《Polymers》：Development of a Control System for a Hydraulic Injection Molding Machine Using an AFC Controller and Utilization of Learning Parameters
Takahiro Shinpuku,
Takumi Kobayashi,
Shota Yabui,
Kento Fujita,
Yusuke Uematsu,
Shota Suzuki and
Yusuke Uchiyama
编辑推荐：
本文针对液压注塑机中熔体树脂内部状态无法直接观测、且因材料和工况变化导致成型质量不稳定的难题，提出了将自适应前馈控制（AFC）框架用于注射速度跟踪改善，并将其学习参数用作树脂状态的间接指标。研究通过在液压注塑机上对不同粘度聚丙烯材料进行实验，发现收敛的AFC参数可系统性地反映材料变化，并对应于成型品的外观差异。该工作为在变工况下实现稳定成型质量提供了无需额外传感器的简单、可解释的状态评估新思路。
在塑料制品无处不在的今天，从汽车零件到医疗器械，其核心制造工艺——注塑成型——的稳定性至关重要。然而，一个根本性的难题长期困扰着业界：在机器轰鸣运作时，我们无法“看见”模具内部熔融树脂的真实状态。其粘度等关键属性会因材料批次、温度波动而动态变化，直接影响最终产品的质量。在更为复杂的液压注塑机上，问题被进一步放大：驱动系统的液压油特性（如油温变化）会引入额外干扰，使得从有限的传感器信号（如螺杆位置、液压压力）中可靠地估计树脂状态变得异常困难。传统上，工程师们往往依靠经验和试错来调整工艺参数，这不仅效率低下，在面对日益增多的回收料等变异性材料时，更是难以保证质量的稳定与均一。那么，能否找到一种不依赖复杂模型或额外传感器，就能间接“感知”树脂状态变化，从而主动稳定工艺的方法呢？
近期发表于《Polymers》的一项研究为此提供了创新思路。研究人员独辟蹊径，将目光投向了控制领域的一种工具——自适应前馈控制（Adaptive Feedforward Control, AFC）。通常，AFC被用于提升系统对重复指令的跟踪精度，其内部的“学习参数”仅是用于生成补偿信号的内部变量，物理意义很少被深究。但本研究团队提出了一个颠覆性的观点：这些随着注射周期不断更新的AFC学习参数，本质上捕获了系统动态和外部扰动的变化，而在注塑过程中，这些变化恰恰深受注射阶段树脂状态的影响。因此，AFC的学习参数不仅可以作为控制变量，更可以作为反映树脂状态变化的“指示器”。基于这一理念，他们开发了一套用于液压注塑机注射速度控制的AFC系统，并引入“次间补偿”机制，以克服单次注射时间短、学习效果有限的问题，实现了学习参数在连续成型中的稳定收敛。
为验证这一设想，研究团队主要运用了以下关键技术方法：首先，搭建了基于软件可编程逻辑控制器（PLC）的液压注塑机实时控制系统，以固定采样周期（2.0×10-3s）循环执行控制算法。其次，设计并实现了多频率AFC控制器，其前馈输入由多个正弦分量叠加构成，通过特定的更新律（如 pi(k) = e-ζiωiTpi(k-1) + λie(k) cos(ωiT k + θi)）在线调整学习参数。最后，通过严谨的实验设计，在液压注塑机上使用具有不同粘度的聚丙烯材料，并调整料筒温度，系统性地改变了成型过程中的树脂状态，以监测AFC参数的变化，并将其与最终成型品的外观进行关联分析。
研究结果主要得出以下结论：
- 1.
AFC有效提升了注射速度跟踪性能：如文中图4所示的控制系统结构，将AFC作为前馈控制器集成后，显著改善了注射速度对设定值的跟踪精度，这为其学习参数能有效反映过程动态提供了基础。
- 2.
AFC学习参数可系统反映材料变化：实验发现，当使用不同粘度的聚丙烯材料时，AFC学习参数在多次注射后会收敛到不同的稳定值。这表明，学习参数的收敛值与材料的固有特性（如粘度）存在系统性关联。
- 3.
学习参数与产品外观强相关：更重要的是，研究观察到AFC学习参数的收敛状态与最终成型品的外观质量之间存在对应关系。当学习参数一致时，所得产品的外观也基本一致；反之，当材料变化导致学习参数不同时，产品外观出现明显差异。
- 4.
通过工艺调整可对齐树脂状态：在一个关键实验中，研究人员通过调整另一种材料的料筒温度，使其AFC学习参数收敛到与参考材料非常接近的值。结果，所得到的成型产品外观也变得与参考材料产品相似。这直接证明，通过监控和对齐AFC学习参数，可以间接地对齐和稳定生产过程中的树脂状态，从而获得一致的产品质量。
归纳与讨论：
本研究成功地将自适应前馈控制（AFC）从一个纯粹的控制性能优化工具，扩展为一种过程状态监测手段。其核心结论在于，AFC算法中自适应更新的学习参数，能够作为液压注塑过程中树脂状态变化的有效间接指标。这些参数虽不直接代表树脂的物理量（如粘度），但通过其收敛行为，可以灵敏地捕捉到由材料特性、工艺条件变化所引致的系统整体动态变化。研究所引入的“次间补偿”机制，确保了在短暂的注射周期内，学习信息能够跨周期累积与传递，使得该框架适用于实际的连续生产场景。
这项工作的意义重大。它为注塑行业，特别是广泛使用但控制更复杂的液压注塑机，提供了一种新颖、实用且低成本的质量稳定性提升方案。该方法无需添加昂贵的在线传感器（如树脂压力、粘度传感器），也避免了建立复杂物理模型或依赖大数据驱动的机器学习模型，通过解读控制系统自身产生的“学习参数”，即可实现对过程状态的可解释性监控。这为在原材料变异性增大、对可持续生产和高质量制品需求日益增长的背景下，实现智能、自适应的精密注塑成型提供了重要的技术途径。未来，此方法有望与更高级的工艺优化算法结合，形成闭环的质量控制系统，进一步推动聚合物加工制造的智能化发展。
