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

Nel mondo della produzione, realizzare parti in plastica è un po' come preparare una torta, ma con molto meno margine di errore. Quando una macchina inietta plastica fusa in uno stampo, deve mantenere la pressione giusta, raffreddare il materiale alla velocità perfetta e temporizzare il ciclo con precisione. Se le impostazioni della macchina sono anche solo leggermente errate, la parte finale potrebbe avere le dimensioni sbagliate. Questo è un problema di qualità dimensionale. Gli ingegneri cercano da tempo di prevedere esattamente come il cambiamento delle impostazioni di una macchina — come quanto forte spingono la plastica o quanto velocemente scorre — cambierà la dimensione finale del componente. La sfida è che questi fattori non agiscono da soli; si intrecciano in modi complessi. Un cambiamento nella pressione potrebbe avere un effetto diverso a seconda di quanto velocemente la plastica è stata iniettata o di quanto tempo la macchina ha atteso prima di aprire lo stampo. Di solito, per comprendere queste relazioni, le aziende eseguono centinaia di esperimenti, ma il tempo e il denaro spesso le limitano a poche decine. Quando i dati sono scarsi, i modelli informatici standard spesso diventano troppo complicati da comprendere o non riescono a prevedere con precisione.

Un team di ricercatori dal Marocco si è posto l'obiettivo di risolvere questo enigma per un tipo specifico di componente in plastica, concentrandosi su un difetto chiamato deviazione del diametro, che è semplicemente quanto la larghezza della parte differisce dalla dimensione prevista. Volevano costruire un modello informatico capace di prevedere questo errore usando pochissimi dati, ma con un elemento cruciale: il modello doveva essere comprensibile. Invece di nascondere la logica all'interno di una scatola nera, volevano una regola matematica chiara che un ingegnere potesse leggere e di cui potesse fidarsi. Per farlo, hanno combinato due approcci diversi. Prima, hanno utilizzato una tecnica chiamata regressione simbolica, che è essenzialmente una ricerca della più semplice equazione possibile che si adatti ai dati. Poi, hanno aggiunto un secondo strato, uno strumento statistico noto come processo gaussiano, per catturare i dettagli piccoli e disordinati che la prima equazione aveva mancato. L'obiettivo era creare un sistema ibrido che fosse allo stesso tempo trasparente e preciso, anche lavorando con solo ventisette diverse condizioni operative.

I ricercatori hanno iniziato raccogliendo dati da due campagne sperimentali separate che, insieme, hanno prodotto 127 prove. Poiché alcune di queste prove ripetevano le stesse condizioni, ne hanno fatto la media per creare un set pulito di ventisette scenari rappresentativi. Da questi, hanno selezionato quattro controlli principali da studiare: la pressione utilizzata per trattenere la plastica nello stampo, la contropressione che preme contro di essa, il tempo totale del ciclo e la velocità con cui la plastica viene iniettata. Piuttosto che inserire questi quattro numeri grezzi direttamente nel computer, il team li ha prima trasformati in combinazioni più significative. Hanno creato nuovi input che rappresentavano cose come l'equilibrio tra le pressioni o l'interazione tra velocità e tempo. Questo passaggio è stato fondamentale perché ha dato al computer un vocabolario migliore per descrivere il processo fisico, permettendogli di trovare una regola più semplice e accurata.

Utilizzando questi dati preparati, i ricercatori hanno lasciato che l'algoritmo di regressione simbolica cercasse la migliore espressione matematica. Il risultato è stata un'equazione compatta che fungeva da predittore principale. Questa equazione ha catturato con successo la tendenza dominante di come le impostazioni della macchina influenzassero la dimensione della parte. Testata contro i dati che non aveva visto durante la sua creazione, questa equazione ha previsto la deviazione del diametro con un errore di circa 10,19 micrometri. Per dare un termine di paragone, un capello umano è spesso circa 70-100 micrometri; quindi, il modello stava prevedendo errori più piccoli di un decimo della larghezza di un capello. Sebbene impressionante, i ricercatori sapevano che nessuna singola equazione poteva catturare ogni minuscola fluttuazione nel complesso processo di produzione. C'erano sempre piccoli increspamenti inspiegabili rimasti.

Per affrontare questi errori residui, il team ha addestrato un secondo modello, un processo gaussiano, specificamente per apprendere gli errori commessi dalla prima equazione. Pensate a questo secondo modello come a un perfezionatore che osserva il divario tra ciò che la prima equazione ha previsto e ciò che è effettivamente accaduto, imparando a correggerlo. Quando hanno combinato i due, il modello ibrido ha performato ancora meglio, riducendo l'errore di previsione a 9,32 micrometri. Questo miglioramento, sebbene sembri piccolo in termini assoluti, è statisticamente significativo. Ancora più importante, l'approccio ibrido ha mantenuto visibile e comprensibile la logica centrale della prima equazione, mentre la seconda parte gestiva i dettagli disordinati. Ciò significava che un ingegnere poteva ancora guardare la regola principale per comprendere il comportamento generale della macchina, pur facendo affidamento sullo strato di correzione per una maggiore precisione.

I ricercatori hanno poi utilizzato questi modelli per porre una domanda pratica: quali impostazioni della macchina produrrebbero l'errore più piccolo possibile? Hanno eseguito una ricerca di ottimizzazione per trovare la combinazione ideale di pressione, velocità e tempo all'interno dell'intervallo che avevano testato. La semplice equazione suggeriva uno scenario ottimale con un errore di circa 33,25 micrometri. Tuttavia, il modello ibrido, grazie alla sua capacità di correggere gli errori sottili, ha indicato un set diverso di impostazioni che avrebbe potuto teoricamente ridurre l'errore a soli 23,73 micrometri. Questo spostamento ha dimostrato che l'aggiunta dello strato di correzione non ha solo migliorato i numeri; ha effettivamente cambiato il consiglio su come far funzionare la macchina. I ricercatori hanno notato che queste erano previsioni basate sui loro modelli e non erano ancora state testate su una macchina reale, ma la differenza era abbastanza grande da giustificare una prova nel mondo reale.

Durante tutto lo studio, il team è stato attento a essere onesto riguardo ai limiti del proprio lavoro. Hanno sottolineato che il loro modello era una guida locale, valida solo per la specifica macchina, materiale e stampo testati, e non una legge universale per tutta la modellazione plastica. Hanno anche evidenziato che, sebbene il loro modello fornisse una misura dell'incertezza, mostrando quanto fosse fiducioso nelle proprie previsioni, tale fiducia non era stata pienamente verificata con nuovi esperimenti indipendenti. La vera prova sarebbe arrivata quando gli ingegneri avrebbero provato le impostazioni raccomandate sul pavimento di fabbrica. Lo studio è concluso affermando che questo approccio ibrido offre un compromesso pratico per problemi industriali in cui i dati sono scarsi. Fornisce un modo per ottenere il meglio di entrambi i mondi: la chiarezza di un'equazione semplice e la flessibilità di una complessa correzione statistica, offrendo agli ingegneri uno strumento che è sia intelligente che spiegabile.