数据驱动方法优化聚对苯二甲酸乙二醇酯水瓶预成型注射成型工艺

《Results in Materials》：Data driven approach to optimize polyethylene terephthalate water bottle preform injection molding process

　　

本研究提出了一种新颖的方法，通过平衡可持续性、生产效率和质量来改进水瓶预成型。研究人员整合了统计技术、数值模拟和机器学习，以增强产品设计、降低制造成本并改善功能性能。使用Taguchi方法和方差分析（ANOVA）优化关键注射成型参数，以减轻翘曲、浪费和材料加工缺陷。确定的最佳工艺参数包括：熔体温度280°C、模具温度100°C、环境温度40°C、保压时间2.8秒、冷却时间3.0秒。这些设置实现了优异的尺寸稳定性，将总峰值翘曲位移限制为0.0806 mm，其中残余应力贡献0.0381 mm，淬火效应贡献0.0467 mm，取向效应贡献0.0379 mm。过渡到保压阶段将峰值体积收缩率降低至13.69%，显著提升了部件完整性。建立了人工神经网络（ANN）用于翘曲预测，均方根误差（RMSE）达到0.519。这证实了模拟结果与实验数据之间存在强关联，平均相关性为81.03%至99.46%。所提出的模型优于其他机器学习方法，特别是超过随机森林（RF）的28.02%和XGBoost模型的16.61%。本研究证明了集成先进分析技术用于快速原型开发、设计优化和高质量塑料部件制造的有效性。

**论文解读：数据驱动方法优化PET水瓶预成型注射成型工艺**

**研究背景与问题**

塑料瓶制造业在推动经济增长的同时，也带来了显著的环境挑战，如水资源消耗和塑料瓶废弃物。聚对苯二甲酸乙二醇酯（PET）因其轻质、高透明性、可回收性及优异的机械性能，成为食品、饮料和瓶装水行业的主要包装材料。然而，PET预成型件的注射成型（IM）工艺中，非最优参数会导致翘曲、收缩、气泡、黑点等缺陷，约10%的产品被废弃，其中2%源于制造缺陷。传统预测方法速度慢、成本高且依赖专家经验。此外，预成型件的几何设计对最终瓶子的材料分布和结构性能至关重要，但现有研究多聚焦于工艺参数优化，而忽略了预成型几何作为主要优化变量。因此，本研究旨在通过数据驱动方法，整合统计技术、数值模拟和机器学习，优化PET水瓶预成型件的注射成型工艺，以平衡可持续性、生产效率和产品质量。

**研究概述与结论**

研究人员提出了一种以几何为中心的新颖框架，将数学优化与Taguchi方法、方差分析（ANOVA）以及人工神经网络（ANN）相结合，同时优化预成型几何和注射成型参数，以最小化翘曲并精确预测关键变量。研究以250 mL水瓶预成型件为对象，通过计算机辅助设计（CAD）和计算机辅助工程（CAE）软件进行参数化设计，采用SolidWorks Plastics数据库中的PET材料特性。实验采用L₂₇（3⁵）正交阵列进行Taguchi设计，考察五个关键参数：熔体温度、模具温度、环境温度、保压时间和冷却时间。通过有限元分析（FEA）模拟翘曲行为，并利用ANN、随机森林（RF）和XGBoost机器学习模型进行预测与比较。研究得出以下结论：最佳工艺参数为熔体温度280°C、模具温度100°C、环境温度40°C、保压时间2.8秒、冷却时间3.0秒，此时总峰值翘曲位移仅为0.0806 mm，显著降低了缺陷。ANN模型在预测翘曲方面表现最优，决定系数R²达到89.95%，均方根误差（RMSE）低至0.519，优于RF（55.71%）和XGBoost（65.97%）。该研究证明了集成CAD/CAE、统计方法和机器学习对于快速原型开发、设计优化和高质量塑料部件制造的有效性，为塑料瓶制造业向更可持续的生产模式转型提供了科学依据。论文发表在《Results in Materials》。

**主要关键技术方法**

研究人员采用的主要关键技术方法包括：1）Taguchi方法与方差分析（ANOVA）：用于识别关键注射参数并优化工艺，以降低翘曲和材料浪费；2）有限元分析（FEA）模拟：使用SolidWorks Plastics软件对预成型件进行三维四面体混合网格划分（88,530个单元），模拟填充、保压、冷却和脱模过程中的应力与位移；3）人工神经网络（ANN）建模：在JMP Pro 17软件中构建多层前馈神经网络（5-6-7结构），使用线性与双曲正切激活函数，将数据集按75%训练、25%验证分割，学习率设为0.1，并采用正则化惩罚，用于预测翘曲；4）随机森林（RF）与极限梯度提升（XGBoost）模型：作为对比方法，评估分类与回归性能。样本队列来源于250 mL水瓶预成型件的CAE模拟数据，无实际物理样本。

**研究结果**

**4.1 PET预成型件翘曲分析**
通过方差分析（ANOVA）发现，模具温度和熔体温度是影响预成型件翘曲的主要因素，其F值最高（分别为367.01和315.62），贡献率分别为48.65%和41.84%。信噪比（S/N）响应表进一步确认了模具温度对尺寸稳定性的影响最大。最佳工艺参数通过响应优化器确定：熔体温度280°C、模具温度100°C、环境温度40°C、保压时间2.8秒、冷却时间3.0秒，此时各应力与位移指标达到最优值（如总应力位移δ_Total = 0.076 mm）。期望函数分析（DFA）的综合得分为0.8326，表明多目标优化效果良好。

**4.2 ANN模型结构**
研究人员建立了5-6-7层架构的ANN模型，使用线性与双曲正切激活函数。通过输入层、隐藏层和输出层的参数，推导出关键预测方程（式9-11）。在最优参数下，ANN模型预测的翘曲指标（如δ_Total = 0.076 mm）与模拟值高度吻合，误差仅为5%。

**4.3 机器学习模型性能**
**定性分析**：比较ANN、RF和XGBoost对翘曲高低分类的能力。RF模型在训练与验证集上表现更平衡，泛化能力最佳；ANN经五折交叉验证后也表现出良好的泛化性能。
**定量分析**：ANN模型的决定系数R²在训练集、验证集和整体数据集上分别为88.26%、91.64%和89.95%，均优于RF（55.71%）和XGBoost（65.97%）。ANN的RMSE值极低，表明预测与模拟结果高度一致。三维响应曲面图（图17-18）直观展示了模具温度和熔体温度对应力及位移的交互影响。

**4.4 最优预成型模拟**
在最优参数下，整个注射循环完成时间为6.22秒。保压阶段将体积收缩率从填充结束时的13.97%降低至13.69%，有效减少了缩孔和凹陷风险。剪切应力与剪切率分析显示，最大剪切速率为2104.3140 s^-1，保压结束时降至1.3673 s^-1。翘曲最终值（如δ_Total = 0.081 mm）与ANN和Taguchi模型预测值非常接近，误差分别为5%和4.6%，验证了预测模型的高可靠性。

**讨论与结论**

研究结论部分翻译如下：
本实验研究了注射工艺参数对水瓶生产用PET预成型件翘曲的影响。减少翘曲可降低模塑产品的环境影响，直接推动行业向更可持续的实践转型。主要发现包括：
- 包装行业通过轻量化策略减少包装重量。塑料瓶翘曲源于形状、材料、工艺参数、几何尺寸和载荷条件的复杂组合，预成型几何对吹瓶循环有重大影响。
- 优化后的工艺参数（熔体温度280°C、模具温度100°C、环境温度40°C、保压时间2.8秒、冷却时间3.0秒）有效减少了翘曲和收缩等缺陷，为高效高质量PET预成型制造建立了稳健框架。
- 熔体温度和模具温度是控制最终产品翘曲的主要因素。熔体温度升高导致应力和位移上升，但热应力位移（淬火）先降后升；模具温度升高对应力产生反向效应，而脱模残余von Mises应力保持不变。位移与填充后残余应力呈线性关系。
- 利用CAD/CAE软件，通过优化过渡比、脱模角和壁厚等关键参数，开发了优化的瓶预成型，有助于降低原型成本、减少设计迭代时间并提高制造效率。
- 采用Taguchi设计方法和响应优化器解决了PET注射成型中的翘曲难题，大幅提升了瓶生产效率。
- ANN是预测最准确的模型，R²值最优，XGBoost和RF分别位居第二、第三，表明ANN在泛化能力上表现更强。
- ANN方法与Taguchi统计方法产生的预测误差仅为0.4%，证明了其在预判PET预成型翘曲方面的可靠性和技能。
- 使用最佳工艺参数在注射成型机上制造当前预成型件将得到相同结果。不同原材料和部件设计可能导致不同的最优参数，从而决定最终产品形状。该预测方法可替代昂贵且耗时的试错测试，降低生产成本并提高效率。
未来研究应探讨不同设计选择和完美成型参数对水瓶吹塑操作的影响，评估成型和注射操作的环境效应，并探索更复杂的控制、低能耗加热系统以及基于深度学习（如CNN和RNN）的更高精度预测。