Zagovor magistrskega dela
Zagovor magistrskega dela študenta Roka Završnika bo potekal 21.12.2020 ob 12.00 preko aplikacije MS Teams (Click here to join the meeting).
POVZETEK: Optimizacija brizganja plastike z uporabo metod strojnega učenja
Brizganje plastike je eden najbolj pomembnih in uporabljenih postopkov predelave plastičnih mas. Proces brizganja plastike ponuja mnogo možnosti optimizacije v smislu izboljšanja estetske kakovosti izdelkov, dimenzije, deformacije, proizvodnje učinkovitosti itd. V našem primeru smo izvedli optimizacijo proizvoda Trim 400, ki je zaradi geometrije in precejšnje zvitosti ponujal velik potencial za optimizacijo. Z optimizacijo smo želeli v podjetju Turnaplast d.o.o. zvišati kakovost proizvedenih izdelkov tako, da smo določili vpliv parametrov na zvijanje in dolžino ter določili optimalne parametre za dosego dobre kakovosti izdelkov. V prvi stopnji optimizacije smo na podlagi Taguchi metode zasnovali načrt eksperimentov, kjer smo 9 parametrov brizganja variirali v 27 kombinacijah. Preizkušancem smo zvitost izmerili z merilno uro, dolžino med zaskočkama z digitalnim mikroskopom, površino pa smo ovrednotili vizualno. Z analizo variance (ang. analysis of variance (ANOVA)) smo določili, kateri parametri brizganja imajo statistično pomemben vpliv na preučevane izhodne veličine (zvijanje in odstopanje dolžine). S programom Minitab smo izdelali model linearne regresije za napovedovanje optimalnih parametrov brizganja. Prav tako smo s programom Matlab naredili model nevronske mreže (ang. artificial neural network (ANN)) in genetskega algoritma (GA) za napovedovanje opazovanih izhodnih veličin in optimizacijo parametrov brizganja. V drugi stopnji optimizacije smo na podlagi Box-Behnken metode zasnovali načrt eksperimentov, kjer smo variirali samo še 6 najbolj vplivnih parametrov brizganja (določenih v prvi fazi optimizacije) v 49 kombinacijah. Preizkušance smo ovrednotili na enak način kot v prvi fazi optimizacije; tudi za modeliranje in optimizacijo smo uporabili enake algoritme. Nato smo na podlagi predlaganih optimalnih parametrov brizganja izdelali še preizkušance za potrditvene preizkuse in rezultate primerjali z izdelki pred optimizacijo. Na preučevane izhodne veličine so imeli statistično pomemben vpliv sledeči parametri: temperatura izmetalne strani orodja, čas hlajenja, temperatura dolivne strani orodja, temperatura taline, višina naknadnega tlaka in čas delovanja naknadnega tlaka. V prvi stopnji optimizacije smo z algoritmom linearne regresije dosegli najboljše rezultate pri minimizaciji zvijanja in z ANN + GA najboljše rezultate za minimiziranje odstopanja dolžine med zaskočkama. V drugi optimizacijski stopnji smo z ANN + GA dosegli najboljše rezultate pri minimiziranju zvijanja in z algoritmom linearne regresije najboljše rezultate minimiziranja odstopanja dolžine med zaskočkama. Prišli smo do sklepa, da je v primeru, ko je na voljo manj učnih podatkov, bolj smiselno uporabiti preprost model. Z vsemi optimizacijskimi algoritmi smo zmanjšali zvijanje skoraj na vrednost 0, dolžino med zaskočkama pa smo umestili v tolerančno območje. Z rezultati smo potrdili, da so izbrani algoritmi primerni za optimizacijo procesov brizganja z namenom izboljšanja kakovosti izdelkov.
Ključne besede:
Brizganje plastike, optimizacijske metode, nevronske mreže, strojno učenje.
Več informacij o zagovoru najdete v priponki.