《Science Progress》：Robust intelligent modeling for developing an optimal predictive model of metal powder injection molded dental braces using fuzzy-logic-based multi-objective design
编辑推荐：
目的：金属注射成型（Metal Injection Molding，MIM）是一种先进的制造技术，适用于生产复杂、小型和微型部件，如牙套和生物医学器件。然而，成型过程中的产品翘曲、变形和非均匀温度分布常常损害尺寸精度、装配精度和美学质量。本研究旨在优化牙套的M
目的：金属注射成型（Metal Injection Molding，MIM）是一种先进的制造技术，适用于生产复杂、小型和微型部件，如牙套和生物医学器件。然而，成型过程中的产品翘曲、变形和非均匀温度分布常常损害尺寸精度、装配精度和美学质量。本研究旨在优化牙套的MIM工艺，并建立质量特性的准确预测模型。
方法：采用鲁棒工艺设计与模糊理论相结合，确定单目标和多目标质量优化的最优工艺参数。开发了基于反向传播神经网络（Back Propagation Neural Network，BPNN）和自适应神经模糊推理系统（Adaptive Network-based Fuzzy Inference System，ANFIS）的预测模型。在模型开发过程中优化超参数结构，以提高预测性能和模型鲁棒性。
结果：与制造商原始工艺参数相比，单目标优化使翘曲和平均温度分别改善85.7%和9.1%。对于多目标优化，相应改善分别为85.7%和7.0%。经过超参数优化，BPNN和ANFIS模型的预测精度分别达到96.09%和97.11%。ANFIS模型在非线性工艺关系方面表现出更优的预测能力，同时需要更简单的参数调整。
结论：所提出的智能建模框架有效提高了工艺质量，并提供了关键质量特性的准确预测，从而为智能工艺优化提供了一种有前景的方法，并可能减少MIM工艺开发期间的实验工作量。结果表明，ANFIS为牙套MIM应用提供了一种鲁棒且准确的预测方法，并为先进制造中的智能工艺优化提供了巨大潜力。
本文基于《Science Progress》发表的论文，围绕金属注射成型（Metal Injection Molding，MIM）制造牙套的工艺优化与智能预测建模展开系统研究。以下从研究背景、方法、结果及结论等方面进行解读。
**研究背景与问题**
MIM是一种先进的近净成形制造技术，适合批量生产复杂微型金属部件，如牙套和生物医学器件。然而，在成型冷却阶段常出现体积收缩和翘曲变形，非均匀温度分布也会导致粉末与粘结剂分离及表面“黑线”缺陷，严重影响牙套的尺寸精度、装配精度和美学质量。传统工艺参数设定多依赖工程师经验，试错成本高且难以同时满足多质量目标。因此，研究人员旨在利用鲁棒工艺设计结合智能建模技术，优化MIM牙套的工艺参数，并建立高精度预测模型以缩短开发周期。
**研究内容与意义**
研究人员采用鲁棒工艺设计整合模糊理论，分别针对单目标和多目标进行质量优化；同时构建了基于反向传播神经网络（BPNN）和自适应神经模糊推理系统（ANFIS）的预测模型，并在建模前系统优化BPNN超参数。结果表明，与制造商原始工艺相比，单目标优化使翘曲和平均温度分别改善85.7%和9.1%；多目标优化对应改善85.7%和7.0%。超参数优化后，BPNN与ANFIS模型的预测精度分别为96.09%和97.11%，ANFIS在非线性过程建模中更具优势。该框架为MIM智能工艺优化提供了可靠途径，有潜力减少物理试验次数和材料浪费，在先进制造领域具有应用前景。
**关键技术方法**
研究使用Moldex3D软件建立MIM牙套的计算机辅助工程（CAE）模型，并通过工具显微镜实测五个测量点，平均误差0.47%，验证仿真可靠性。实验设计采用L27（3
6）正交阵列，共27组模拟实验，控制因素包括注射压力、保压压力、填充时间、材料温度、模具温度和浇口尺寸。单目标优化以翘曲或平均温度为响应，采用望小特性信噪比（S/N）；多目标优化先通过灰关联分析（GRA）计算灰关联系数，再结合模糊逻辑（Mamdani推理和重心解模糊）得到多性能特征指数（MPCI）。预测模型方面，BPNN采用Levenberg-Marquardt算法，并优化迭代次数、隐藏层神经元数和初始动量；ANFIS采用高斯隶属函数（Gaussmf）和2-2-2-2-2-2结构。样本来源为L27正交表对应的27组CAE仿真数据，模型验证额外采用单目标和多目标优化得到的最优参数组合数据。
**研究结果**
**（一）最小化翘曲的最优参数**
通过27组实验的翘曲模拟和信噪比响应分析，第6组翘曲最小（0.0002 mm）。因素响应表明填充时间对翘曲贡献率最大（26.73%），最优组合为A2B2C3D2E3F2（注射压力180 MPa、保压压力100 MPa、填充时间1.8 s、材料温度200°C、模具温度90°C、浇口尺寸0.25 mm）。验证实验显示翘曲降至0.0001 mm，较原始工艺改善85.7%。
**（二）最小化平均温度的最优参数**
平均温度最优分析中，第8组最低（84.3°C）。填充时间贡献率最大（35.94%），最优组合为A1B1C3D1E2F2（注射压力160 MPa、保压压力50 MPa、填充时间1.8 s、材料温度190°C、模具温度80°C、浇口尺寸0.25 mm）。验证得到平均温度83.1°C，较原始工艺改善9.1%。
**（三）基于灰关联分析、MPCI和模糊理论的多目标优化**
将翘曲和平均温度的信噪比归一化并计算灰关联系数，输入模糊推理系统得到MPCI。通过S/N因素响应图，最优组合为A1B1C3D2E3F2（注射压力160 MPa、保压压力50 MPa、填充时间1.8 s、材料温度200°C、模具温度90°C、浇口尺寸0.25 mm）。验证实验得出翘曲0.0001 mm、平均温度85.0°C，较原始工艺分别改善85.7%和7.0%。方差分析（ANOVA）显示填充时间贡献率最大（42.81%）。
**（四）BPNN预测模型**
通过比较六种超参数配置，翘曲预测模型最优为300 epochs、第一隐藏层12个神经元、第二隐藏层7个神经元、Mu=0.01，平均误差8.52%；平均温度预测模型最优为500 epochs、12和5个神经元、Mu=0.1，平均误差1.51%。将优化后数据输入模型验证，平均误差3.91%，模型精度96.09%。
**（五）ANFIS预测模型**
ANFIS模型使用高斯隶属函数，训练后翘曲预测精度95.60%，平均温度预测精度97.99%。用优化结果验证时，平均误差2.89%，模型精度97.11%。
**（六）BPNN与ANFIS预测模型精度比较**
在原始27组数据集上，BPNN平均精度94.25%，ANFIS为96.79%；使用优化数据验证后，两者精度分别为96.09%和97.11%。ANFIS在非线性、小样本条件下表现更优，且无需复杂超参数调节。
**讨论与结论**
讨论指出，填充时间对翘曲和平均温度均为最显著影响因素；较长填充时间有利于均匀填充和冷却，减少残余应力和摩擦热，从而改善质量。所提出的智能建模框架能够有效平衡多质量目标，并可直接利用现有MIM注塑机参数调整功能实现工业应用，无需更换设备。研究结论翻译如下：本研究通过鲁棒设计工艺优化牙套MIM工艺参数，单目标优化中翘曲从原始0.0007 mm降至0.0001 mm，相对原始和正交表最优组分别下降85.7%和50.0%；平均温度从91.4°C降至83.1°C，相对下降9.1%和1.4%。多目标最优组合为A1B1C3D2E3F2，翘曲0.0001 mm、平均温度85.0°C，较原始工艺改善85.7%和7.0%。BPNN经超参数优化后精度96.09%，ANFIS精度97.11%，ANFIS预测能力更优。该框架提高了MIM牙套整体质量，为减少工艺不确定性和实验投入提供了可靠预测框架。
