基于贝叶斯自适应实验设计方法的工业注塑工艺单目标与多目标实时优化
系统与控制
2024-12-05 v2 系统与控制
摘要
在不引发质量缺陷的前提下最小化周期时间是注塑 (IM) 面临的主要挑战。实验设计 (DoE) 方法已广泛用于注塑优化，但现有方法存在局限性，包括需要大量实验以及预定义的搜索空间。贝叶斯自适应实验设计 (ADoE) 是一个迭代过程，利用先前实验的结果为下一次设计做出明智选择。在本研究中，首次开发了一种基于贝叶斯优化的实验性 ADoE 方法，应用于注塑领域，利用工艺和传感器数据实时优化质量和周期时间。提出了一种利用模具内传感器监测零件冷却期间温差数据进行产后收缩实时表征的新方法，并通过产后计量结果验证了该表征方法。提出了针对注塑件周期时间和温差的单目标与多目标优化方案。将复合满意度函数和使用响应面法 (RSM) 模型的非支配排序遗传算法 (NSGA-II) 等多目标优化技术与这种新颖的实时 ADoE 方法进行了比较。结果显示，与复合满意度函数和 NSGA-II 相比，ADoE 在温差单目标优化中将所需实验数量减少了近 50%，在温差与周期时间的联合优化中减少了近 30%。此外，ADoE 识别出的多目标优化最优设置与 NSGA-II 找到的选定 Pareto 最优解相似。
引用
@article{arxiv.2402.12077,
title = {Single and Multi-Objective Real-Time Optimisation of an Industrial Injection Moulding Process via a Bayesian Adaptive Design of Experiment Approach},
author = {Mandana Kariminejad and David Tormey and Caitríona Ryan and Christopher O'Hara and Albert Weinert and Marion McAfee},
journal= {arXiv preprint arXiv:2402.12077},
year = {2024}
}
备注
19 pages, 12 figures