灣師范大學 機電工程學系 / 柯坤呈 教授、王瑞志
臺東?？茖W校 動力機械科 / 粘世智 教授
(轉載自繁體版ACMT電子技術月刊No.090)
摘要
射出成型是一項成熟的高分子加工技術，應用領域極其廣泛例如汽車、光學、消費性用品、民生用品、與IC封裝等，可以大規模、高效率且花費較低成本進行制造。
射出成型制程三大階段依序為充填、保壓與冷卻，利用射出成型技術生產之成品容易發生翹曲與收縮變形情況，造成成品缺陷有許多因素，包含材料特性、加工參數設置、環境與模具等影響，運用工程統計與CAE模擬進行具備策略性的加工制程調整能夠更有效率控制質量。透過感測技術分析壓力曲線所具備之物理意義，用于調整機臺以利取得最佳參數設置，獲得高質量成品[1]。
在射出成型過程中可控制的條件眾多，如：熔膠溫度、射出速度、保壓壓力、保壓時間等機臺參數設置?？衫媚＞邇仍O置多個壓力感測器取得可應用之壓力數據，并將其進行后續之應用，機器學習的進步造就在質量預測上之效果逐漸提升。
在本研究利用壓力數據信息進行資料前處理，將其分為3種方法。第1種將擷取數據不進行任何處理在此作為全域壓力、第2種則是進行壓力分段處理，分別為充填、保壓與冷卻三階段，兩者均進行多層感知器編碼，第3種則是使用透過領域知識背景之指標化特征提取，并將以上取得特征進行相關系數分析對于質量之相關性，透過集成式機器學習[2]，進行多質量目標之預測，同時比較3種特征之預測準確度，進而提供較具優勢之生成式人工智能模型機器學習訓練方法，如圖1。
圖1：生成式射出成型多質量預測之示意圖
實驗設計與流程
本研究細分為三個主要部分：「射出成型實驗設計」、「資料前處理」，以及「生成式人工智能預測」。
展開 