Interpretable Hybrid Surrogate Modeling for Diameter Deviation Prediction in Injection Molding Using Symbolic Regression and Gaussian Process Residual Correction

In der Welt der Fertigung gleicht das Herstellen von Kunststoffteilen ein wenig dem Backen eines Kuchens, jedoch mit weitaitem weniger Spielraum für Fehler. Wenn eine Maschine geschmolzenen Kunststoff in eine Form injiziert, muss sie den Druck genau richtig halten, das Material mit der perfekten Geschwindigkeit abkühlen lassen und den Zyklus präzise timen. Wenn die Maschineneinstellungen auch nur minimal von den Vorgaben abweichen, kann das fertige Teil die falsche Größe haben. Dies ist ein Problem der Maßhaltigkeit. Ingenieure versuchen schon seit langem vorherzusagen, wie genau die Änderung einer Maschineneinstellung – etwa wie stark sie den Kunststoff drückt oder wie schnell er fließt – die endgültige Größe des Teils verändern wird. Die Herausforderung besteht darin, dass diese Faktoren nicht allein agieren; sie verstricken sich auf komplexe Weise miteinander. Eine Änderung des Drucks kann eine andere Wirkung haben, je nachdem, wie schnell der Kunststoff injiziert wurde oder wie lange die Maschine wartete, bevor sie die Form öffnete. Normalerweise führen Unternehmen zur Untersuchung dieser Zusammenhänge hunderte von Experimenten durch, doch Zeit und Geld beschränken sie oft auf nur einige Dutzend. Wenn Daten knapp sind, werden Standard-Computermodelle oft zu kompliziert, um verstanden zu werden, oder sie scheitern an einer genauen Vorhersage.

Ein Forscherteam aus Marokko setzte sich daran, dieses Rätsel für eine spezifische Art von Kunststoffteil zu lösen, wobei es sich auf einen Defekt namens Durchmesserabweichung konzentrierte – also die Frage, wie sehr die Breite des Teils von der beabsichtigten Größe abweicht. Sie wollten ein Computermodell entwickeln, das diesen Fehler unter Verwendung von sehr wenig Daten vorhersagen konnte, aber mit einer entscheidenden Wendung: Das Modell musste verständlich sein. Anstatt die Logik in einer „Black Box“ zu verstecken, wollten sie eine klare mathematische Regel schaffen, die ein Ingenieur lesen und dem Vertrauen schenken konnte. Um dies zu erreichen, kombinierten sie zwei verschiedene Ansätze. Zuerst nutzten sie eine Technik namens symbolische Regression, was im Wesentlichen die Suche nach der einfachsten möglichen Gleichung ist, die zu den Daten passt. Dann fügten sie eine zweite Ebene hinzu, ein statistisches Werkzeug, das als Gauß-Prozess bekannt ist, um die kleinen, unordentlichen Details abzufangen, die die erste Gleichung übersehen hatte. Das Ziel war es, ein Hybridsystem zu schaffen, das sowohl transparent als auch präzise war, selbst wenn es mit nur siebenundzwanzig verschiedenen Betriebsbedingungen arbeitete.

Die Forscher begannen damit, Daten aus zwei separaten experimentellen Kampagnen zu sammeln, die zusammen 127 Durchläufe ergaben. Da einige dieser Durchläufe dieselben Bedingungen wiederholten, mittelten sie die Ergebnisse, um einen sauberen Satz von siebenundzwanzig repräsentativen Szenarien zu erstellen. Aus diesen wählten sie vier Hauptsteuerungen aus, die sie untersuchen wollten: den Druck, der verwendet wurde, um den Kunststoff in der Form zu halten, den Gegendruck, der dagegen drückt, die Gesamtdauer des Zyklus und die Geschwindigkeit, mit der der Kunststoff injiziert wurde. Anstatt diese vier Rohzahlen direkt in den Computer einzuspeisen, transformierte das Team sie zuerst in aussagekräftigere Kombinationen. Sie schufen neue Eingabewerte, die Dinge wie das Gleichgewicht zwischen den Drücken oder die Wechselwirkung zwischen Geschwindigkeit und Zeit darstellten. Dieser Schritt war entscheidend, da er dem Computer ein besseres Vokabular gab, um den physikalischen Prozess zu beschreiben, was es ihm ermöglichte, eine einfachere und genauere Regel zu finden.

Mit diesen vorbereiteten Daten ließen die Forscher den Algorithmus der symbolischen Regression nach dem besten mathematischen Ausdruck suchen. Das Ergebnis war eine kompakte Gleichung, die als Hauptprädiktor fungierte. Diese Gleichung erfasste erfolgreich den dominanten Trend, wie die Maschineneinstellungen die Größe des Teils beeinflussten. Bei Tests gegen die Daten, die sie während ihrer Erstellung nicht gesehen hatte, sagte diese Gleichung die Durchmesserabweichung mit einem Fehler von etwa 10,19 Mikrometern voraus. Um dies einzuordnen: Ein menschliches Haar ist etwa 70 bis 100 Mikrometer dick, die Gleichung sagte also Fehler voraus, die kleiner als ein Zehntel der Breite eines Haares sind. Obwohl dies beeindruckend war, wussten die Forscher, dass keine einzelne Gleichung jede winzige Schwankung im komplexen Fertigungsprozess erfassen konnte. Es gab immer kleine, unerklärliche Unregelmäßigkeiten, die übrig blieben.

Um diese verbleibenden Fehler anzugehen, trainierte das Team ein zweites Modell, einen Gauß-Prozess, der speziell darauf ausgelegt war, die Fehler der ersten Gleichung zu lernen. Man kann sich dieses zweite Modell als Feinabstimmungs-Werkzeug vorstellen, das die Lücke zwischen dem, was die erste Gleichung vorhersagte, und dem, was tatsächlich geschah, betrachtet und lernt, diesen Fehler zu korrigieren. Als sie beide kombinierten, performte das Hybridmodell sogar noch besser und reduzierte den Vorhersagefehler auf 9,32 Mikrometer. Diese Verbesserung, die in absoluten Zahlen zwar gering erscheinen mag, war statistisch signifikant. Wichtiger noch war, dass der hybride Ansatz die Kernlogik der ersten Gleichung sichtbar und verständlich hielt, während der zweite Teil die unordentlichen Details bearbeitete. Dies bedeutete, dass ein Ingenieur immer noch die Hauptregel betrachten konnte, um das allgemeine Verhalten der Maschine zu verstehen, während er sich für höhere Präzision auf die Korrekturschicht verlassen konnte.

Die Forscher nutzten diese Modelle dann, um eine praktische Frage zu stellen: Welche Maschineneinstellungen würden die kleinstmögliche Abweichung erzeugen? Sie führten eine Optimierungssuche durch, um die ideale Kombination aus Druck, Geschwindigkeit und Zeit innerhalb des getesteten Bereichs zu finden. Die einfache Gleichung deutete auf ein Best-Case-Szenario mit einem Fehler von etwa 33,25 Mikrometern hin. Das Hybridmodell jedoch, mit seiner Fähigkeit, subtile Fehler zu korrigieren, zeigte auf ein anderes Set von Einstellungen auf, das den Fehler theoretisch auf nur 23,73 Mikrometer reduzieren könnte. Diese Verschiebung zeigte, dass das Hinzufügen der Korrekturschicht nicht nur die Zahlen verbesserte, sondern tatsächlich die Empfehlung änderte, wie die Maschine zu betreiben sei. Die Forscher merkten an, dass dies Vorhersagen basierend auf ihren Modellen waren und noch nicht an einer echten Maschine getestet wurden, aber der Unterschied war groß genug, um einen Test in der realen Welt zu rechtfertigen.

Während der gesamten Studie waren die Forscher sorgfältig darin, ehrlich über die Grenzen ihrer Arbeit zu sein. Sie betonten, dass ihr Modell ein lokaler Wegweiser war, der nur für die spezifische Maschine, das spezifische Material und die spezifische Form gültig war, die sie getestet hatten, und kein universelles Gesetz für alle Kunststoffformgebungsverfahren darstellte. Sie wiesen auch darauf hin, dass ihr Modell zwar ein Maß für die Unsicherheit lieferte und zeigte, wie sicher es in seinen Vorhersagen war, diese Zuversicht jedoch noch nicht durch neue, unabhängige Experimente vollständig verifiziert worden war. Der wahre Test würde kommen, wenn Ingenieure die empfohlenen Einstellungen auf dem Fabrikboden ausprobieren würden. Die Studie kam zu dem Schluss, dass dieser hybride Ansatz einen praktischen Mittelweg für industrielle Probleme bot, bei denen Daten knapp sind. Er bot eine Möglichkeit, das Beste aus beiden Welten zu erhalten: die Klarheit einer einfachen Gleichung und die Flexibilität einer komplexen statistischen Korrektur, wodurch Ingenieuren ein Werkzeug zur Verfügung gestellt wurde, das sowohl intelligent als auch erklärbar ist.