用于具有非一致温度控制的注射拉伸吹塑自适应优化的多模态深度学习与遗传算法

《Scientific Reports》：Multimodal deep learning and genetic algorithms for adaptive optimization of injection stretch blow molding with nonconformal temperature control

　　

摘要

在非共形温度控制的吹塑过程中，即使机器设置保持不变，环境热条件的变化也可能影响产品质量。传统研究通常依赖于离线质量评估或基于物理的仿真，这些方法计算成本高，难以部署用于现场工艺调整。本研究提出了一种集多模态深度学习与遗传算法于一体的现场自适应优化框架。利用热图像、灯温度设置和环境变量来预测加热后预型件的温度分布。加权损失函数配合 dropout 正则化，以提高在质量敏感区域的表现。随后，估算的温度分布指导搜索满足目标质量约束的灯设置。条件级 5 折交叉验证显示，优化的多模态预测模型在全热图像上的平均绝对误差（MAE）为 2.299 ± 0.245 °C，在感兴趣区域（ROI）中心线表面温度轮廓上的 MAE 为 1.174 ± 0.223 °C。所提出的优化框架抑制了评估验证案例中的代表性缺陷模式，包括发白、成型不完整以及发白 - 爆裂组合。在长时间运行过程中，通过使用更新的环境输入进行重新优化来解决热漂移问题，恢复了稳定的产品质量。在主要验证案例中，计算优化在 10 秒内完成，包括在热漂移下的自适应重新优化耗时 7.94 秒，这比吹塑前可用的 115.4 秒工艺窗口要短得多。所报告的时间代表识别更新灯设置所需的计算时间，应与加热系统和预型件实现优化温度场所需的物理响应时间区分开来。总体而言，研究表明，多模态温度预测和基于遗传算法的优化可以支持监督自适应工艺调整，同时与热敏感制造工艺的实际工艺周期保持兼容。