Todas as empresas de transformação de plásticos enfrentam o desafio permanente de cumprir suas metas de custo e de qualidade, assim como seus prazos de entrega. Neste contexto, este desafio é particularmente severo para os fabricantes situados em países onde os salários são altos, porque muitas vezes a qualidade superior das peças é a única maneira de prevalecer na concorrência. Uma vez que tal situação requer um alto esforço para garantir a qualidade, já faz algum tempo que estão sendo feitas tentativas para prever a qualidade das peças moldadas por injeção a partir dos dados de processo, com o auxílio de métodos de aprendizagem de máquina ^(1-4).

Entretanto, essa abordagem ainda não obteve aceitação na indústria, principalmente por duas razões: primeiro, devido à inevitável fase de aprendizagem que se faz necessária para construir um modelo de previsão da qualidade,

Apenas alguns poucos moldes de injeção possuem sensores que medem a pressão no interior de sua cavidade. O Instituto de Engenharia de Produto da Universidade de Duisburg-Essen está investigando se vale a pena sua utilização para a previsão da qualidade das peças moldadas (IPE)

Fig. 1 – A implantação da previsão de qualidade baseada em modelos requer uma fase de aprendizagem na qual são fornecidos tanto os dados de processo, como os de qualidade (fonte: IPE; gráfico: Hanser)

durante a qual, obviamente, ela ainda não é possível. Em segundo lugar, devido à complexidade da aplicação, que requer um grande número de etapas cuja maioria, no passado, era executada manualmente.

Neste contexto, a aplicação de métodos de aprendizagem de máquina para a previsão da qualidade vem sendo sistematicamente investigada no Instituto de Engenharia de Produto da Universidade de Duisburg-Essen (Institut für Produkt Engineering – IPE der Universität DuisburgEssen), na Alemanha ^{(5, 6)}. O objetivo aqui é automatizar as etapas de análise de dados que são necessárias após a geração de dados de processo e qualidade, a fim de minimizar o esforço para o usuário. Isto inclui o desenvolvimento e a aplicação de algoritmos adequados para a seleção automática de dados, características de processo e os algoritmos para aprendizagem de máquina, incluindo otimização de hiperparâmetros e ajuste de modelos.

Além disso, a abordagem apresentada aqui pode ser utilizada universalmente e, portanto, também pode ser aplicada a outros métodos de processamento de plásticos. Este artigo aborda especificamente a questão de como o uso de sensores de pressão no interior da cavidade do molde afeta a excelência dos modelos para a previsão da qualidade das peças moldadas utilizando técnicas de aprendizagem de máquina.

Fundamentos da previsão da qualidade para peças moldadas

A previsão da qualidade da peça moldada tem como objetivo estabelecer tais características com base nos dados do processo. No contexto da aprendizagem de máquina, esta abordagem, em que tanto as variáveis de entrada quanto as de saída de um modelo estão disponíveis, é designada como aprendizagem supervisionada ⁽⁷⁾. Aqui se deve distinguir entre as aplicações de regressão e as de classificação. A regressão trata da previsão de características contínuas de qualidade como, por exemplo, uma dimensão da peça moldada, enquanto a classificação visa prever valores discretos como, por exemplo, “marca de depressão presente” ou “ausente” ⁽⁸⁾.

Antes de se aplicar um modelo de qualidade é necessário haver uma fase de aprendizagem em ambos os casos. Aqui, tanto os dados de processo quanto os de qualidade são disponibilizados para o processo de aprendizagem. Os dados do processo geralmente devem ser fornecidos como valores escalares, as chamadas características de processo. Se o registro de valores reais da injetora for usado como fonte de dados, então este automaticamente será o caso. Um exemplo aqui é a pressão máxima de resina fundida. Portanto, em cada ciclo, há um valor exato para cada característica do processo, o qual é designado como valor

Fig. 2 – O processamento de dados de ponta a ponta permite a geração automatizada de modelos com alta precisão (fonte: IPE; gráfico: Hanser)

característico. O objetivo do modelo da qualidade consiste em prever as manifestações das características de qualidade a partir das manifestações das características do processo (figura 1).

Entretanto, nem todas as características do processo têm o mesmo significado para a característica de qualidade, e há redundâncias entre aquelas. Se características irrelevantes ou redundantes forem incluídas na construção do modelo, então a complexidade de modelo e o tempo de computação serão desnecessariamente altos, assim como a maior demanda por dados de aprendizagem. Além disso, há o risco de ocorrer superajuste, o que implica a deterioração da qualidade do modelo. A fim de evitar esse problema, é recomendado selecionar as características antes da construção do modelo propriamente dito. Isto pode ser feito tanto com base em conhecimento, quanto em algoritmos.

Cadeia consistente para o processamento de dados

Existem diversos algoritmos para efetuar a seleção objetiva de uma combinação significativa de características, os quais podem ser subdivididos em grupos de métodos de filtragem, de envoltório e incorporados ⁽⁹⁾. Enquanto os métodos de envoltório e incorporados já recorrem, de diferentes formas e modos, aos métodos de aprendizagem para a seleção de características, os métodos de filtragem são heurísticos. Eles requerem apenas um esforço de computação relativamente pequeno, uma vez que não é necessário construir nenhum modelo neste caso.

Embora a maioria das investigações anteriores utilizasse apenas um único procedimento de aprendizagem, agora o estado da arte consiste em utilizar vários desses procedimentos (também devido ao aumento do poder computacional) e utilizar o melhor modelo para a previsão deste caso específico. A seleção dos hiperparâmetros otimizados, os quais controlam a estrutura do modelo e o processo de aprendizagem, pode ser automatizada usando a otimização bayesiana.

Para tanto é realizada uma validação cruzada quíntupla (dividindo 80% dos dados para

Fig. 3 – O ferramental para moldar a peça em forma de placa possui dois sensores de pressão da cavidade do molde (IPE)

treinamento e 20% para validação). Não será feita aqui uma descrição detalhada dos hiper parâmetros resultantes, tendo em vista o objetivo efetivo deste artigo.

Aqui foi usado o coeficiente de correlação (r2) como critério de avaliação da qualidade do modelo. Ele indica a fração da dispersão relativa ao atributo da qualidade que é explicada pelo modelo ⁽¹¹⁾. A combinação das etapas descritas resulta em uma cadeia contínua de processamento de dados (figura 2), o que permite uma geração totalmente automatizada de modelos de qualidade.

A peça moldada é pesada e fotografada após a extração

As experiências necessárias para geração de dados foram realizadas em uma injetora totalmente elétrica (modelo PX 120-380, fabricada pela KraussMaffei Technologies GmbH, com sede em Munique, Alemanha). Foram confeccionadas placas moldadas (figura 3) em polipropileno (grau Moplen HP501H, fabricado pela LyondellBasell Industries N.V., com sede em Rotterdam, Holanda) utilizando um molde cassete (modelo AIM com inserto ISO D2 fabricado por Axxicon Moulds Eindhoven B. V., com sede em Eindhoven, Holanda). O molde era dotado de dois sensores de pressão no interior de sua cavidade (tipo Unisens 6157BA, fabricado pela Kistler Instrumente GmbH, com sede em Sindelfingen, Alemanha). Para ambos os sensores, os valores de pressão máxima, da pressão de comutação da resina fundida e da integral da pressão no interior da cavidade do molde estão disponíveis no registro (log) de valores reais da máquina.

Tanto o peso quanto o comprimento da peça moldada são registrados com 100% de qualidade. Para tanto, a peça moldada é primeiramente pesada automaticamente em uma balança de precisão (modelo Entris 153I-1S, fabricada pela Sartorius Lab Instruments GmbH & Co. KG, com sede em Goettingen, Alemanha) e depois fotografada por uma câmera fotográfica digital do tipo Reflex (modelo Eos 5D Mark III com lente EF 70-200 mm f/ 4L USM, fabricada pela Canon KG, sediada em Tóquio, Japão) após ser colocada na esteira transportadora da célula de produção.

Fig. 4 – A previsão do peso da peça moldada é possível com modelos apresentando níveis muito altos de precisão. Somente o prognóstico de qualidade feito a partir de características de processo exclusivamente baseadas na pressão no interior da cavidade do molde leva modelos com níveis de precisão um pouco inferiores (fonte: IPE; gráfico: Hanser)

Os dados sobre peso são transferidos para um computador de medição via interface RS-232. Além disso, os dados de compri- mento são extraídos das imagens da peça moldada usando o programa computacional MatLab, versão R2019b.

Planejamento estatístico de experimentos fatorial pleno

Foi adotado um planejamento estatístico de experimentos fatorial pleno, com ponto central e pontos estrela, para gerar os dados de processo e de qualidade. Por meio da variação da velocidade de injeção, magnitude e tempo de pressão de compactação, tempo de resfriamento e temperatura da 11ª zona do canhão (bocal) foram conseguidos 860 ciclos, os quais foram usados para a construção e avaliação do modelo.

Foi adotada uma abordagem baseada em filtragem para selecionar as cinco características que, em combinação, apresentam a maior representatividade, a partir das aproximadamente 40 características de processo contidas no registro de valores reais. Para tanto foi utilizada uma seleção sequencial baseada na correlação de Pearson como critério de relevância. Para penalizar a redundância entre as características, foi usada como métrica neste caso a seleção de características baseada em correlação (Correlation-based Feature Selection, CFS) ⁽¹⁰⁾. Este procedimento seleciona as características do processo de acordo com a melhor relação entre relevância (em relação à variável da qualidade) e a redundância (em relação às características já selecionadas).

As cinco características selecionadas constituem as variáveis de entrada para os modelos, as quais são aprendidas usando 80% dos dados disponíveis. Nas investigações que basearam este trabalho foram utilizadas as seguintes sete técnicas de regressão com aprendizado supervisionado:

• regressão linear múltipla;

• redes neurais artificiais;

• método dos vetores de suporte;

• regressão por processo gaussiano;

• os ‘k’ vizinhos mais próximos;

• árvores de decisão binária;

• comitê de árvores de decisão binária.

A fim de investigar o valor agregado das características do processo baseadas na pressão no interior da cavidade do molde para a previsão da qualidade, foram desenvolvidos três modelos usando cada um dos métodos de aprendizagem acima:

• um modelo no qual a seleção de características leva em conta todas as características do processo contidas no registro dos valores reais;

• um modelo no qual a seleção de características considera todas as características do processo contidas no registro dos valores reais, com exceção daquelas baseadas na pressão no interior da cavidade do molde; e

• um modelo que utiliza apenas as características baseadas na pressão no interior da cavidade do molde.

Fig. 5 – Os níveis de precisão dos modelos para a previsão do comprimento da peça moldada são um pouco inferiores aos da previsão de peso, mas qualitativamente apresentam o mesmo comportamento (fonte: IPE; gráfico: Hanser)

Modelos com melhor qualidade para calcular o peso de peças moldadas

Independentemente do procedimento de aprendizagem e das características utilizadas, os modelos que calculam o peso da peça apresentaram precisão superior aos desenvolvidos para determinar o comprimento da peça: no caso da

previsão de peso, foram obtidos valores de coeficientes de correlação até superiores a 99% (figura 4), enquanto o maior coeficiente de correlação obtido no caso da previsão de comprimento foi de aproximadamente 78% (figura 5).

Os graus de precisão obtidos nos modelos dos valores reais, com ou sem as características derivadas da pressão no interior da cavidade, diferem entre si de forma muito leve para a maioria dos métodos de aprendizagem. O alto nível de concordância na maioria dos casos indica que as características do processo derivadas da pressão no interior da cavidade do molde, para o processo aqui estudado, apresentam altos níveis de redundância com as demais características do processo e, portanto, contêm poucas informações adicionais.

Este fato é confirmado quando se olham as correlações entre as características do processo: as que assumem como base a pressão no interior da cavidade do molde apresentam correlação de até 98,3% com os parâmetros restantes presentes no registro dos valores reais que não se baseiam nessa pressão (em particular a pressão da resina fundida no momento da comutação).

Se, por outro lado, características de processo baseadas exclusivamente na pressão no interior da cavidade do molde forem utilizadas para a construção de modelos, a qualidade destes se deteriora significativamente em comparação com os outros dois grupos de modelos para todos os métodos de aprendizagem. Embora esse fato possa ser tolerado no caso da previsão de peso, devido aos níveis geralmente altos de graus de precisão desse modelo, uma previsão baseada unicamente em características decorrentes da pressão no interior da cavidade do molde deve ser considerada como sendo problemática no presente caso.

Conclusão

Os resultados da seleção algorítmica de características confirmam a alta representatividade das características do processo extraídas a partir da evolução da pressão no interior da cavidade do molde.

Pelo menos uma característica do processo baseada na pressão no interior da cavidade do molde foi selecionada para cada método de seleção. Entretanto, os níveis de precisão dos modelos que podem ser alcançados desta forma mostram que a inclusão de várias destas características só promove melhoria significativa em alguns poucos casos. Isto se deve às redundâncias que ocorrem para as outras características contidas no registro de valores reais. A previsão de qualidade feita exclusivamente com base no sinal da pressão no interior da cavidade do molde, informada por intermédio do sistema de controle da injetora, está associada a uma deterioração significativa na precisão do modelo para todos os métodos de aprendizagem e, portanto, não pode ser recomendada.

Agradecimentos

Os autores gostariam de agradecer à KraussMaffei Techno- logies GmbH, de Munique, Alemanha, pelo fornecimento da célula de produção por moldagem por injeção e à LyondellBasell Industries N. V., de Rotterdam, Holanda, por fornecer a resina em grânulos.

REFERÊNCIAS BIBLIOGRÁFICAS

As referências bibliográficas citadas neste artigo podem ser encontradas no seguinte endereço da Internet: www.kunststoffe.de/2020-06.