注射模制控制方法

专利名称：注射模制控制方法
技术领域：
本发明涉及一种用于通过使用包括神经网络的控制装置来控制
注模机(injection molding machine)的方法。
背景技术：
io 在用于通过进行塑化/测量过程(以下简称测量过程)和注射/压 力保持过程(以下简称注射过程)来生产产品的注模机中所获得的产 品质量取决于注射条件，因此重要的是调节注射条件，以便获得令人 满意的产品。
注射条件包括V-P切换控制，用于将螺杆控制(screw control) 15从速度控制切换到压力控制，在JP 2005-335078 A中公开了用于通过 校正V-P切换位置来获得合格产品的技术。
在上述注射模制期间的注射条件将在下文中参考关于此的图18 的曲线图进行描述。
在图18中，横轴指示螺杆位置，而纵轴指示注射压力或注射速
20率。
附图标记Ps表示在获得合格产品时注射压力的曲线，P表示在
某次发射(shot)中注射压力的曲线，而V1到V3表示显示注射速率 的线。
用"A"来表示当压力曲线Ps转变为螺杆位置校正检测压力Pm 25时的螺杆位置，用"a"表示当某次发射中压力曲线P转变为螺杆位 置校正检测压力Pm时的螺杆位置，而a (其中a=A-a)的偏差存在 于两个位置之间。
此时，在与B位置(两个位置)偏移等于a的量的b位置(2个 位置)中，螺杆的速度从V1切换到V2 (或从V2到V3)。然后，在 与C位置偏移等于a的量的c位置中，将速度控制切换到压力保持控 制。
由于可以通过以等于a的量校正螺杆位置使某次发射的压力曲 线P来模拟生产合格产品的压力曲线P，因此在某次发射中也能获得 5合格产品。
在图18中，在注射过程内执行该一系列操作，凭借该系列操作， 在St (注射过程的开始点)之后检测到偏差a，并且以等于偏差a的 量校正速度切换点或速度-压力保持切换点。
在最近的高速模制方法中，从注射过程的开始St到压力保持控 io制的开始c消逝大约0.1秒。在这样短的时间内难以进行上述操作系 歹U，并且即便能够进行这些操作，也需要高灵敏度的传感器或能够进 行高速计算的控制单元，进而增加了装置成本。
在JP2005-335078A中，仅仅管理注射压力和螺杆之间的关系。 在该配置中，当加热缸体的温度、周期时间和其它因子发生波动时， 15很难获得合格产品。具体而言，必须考虑多个波动因子，以便获得合 格产品。

发明内容
因此，本发明的目的是提供一种能够高速模制、并且能够考虑多
20个波动因子的注射模制方法。
根据本发明，提供了一种用于利用神经网络来控制注射模制的方 法，其中，注射模制控制方法包括以下步骤采集在测试注射模制期 间测量步骤中的测量监测值，和注射步骤中的注射监测值，指定所获 得的测量监测值为输入项，而注射监测值为输出项，并且利用神经网
25络来确定预测函数；通过将在批量生产注射模制期间完成测量步骤时 采集的测量监测值代入预测函数中，来预测对应于注射监测值的第一 值；根据预测的第一值，确定构成注射条件的第二值；以及根据包括 第二值的注射条件，实现注射控制和压力保持控制。
在如此配置的本发明中，注射条件是通过预测函数确定步骤、第
30 —值预测步骤以及第二值预测步骤来确定的，不过，预测函数确定步
骤是通过测试模制来实现的，而第一值预测步骤和第二值预测步骤是
通过测量步骤来实现的。
具体而言，在注射步骤之前，确定为批量生产模制而预测的注射
条件。由于在注射步骤中没有对计算的需要，因此注射能够以高速进 5行。伴随第一值预测步骤和第二值预测步骤的计算是在有时间裕量的
测量步骤中进行的。因此，不需要增加计算速度，进而能够防止增加
控制装置的成本。结果，本发明能够通过一种安装在常规注模机中的
控制装置来实现，并且能够防止增加注射模制注模机的成本。
通过使用利用神经网络的预测函数，还能够将多个测量监测值指 10定为输入因子。具体而言，反映多个波动因子的注射条件能够得到确
定。结果，能够容易地改善所制造产品的质量。
测试注射模制和批量生产注射模制中的测量监测值优选地包括
如下若干项中的至少一个测量开始位置，即在测量开始时的螺杆位
置；测量时间，即从测量开始到测量结束的时间；测量转矩，邵施加 15到所述螺杆的扭转力矩；周期时间，即从某次测试模制中测量的开始
到随后的测试模制中测量的开始的单周期时间；测量停止位置，即在
测量结束时的螺杆位置；以及加热缸体温度，即测量中加热缸体温度
的平均值。因此，反映多个波动因子的注射条件能够得到确定，并且
因此，能够容易地改善所制造产品中的质量。 20注射监测值优选是螺杆的注射开始位置。螺杆的注射开始位置在
注射步骤中极为重要。所制造产品的质量是通过为螺杆预测这种注射
开始位置得到改善的。
注射监测值优选是在螺杆到达预指定(prescribed)位置时的注射
压力测量值。当向螺杆提供止回阀时，注射压力直到止回阀关闭才稳 25定。因此，注射监测值是当螺杆到达指定位置时的注射压力测量值，
并且该压力稳定增加。
第二值优选是V-P切换位置，在该位置将螺杆的速度控制切换到
压力保持控制。V-P切换位置在注射步骤中极为重要。所制造产品的
质量是通过预测这种V-P切换位置来改善的。 30 第二值优选是用于压力保持控制的保持的压力。保持的压力在注
射步骤中极为重要。所制造产品的质量是通过预测这种保持压力来改 善的。
优选地，控制方法进一步包括以下步骤将预测的第一值与在批 量生产注射模制期间注射步骤结束时采集的注射监测值进行比较，并 5且确认值之间的差是否在允许范围内。本发明旨在预测注射条件，从 而获得令人满意的产品，但由于涉及预测，因此存在发生不合格产品 的可能性。因此，通过将预测的第一值与在注射步骤结束时采集的注 射监测值进行比较，来监测注射条件的精确度。
10


本发明的某些优选实施例将在下文中参考附图仅用举例的方式 进行详细的说明，其中-
图1是示出根据本发明的注模机连同其控制装置的方框图； 图2是示出螺杆位置和注射压力之间关系的图； 15 图3是示出用于确定测试模制中预测函数的方法的流程图4是示出本发明中所使用的神经网络的简图； 图5是用于确定批量生产模制中第一值的流程图; 图6是示出批量生产模制中神经网络的简图； 图7是示出用于确定批量生产模制中V-P切换位置的方法的流程
20图8是示出批量生产模制中确认步骤的流程图； 图9是示出螺杆位置和注射压力之间关系的曲线图； 图10是示出加热缸体温度和注射压力之间关系的图； 图11是示出对树脂压縮量进行测量的示意图； 25图12是示出保持的压力和压縮量之间关系的图13是示出加热缸体温度和保持的压力之间关系的曲线图； 图14是示出根据注射压力计算保持的压力的曲线图； 图15是示出在批量生产模制中确定作为第一值的注射压力预测 值的流程30图16是示出在批量生产模制中确定作为第二值的保持的压力，
以及在该注射条件下执行注射步骤的流程图17是示出批量生产模制中确认步骤的流程图；以及
图18是示出关于常规注射模制中相对于螺杆位置的注射速率和
注射压力之间关系的曲线图。
如图1所示，注模机IO基本上由用于夹住模具(die) 11的锁模 装置12以及用于将树脂注射入模具11中的注射装置13构成。注模 机10配备有包括神经网络的控制装置20。
io 控制装置20包括神经网络21，用于对测量监测值和注模机10 进行的测试模制的注射监测值进行合并并且产生预测函数；第一计算 单元22，用于根据由神经网络21产生的预测函数，和注模机10所 进行的批量生产模制的测量监测值，来计算第一值；第二计算单元 23，用于根据由第一计算单元22计算出的第一值来计算对应于注射
15条件的第二值；比较单元24，用于比较第一值和注模机10所进行的 批量生产模制的注射监测值；以及报警生成单元25，用于在比较单 元24的比较值不正常时产生警告信号。
接下来将基于示出螺杆位置和注射压力之间关系的图2所示的 曲线图，对上述第一值和第二值的具体实例进行描述。在图2中，螺
20杆在横轴上从右向左向前移动。在获得合格产品时出现向右下降的压 力曲线。
即使当螺杆在a点开始向前移动时，压力直到b点也几乎没有增 加。这是因为止回阀(backflow prevention valve)并没有完全关闭。 止回阀在b点附近完全关闭，并且注射压力线性地增加到c点。由于 25注射压力在b点和c点之间的d点处稳定且并不增加(12MPa)，因此 将d点定义为注射开始位置S0。注射开始位置SO对应于本发明的"第 一值"。
然后，合格产品是在进行V-P切换控制的e点处获得的。e点对 应于本发明的"第二值"。附图标记La是在注射开始位置SO为原点 30时螺杆向前移动的量。
接下来将对具有上述配置的注模机的操作进行描述。
图3是示出用于确定测试模制中预测函数的方法的流程图。 在步骤(以下简称ST) 01中，在注模机的控制装置中设置塑化/ 测量条件和注射/压力保持条件。 5 在ST02中，进行测试模制中的测量步骤。
在ST03中，从安装在注射模制注模机中的传感器采集测量监测值。
在ST04中，进行测试模制中的注射步骤。
在ST05中，从安装在注射模制注模机中的传感器采集注射监测
io值。
在ST06中，操作神经网络。该操作描述于图4中。 在图4中，在测试模制期间，将通过由传感器对注模机的工作状 态的检测所获得测量监测值，例如，测量开始位置(在测量开始时的 螺杆位置)、测量时间(从测量开始到测量结束的时间)、测量转矩(施
15加到螺杆的转矩)、周期时间(从在某次测试模制中测量的开始到随 后的测试模制中测量的开始的单周期时间)、测量停止位置(在测量 结束时的螺杆位置)以及加热缸体温度(测量中所述加热缸体温度的 平均值)，指定为输入因子31、 32、 33、 34、 35、 36。
中间层41的值是通过利用阈值和为每个输入而确定的加权系数
20对输入因子31、 32、 33、 34、 35、 36进行处理来确定的。中间层42 的值是通过利用另一个阈值和为每个输入而确定的加权系数对输入 因子31、 32、 33、 34、 35、 36进行处理来确定的。以相同的方式确 定中间层43到46的值。
输出因子51、 52是通过利用另一个阈值和为每个输入而确定的
25加权系数对中间层41到46的值进行处理来确定的。输出因子51、 52是测试模制期间由传感器对注射模制注模机的工作状态进行检测 所获得注射监测值，例如，注射开始位置测量值(见图2中的d点) 或者注射压力测量值(在注射步骤结束时所确定的螺杆位置处的注射 压力(随后参考图9和14讨论))。
30 由于神经网络是一种函数，因此能够将输入因子31到36和输出
因子51、 52指定为已知值，而能够将函数中的加权系数和阈值指定 为未知值。
具体而言，将测量监测值应用于输入因子31到36，并且将注射 监测值应用于输出因子51、 52。在调整加权系数和阈值的同时由计 5算机重复计算，直到输出因子51、 52与注射监测值匹配。当输出因 子51、 52与注射监测值实现满意的匹配时，确定加权系数和阈值。
返回图3，在ST07中确定用于注射开始位置的NN (神经网络的 简称；下同)函数，而在ST08中确定注射压力的NN函数。
在测试模制中进行上述的操作流程。 io 接下来将描述批量生产模制中的操作流程。
图5是示出用于确定批量生产模制中第一值的方法的流程图。
在ST11中，读取用于注射开始位置的NN函数。当图3和5是 连续的时能够略去该步骤。同样的做法适用于连续的流程图。
在ST12中，为批量生产模制设置塑化/测量条件。 15 在ST13中，进行用于批量生产模制的测量步骤。
在ST14中，在测量步骤结束时采集测量监测值。
在ST15中，将测量监测值代入用于注射开始位置的NN函数。 该步骤描述于图6中。
图6是示出用于在批量生产模制中利用神经网络的方法的图。将 20批量生产模制中所获得的测量监测值输入作为输入因子31到36。由 于中间层41到46的值得到确定，因此能够计算出输出因子53 (作 为第一值的注射开始位置预测值)。
返回图5，在ST16中确定第一值(注射开始位置预测值；见图2 中的d点)。
25 图7是示出用于确定批量生产模制中V-P切换位置的方法的流程 图。
在ST21中，读取第一值(注射开始位置预测值)。注射开始位置 预测值将被称为Sa。该Sa对应于图2中的S0。
在ST22中，读取螺杆的向前移动量La (见图2)。 30 在ST23中，从Sa和La确定第二值(V-P切换位置，其对应于
图2中的e点)。
在ST24中，将第二值(V-P切换位置)添加到注射条件。在V-P 切换位置中进行V-P切换控制时，进行注射步骤(ST25)。
批量生产模制中的测量步骤是在上述图5中进行的，而批量生产 5模制中的注射步骤是在图7中进行的，但是并不进行重复计算和其它 耗时计算。因此，批量生产模制能够以高速进行。
图8是示出批量生产模制中的确认步骤的流程图。 当在ST31中完成注射步骤时，在ST32中采集注射监测值，并 且在ST33中从注射监测值之中采集注射开始位置测量值Sb。 io 在ST34中，读取注射开始位置预测值Sa (第一值)。
在ST35中计算Sa和Sb之间的差，并且估计差是否在允许偏差 内。当差在允许偏差内时，过程进入ST36，并且进行"令人满意的 显示"。当差超出允许偏差时，过程进入ST37，进行"不令人满意的 显示"，进而在ST38中产生报警。 15 通过比较预测的第一值与在注射步骤完成时采集的注射监测值 来监测注射条件的精确度。
第一值是上述的实例中的注射开始位置预测值，但是第一值也可 以是另一个注射条件。接下来将对第一值是注射压力预测值的情况的 实例进行描述。 20 首先对用于实现该实例所需要的曲线图进行描述。
图9是示出螺杆位置和注射压力之间关系的曲线图。当将加热缸 体温度设置到20(TC、 215'C或23(TC时，并且保持其它条件为常数的 同时检査注射压力时，获得三条曲线。树脂是聚丙烯(PP)。
由于在横轴上7mm附近发生拐点，因此在该点处对三条曲线进 25行比较并不是优选地。因此，选择10mm作为不受拐点影响的位置， 并且将三条曲线在10mm的点处进行比较。
将一条在10mm点处平行于纵轴所画的线与曲线相交的点指定 为t200、 t215和t230，并且为每个点读取纵轴的刻度(注射压力)。 图10是示出加热缸体温度和注射压力之间关系的曲线图。标绘 30出图9中所获得的点t200、 t215和t230，以创建显示加热缸体温度和 注射压力之间关系的曲线图。
图11是用于测量压縮量的实验模型的图。准备具有加热器56和 温度传感器57的加热缸体58 (堵住加热缸体58的管口)，将加热缸 体58设置到20(TC、 215'C或23(TC，保持其它条件为常数，并且通
5过活塞61来压縮塑化的树脂59。用20到60MPa的保持的压力进行 该压縮。树脂是聚丙烯(PP)。
假定，在保持的压力下，将压縮前长度为L的树脂59压縮等于 △L的量。当横截面积为常数时，可以计算压縮量(压縮比)为(AL/L) X100(%)。在图12的曲线图中示出了在实验中计算出的压縮量。
io 图12是示出保持的压力和压縮量之间关系的曲线图。在200°C 时树脂的压縮量小，而在23(TC时树脂的压縮量大。还发现用于图2 和9的实验的压縮量。结果，明显的是，当压縮量为5%时，获得合 格产品。因此，将5%的线(虚线)代入图12，以找到与三条线相交 的点T200、 T215和T230。
15 图13是示出加热缸体温度和保持的压力之间关系的曲线图。标 绘出图12中所获得的点T200、 T215和T230，以创建示出加热缸体
温度和注射压力之间关系的曲线图。
图14是凭借其从注射压力能够计算出保持的压力的曲线图。图 14 (a)对应于图10，而图14 (b)对于于图13。 20 当注射压力为52MPa时，通过画一条连接j、 k、 l和m点的线， 能够获得32.7 MPa的保持的压力。
52 MPa的注射压力对应于第一值，而32.7MPa的保持的压力对 应于第二值。
下面对利用图14进行批量生产模制的操作流程进行描述。 25 图15是示出用于确定批量生产模制中第一值的方法的流程图。 在ST41中，读取在ST08 (图3)中确定的用于注射压力的NN 函数。
在ST42中，为批量生产模制设置塑化/测量条件。 在ST43中，进行批量生产模制的测量步骤。 30 在ST44中，在测量步骤结束时采集测量监测值。
在ST45中，将测量监测值代入用于注射压力的NN函数。该步 骤描述于图16中。
在ST46中，确定第一值(注射压力预测值；见图14中的j点)。 图16是示出用于确定批量生产模制中保持的压力的方法的流程5图。
在ST51中，读取第一值(注射压力预测值)。 在ST52中，基于图14确定第二值(保持的压力；见图14A中 的m点)。
在ST53中，将第二值(保持的压力)添加到注射条件。注射步 io骤(ST54)是在将压力保持在保持的压力时进行的。
批量生产模制中的测量步骤是在上述的图15中进行的，而批量 生产模制中的注射步骤是在图16中进行的，但是并不进行重复计算 和其它耗时计算。因此，批量生产模制能够以高速进行。 图17是示出批量生产模制中确认步骤的流程图。 15 当在ST61完成注射步骤时，在ST62中采集注射监测值，并且 在ST63中，从注射监测值之中采集注射压力测量值Pb。 在ST64中，读取注射压力预测值Pa (第一值)。 在ST65中计算Pa和Pb之间的差，并且评估差是否在允许偏差 内。当差在允许偏差内时，过程进入到ST66，并且进行"令人满意 20的显示"。当差超出允许偏差时，过程进入ST67，进行"不令人满意 的显示"，进而在ST68中产生报警。
通过比较预测的第一值与在注射步骤完成时采集的注射监测值 来监测注射条件的精确度。
根据如上述的本发明，在注射步骤之前，确定为批量生产模制而 25预测的注射条件(V-P切换位置、保持的压力和其它条件)。由于在 注射步骤中没有对计算的需要，因此注射能够以高速进行。伴随第一 值预测步骤和第二值预测步骤的计算是在测量步骤(有时间裕量)中 进行的，因此，不需要增加计算速度，进而能够防止控制装置的成本 增加。结果，本发明能够通过一种安装在常规注模机中的控制装置来 30实现，并且能够防止增加注射模制注模机的成本。
通过使用利用神经网络的预测函数，还能够将多个测量监测值指 定为输入因子。具体而言，反映多个波动因子的注射条件能够得到确 定。结果，能够容易地改善所制造产品中的质量。
测量监测值包括测量开始位置、测量时间、测量转矩、周期时间、 5测量停止位置以及加热缸体温度的至少一个。反映多个波动因子的注 射条件能够得到确定。结果，能够容易地改善所制造产品的质量。
注射监测值优选是螺杆的注射开始位置。螺杆的注射开始位置在 注射步骤中极为重要。所制造产品的质量是通过为螺杆预测这种注射 开始位置来改善的。 10 本发明的第二值优选是V-P切换位置，在该位置螺杆的速度控制
切换到压力控制。V-P切换位置在注射步骤中极为重要。所制造产品 的质量是通过预测这种V-P切换位置来改善的。
注射监测值可以是在螺杆到达预指定位置时的注射压力测量值。 当向螺杆提供止回阀时，注射压力直到止回阀关闭才稳定。因此，注
15射监测值是当螺杆到达预指定位置时的注射压力测量值，并且该压力 稳定增加。
本发明的第二值可以是用于压力保持控制的保持的压力。保持的 压力在注射步骤中极为重要。所制造产品的质量是通过预测这种保持 的压力来改善的。
20 可以从注模机所使用的条件或值中适当地选择测量监测值、注射
监测值和预测的注射条件，并且这些值不受上述实例的限制。
权利要求
1、一种用于利用神经网络来控制注射模制的方法，所述注射模制控制方法包括以下步骤采集在测试注射模制期间测量步骤中的测量监测值(31、32、33、34、35、36)，和注射步骤中的注射监测值(51、52)，指定所获得的测量监测值为输入项，而所述注射监测值为输出项，并且利用所述神经网络(21)来确定预测函数；通过将在批量生产注射模制期间完成测量步骤时采集的所述测量监测值代入所述预测函数中，预测对应于所述注射监测值的第一值；根据所述预测的第一值，确定构成注射条件的第二值；以及根据包括所述第二值的所述注射条件，实现注射控制和压力保持控制。
2、 根据权利要求1所述的控制方法，其中，所述测试注射模制 和所述批量生产注射模制中的所述测量监测值包括以下的至少一个 测量开始位置，即在测量开始时的螺杆位置；测量时间，即从测量开 始到测量结束的时间；测量转矩，即施加到所述螺杆的扭转力矩；周 期时间，即从某次测试模制中测量的开始到随后的测试模制中测量的 开始的单周期时间；测量停止位置，即在测量结束时的螺杆位置；以 及加热缸体温度，即测量中加热缸体温度的平均值。
3、 根据权利要求1所述的控制方法，其中，所述注射监测值是 所述螺杆的注射开始位置。
4、 根据权利要求1所述的控制方法，其中，所述注射监测值是 在所述螺杆到达预指定位置时测量得到的注射压力测量值。
5、 根据权利要求1所述的控制方法，其中，所述第二值是V-P切换位置，在该位置将所述螺杆的速度控制切换到压力保持控制。
6、 根据权利要求1所述的控制方法，其中，所述第二值是用于 所述压力保持控制的保持的压力。
7、 根据权利要求1所述的控制方法，进一步包括以下步骤将 所述预测的第一值与在所述批量生产注射模制期间所述注射步骤结 束时采集的所述注射监测值进行比较，并且确认所述值之间的差是否 在允许范围内。
全文摘要
公开了一种使用神经网络的注射模制控制方法。该控制方法根据预测函数、第一值和第二值，来确定注射条件。预测函数是在测试模制中实现的，而第一值和第二值是在有时间裕量的测量步骤中实现的。在注射步骤前确定为批量生产模制而预测的注射条件，因此，消除了在注射步骤期间对计算的需要。
文档编号B29C45/76GK101168283SQ20071016792
公开日2008年4月30日 申请日期2007年10月26日 优先权日2006年10月27日
发明者山极佳年, 岩下英纪, 盐入隆仁 申请人:日精树脂工业株式会社