在塑膠製品的射出成型製造過程中，相關製程參數必需要依實際加工情況調整至適當值以維持產品品質。傳統的參數調整方式是請經驗老道的員工現場以試誤法來找出最適當的製程參數。然而，這樣的方法會造成技術傳承上的困難與人力工時的浪費。因此，本研究遂針對射出成型參數自動調整器進行研製，以有效降低產品射出成型所需的人力與時間等成本，並同時確保產品的品質。
本文以回饋式類神經網路（Feedback Neural Network）架構，將每回射出成型的相關資料，回傳給同一層或前一層的神經元，作為輸入資料，再經過學習演算法策略之ㄧ監督式學習（supervised learning），藉由監督過程中多次調整與學習，從不斷的修正中傳遞權重大小，來達到輸出值與目標值之間的差距。
在所研製之參數自動調整器中，利用模糊類神經技術來取代傳統人力調整參數的經驗法則，自動依據實際情況將製程參數調整製最較佳的組合。最後，為驗證所研製之射出成型參數自動調整器的效能，本研究實際架構一測試平台進行實驗測試。由實際測試的結果可知，所提之射出成型參數自動調整器能隨加工條件變動有效的將參數調校至最佳數值，而由生產的統計資料中也顯示出，產品的不良率由6.1%降低至3.0%。

In the process of injection molding of plastic components, it is necessary to tune the manufacturing parameters according to the processing conditions to keep the quality and stability. Conventionally, an experienced operator will find out the proper parameters with the trial and error method. However, such kind of conventional tuning method will result in additional labor costs and working time. Therefore, the main object of this study is to develop an injection molding parameters automatic tuner for reducing the labor costs and working time and improving the productivity at the same time.
A feedback neural network is structured in the paper to return the data of every injection molding to the same or previous layer of neurons as input data. By supervised learning, which is one of learning algorithm strategies, numerous adjustments and learning deliver the priority and reach the gap between output value and target value.
The well-known neural network technology is adopted in this study to preform the conventional parameters manual tuning procedures. The developed parameters tuner will find out the optimal combination according to the manufacturing conditions automatically. Finally, a testing platform is constructed to evaluate the validity and performance of the developed parameters automatic tuner. From the experimental results, it can be seen that the processing parameters can be effectively tuned to optimal values according to the manufacturing conditions. Moreover, the defective rate can also be reduced from 6.1% to 3.0%.

中文摘要 I
英文摘要 II
誌謝 III
目錄 V
圖目錄 VII
表目錄 XII


第一章 緒論 1
1.1 研究背景 1
1.2 研究目的 4
1.3 論文架構 5
第二章 文獻探討 7
2.1 射出成型運作原理 7
2.2 系統參數探討 13
2.3 參數最佳化 20
第三章 射出成型參數自動調整器 28
3.1 控制器設計 28
3.2 模糊類神經網路 37
3.3 分析與模擬 45
第四章 實驗結果 54
4.1 系統架構 55
4.2 模擬器驗證與控制器測試 69
4.3 研究結果 84
第五章 結論與未來研究方向 90
5.1 結論 90
5.2 未來研究的方向 91
參考文獻 92

圖目錄
圖2-1 加工程序示意圖 7
圖2-2 關模動作示意圖 8
圖2-3 射出充填動作示意圖 10
圖2--4 保壓動作示意圖 11
圖2--5 冷卻動作示意圖 12
圖2-6 開模動作示意圖 12
圖2-7 頂出動作示意圖 13
圖2-8 成型技術組合 14
圖2-9 料管示意圖 14
圖2-10 背壓壓力示意圖 15
圖2-11 分段射出充填示意圖 16
圖2-12 澆口示意圖 17
圖2-13 魚骨分析法示意圖 18
圖2-14 成型不穩定性分析圖 20
圖2-15 生物神經元 21
圖2-16 人工神經元模型 22
圖2-17 類神經三項功能 23
圖2-18 類神經網路連結架構 24
圖2-19 學習策略 26
圖3-1 控制系統架構圖 29
圖3-2 PLC 與射出機連線示意圖 30
圖3-3 射出簡易示意圖 31
圖3-4 冷卻水架構 32
圖3-5 保壓與成品重量及尺寸 33
圖3-6 保壓時間與成品重量 33
圖3- 7 傳統集合之屬性非0 即1 38
圖3-8 模糊集合 39
圖3-9 模糊控制器架構 41
圖3-10 T-norm 模糊模型推論示意圖 43
圖3-11 模糊控制器結構 46
圖3-12 輸入變數的歸屬函數 47
圖3-13 輸入變數的歸屬函數 47
圖3-14 輸出變數的歸屬函數圖 48
圖3-15 u 對應的歸屬值 52
圖4-1 整體架構示意圖 54
圖4-2 PLC 硬體架構 55
圖4-3 射出機連結電磁閥 57
圖4-4 射出機與射出壓力表 57
圖4-5 常溫水架構 59
圖4-6 冷凍水架構 60
圖4-7 模溫機 60
圖4-8 水流開關 61
圖4-9 類比加溫度混合模組 61
圖4-10 溫度感測 62
圖4-11 壓力感測 62
圖4-12 冷卻系統架構 63
圖4-13 荷重元件FBs-1LC 64
圖4-14 秤重元件 64
圖4-15 懸吊秤重 65
圖4-16 HC-3200 66
圖4-17 人機介面 67
圖4-18 電腦連線讀取畫面 68
圖4-19 出機控制器結合類神經架構圖 69
圖4-20 射出模擬器 70
圖4-21 測試流程圖 71
圖4-22 模擬器人機介面參數設定畫面 72
圖4-23 控制器讀取模擬器畫面 72
圖4-24 控制器冷卻水的開啟/關閉畫面 74
圖4-25 控制器讀取溫度 75
圖4-26 控制器讀取壓力 76
圖4-27 1 kg 與0.5 kg 標準法碼 76
圖4-28 控制器讀取的重量畫面 77
圖4-29 驗證射出時間調整畫面 78
圖4-30 α 參數調整流程圖 79
圖4-31 模擬器設定參數與控制器讀取動作時間 82
圖4-32 輸入干擾β 值 82
圖4-33 經過模糊推論調整後畫面 83
圖4-34 再次輸入干擾後得到輸出畫面 83
圖4-35 控制器連結射出機 84
圖4-36 無啟動控制器的射出時間資料 86
圖4-37 不良包風相片 86
圖4-38 有啟動控制器的射出時間資料 87
圖4-39 無啟動控制器的生產日報表 88
圖4-40 有啟動控制器的生產日報表 89


表目錄
表3-1 加工常見的問題與對策 35
表3-2 α 參數 35
表3-3 調整的控制參數項目 36
表3-4 調整上升/下降指示 36
表3-5 調整的範圍大小 36
表3-6 傳統集合與模糊及何差異比較 40
表3-7 模糊控制規則表 50
表4-1 射出機接受參數調整說明 66
表4-2 設定與讀取各種動作時間表 73
表4-3 冷卻水的開啟/關閉測試表 75
表4-4 模具冷卻水溫度資料表 75
表4-5 模具冷卻水壓力資料表 76
表4-6 驗證射出時間調整資料表 78
表4-7 人工模糊推論計算表 81

[1] 歐陽渭城譯，射出成形的不良對策，全華科技圖書股份有限公司，2007年。
[2] 陳義芳，4C產品研發小百科，風尚國際廣告事業有限公司，2008年。
[3] 吳東川，智慧型控制系統應用於射出成型產品品質控制，國立清華大學，2004年。
[4] 粘孝堉，田口式品質工程簡介，遠東科技大學，2004年。
[5] 丁進興，運用BPNN及SOM類神經網路建構射出成型之品質預測器，中華大學，2005年。
[6] 陳振臺，塑膠射出成型製程參數最佳化與製程控制，中華大學，2005年。
[7] 張睿文、郭德明、許逸書和王培仁，射出成型績最佳化製程參數自調系統，機械月刊第三十五卷第四期，2009年。
[8] Delta Electronics,inc., http://www.delta.com.tw/ch/index.asp, 2010.
[9] 胡雲宏，射出成形寶，財團法人塑膠工業技術發展中心，2008年。
[10] 周鵬程，類神經網路入門，全華科技圖書股份有限公司，2006年。
[11] 蘇木春、張孝德，機械學習：類神經網路、模糊系統以及基因演算法則，全華科技圖書股份有限公司，2007年。
[12] 張斐章、張麗秋，類神經網路，台灣東華書局股份有限公司，2007年。
[13] R. P. Copeland and K. S. Rattan, ”A Fuzzy Logic Supervisor for PIDControl of Unknown Systems,” IEEE International Symposium on Intelligent Control, pp. 22-26, 1994.
[14] 王進德、蕭大全，類神經網路與模糊控制理論入門，全華科技圖書股份有限公司，2005年。
[15] UL StandardsInfoNet , http://www.ul.com/taiwan/chi-hant/pages/, 2010.
[16] 秉昱科技，模糊邏輯與類神經模糊-實例說明，全華科技圖書股份有限公司，2005年。
[17] 吳政鴻，自調整模糊控制於射出成型機速度控制之研究，國立成功大學，2003年。
[18] J. M. Mendel, “Fuzzy Logic Systems for Engineering: A Tutorial”, Proceedings of the IEEE, Vol. 83, No. 3, 1995.
[19] 梁智富，智慧型參數設計於導光板微結構射出成型轉寫性最佳化的研究，國立高雄第一科技大學，2010年
[20] C.C. Lee, Fuzzy Logic in Control System:Fuzzy Logic Controller Part I, II, IEEE Trans. Syst. Man, 1990.
[21] 陳煥卿，模糊控制應用於冷卻系統節能之研究與設計，大葉大學，2004年。
[22] 王進德，類神經網路與模糊控制理論入門與應用，全華科技圖書股份有限公司，2008年。
[23] 吳政鴻，自調模糊控制器於射出成型機速度控制之研究，國立成功大學，2003年。
[24] FATEK AUTOMATION CORP.UL StandardsInfoNet , http://fatek.com/Taiwan/ index.htm, 2010.
[25] 歐陽渭城 譯，射出成形模具手冊，全華科技圖書股份有限公司，2001年。
[26] ViewX, http://www.vx-hmi.com/Download/doc/VX301.pdf, 2010.