Experimental Data?Driven Prediction and Optimization of Demolding Force in Plastic Injection Molding Using Artificial Intelligence : None = 인공지능을 활용한 실험 데이터 기반 플라스틱 사출 성형 이형력 예측 및 최적화

다국어 초록 (Multilingual Abstract)

The injection molding process is versatile for fabricating thermoplastic products for various application purposes. There has been an increased demand for most of these manufactured products recently, and the expectation tends to increase with time. Significant attention has been drawn to the demolding stage because it’s the final step in the injection molding process where most of these products are manufactured. The reason is that the demolding stage produces the demolding force, which is quantified as a factor contributing to the quality of the final molded parts. However, there has been an effort in establishing prediction models and optimizing the process parameters for the demolding stage to achieve good quality products through the demolding force. Still, most of the established approaches are based on traditional techniques, which lacks the robustness for prediction and optimizing the process parameters in terms of their advantage. These concerns have motivated the investigation to experimentally measure the demolding force in the injection molding process and develop some robust models through artificial intelligence to predict the demolding force efficiently. To address this issue, a design setup was proposed that creates a modification to the supporting ejector rod behind the demolding plate to accommodate the load cell in the injection molding machine for measuring the demolding force. In addition to the design setup is the data logger system, which receives the signal from the load cell. The collected dataset was evaluated, analyzed (root mean square error and coefficient of determination), and used for the model development. The model development and optimal parameter selection were established in three forms using the process parameters: melt temperature, mold temperature, filling time, and packing pressure. First, the artificial neural network was proposed for predicting the demolding force for a thermoplastic polymer material using the process parameters for three different algorithms, namely, Levenberg-Marquardt, Broyden-Fletcher-Goldfarb-Shanno quasi-Newton, and scale conjugate gradient. Secondly, the long short-term memory was also proposed to forecast the demolding force in real time in the injection molding process. Three optimization algorithms were applied: stochastic gradient descent with momentum, root mean square propagation, and adaptive momentum estimation. The developed models, through their respective optimized algorithms, have demonstrated their significant robustness in forecasting the demolding force, which can be verified by the agreement with the experimental dataset. Thirdly, a novel intelligent system for optimal parameter selection, called VRML-TOPSIS, has been proposed. The system platform is a combination of variogram model, machine learning model and TOPSIS, which has demonstrated a unified decision criteria for predicting the demolding force by selecting the optimal process parameters. In summary, this dissertation developed for the first time artificial intelligence models for the demolding force prediction and optimization in the injection molding process. The developed models have demonstrated their robustness in predicting the demolding force and will significantly help improve the properties of polymer material for comparable designed products.

국문 초록 (Abstract)

사출 성형 공정은 열가소성 제품을 다양한 용도로 제조하는 데 있어 매우 유연한 공정이다. 최근 들어 이러한 제품에 대한 수요가 증가하고 있으며, 앞으로도 지속적인 증가가 예상된다. 특히 이형 단계는 사출 성형 공정의 마지막 단계로, 대부분의 제품이 완성되는 단계이기에 많은주목을 받고 있다. 이형 단계에서 발생하는 이형력은 최종 성형 제품의 품질에 직접적인 영향을미치는 요인으로 정량화되기 때문이다. 이형력의 품질을 높이기 위해 이형 단계에 대한 예측 모델을 구축하고 공정 변수를최적화하려는 다양한 연구가 진행되어 왔다. 그러나 기존의 대부분의 접근 방식은 전통적인기법에 기반하고 있어, 공정 변수의 예측 및 최적화 측면에서 충분한 견고성을 제공하지 못하는한계가 있다. 이러한 문제를 해결하고자, 본 연구에서는 사출 성형 공정에서 이형력을실험적으로 측정하고, 이를 효율적으로 예측할 수 있는 인공지능 기반의 견고한 모델을개발하고자 하였다.이를 위해 사출 성형기 내 이형 플레이트 뒤에 있는 이젝터 로드를 개조하여 로드셀을장착할 수 있는 설계 구조를 제안하였다. 이형력을 측정하기 위한 해당 설계 구조에는 로드셀의신호를 수신하는 데이터 로거 시스템도 포함된다. 수집된 데이터는 평균 제곱근 오차(RMSE)와결정 계수(R²)를 통해 평가 및 분석되었으며, 모델 개발에 활용되었다. 모델 개발 및 최적 공정 변수 선택은 다음의 세 가지 형태로 수행되었다. 사용된 주요 공정변수는 용융 온도, 금형 온도, 충진 시간, 패킹 압력이다. 첫째, 세 가지 알고리즘(Levenberg-Marquardt, Broyden-Fletcher-Goldfarb-Shanno 준 뉴턴법, Scale Conjugate Gradient)을 사용하여 인공신경망(ANN) 기반 모델을 통해 열가소성 고분자 재료의이형력을 예측하였다. 둘째, 장단기 메모리(LSTM) 기반 모델을 적용하여, 실시간으로 사출 성형 공정에서의이형력을 예측하였다. 이 모델에는 Stochastic Gradient Descent with Momentum, RMSProp, Adam 의 세 가지 최적화 알고리즘이 적용되었다. 개발된 모델은 각 최적화 기법을 통해이형력을 예측함에 있어 높은 견고성을 입증하였으며, 실험 데이터와의 일치도를 통해검증되었다. 셋째, 최적 공정 변수 선정을 위한 새로운 지능형 시스템인 VRML-TOPSIS 를 제안하였다. 이 시스템은 Variogram 모델, 머신러닝 모델, 다속성 의사결정 기법인 TOPSIS 를 결합한플랫폼으로, 이형력 예측에 있어 통합된 의사결정 기준을 제시하며 최적 공정 변수 선정을가능하게 한다.요약하면, 본 학위논문은 사출 성형 공정에서 이형력을 예측하고 최적화하기 위한 인공지능모델을 세계 최초로 개발하였으며, 이 모델들은 이형력 예측에 있어 매우 높은 견고성을 보였다. 이는 고분자 재료의 물성 개선 및 제품 설계 경쟁력 향상에 크게 기여할 수 있을 것으로 기대된다.

목차 (Table of Contents)

• (Abstract) 1
• 1. Introduction 3
• 1.1. Research motivation 3
• 1.2. Literature survey 7
• 1.2.1. Demolding mechanism 7
• 1.2.2. Demolding force and measurement technique7
• 1.2.3. Influencing factors on the demolding force 9
• 1.2.4. Data control and monitoring in injection molding process 10
• 1.3. Research objectives and methodology11
• 2. Application of artificial intelligence in injection molding process 12
• 2.1. ANN prediction of molded parts quality 12
• 2.2. Demolding force prediction in the injection molding process 13
• 2.3. Demolding force experimental setup and measurements 15
• 2.4. General overview on artificial intelligence 16
• 2.5. Artificial neural network 17
• 2.6. Long short-term memory network 17
• 2.7. Variogram modeling 18
• 2.8. TOPSIS 19
• 3. Injection molding demolding force prediction using artificial neural network 20
• 3.1. Introduction 20
• 3.2. Proposed model 22
• 3.3. Experimental 24
• 3.3.1. Material 24
• 3.3.2. Part design 25
• 3.3.3. Demolding force measurements 26
• 3.3.4. Design of experiments 28
• 3.4. Results and discussion 30
• 3.4.1. Demolding force prediction using artificial neural network 30
• 3.4.2. Relative importance contribution analysis 33
• 3.4.3. Evaluation of processing parameters with effective demolding force 34
• 3.4.4. Development and validation of effective demolding force prediction using ANN model 34
• 3.5. Conclusion 38
• 4. Injection molding demolding force forecasting using a long short-term memory architecture 39
• 4.1. Introduction 39
• 4.2. Proposed model 41
• 4.3. Experimental 45
• 4.4. Results and discussion 47
• 4.4.1. Evaluation of model performance 47
• 4.4.2. Evaluation of model reliability 50
• 4.4.3. Impact assessment of input combination on model performance 54
• 4.5. Conclusion 55
• 5. Intelligent demolding force prediction parameter selection 56
• 5.1. Introduction 56
• 5.2. The decision procedure design 58
• 5.3. Experimental procedure 64
• 5.4. Results and discussion 65
• 5.4.1. The variogram model 65
• 5.4.2. Machine learning 70
• 5.4.3. TOPSIS-based multi-criteria optimization 72
• 5.5. Conclusion 78
• 6. Conclusion and future work 80
• Reference 82
• (국문초록) 102
• Appendices 105
• Acknowledgement 109