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

In de wereld van de productie is het maken van kunststof onderdelen een beetje als het bakken van een cake, maar dan met veel minder ruimte voor fouten. Wanneer een machine gesmolten kunststof in een matrijs injecteert, moet het de druk precies goed houden, het materiaal met de perfecte snelheid laten afkoelen en de cyclus nauwkeurig timen. Als de instellingen van de machine zelfs maar een klein beetje afwijken, kan het uiteindelijke onderdeel de verkeerde afmeting hebben. Dit is een probleem van dimensionale kwaliteit. Ingenieurs proberen al lang te voorspellen hoe het veranderen van de instellingen van een machine — zoals hoe hard ze de kunststof wegduwen of hoe snel deze stroomt — de uiteindelijke grootte van het onderdeel zal veranderen. De uitdaging is dat deze factoren niet alleen werken; ze verstrengelen zich op complexe wijze. Een verandering in druk kan een ander effect hebben, afhankelijk van hoe snel de kunststof werd geïnjecteerd of hoe lang de machine wachtte voordat de matrijs werd geopend. Meestal proberen bedrijven deze relaties te begrijpen door honderden experimenten uit te voeren, maar tijd en geld beperken hen vaak tot slechts enkele tientallen. Wanneer data schaars is, worden standaard computermodellen vaak te ingewikkeld om te begrijpen of falen ze in het nauwkeurig voorspellen.

Een team onderzoekers uit Marokko probeerde dit puzzelstukje op te lossen voor een specifiek type kunststof onderdeel, waarbij ze zich concentreerden op een defect genaamd diameterafwijking, wat simpelweg is hoeveel de breedte van het onderdeel verschilt van de beoogde maat. Ze wilden een computermodel bouilleren dat deze fout kon voorspellen met zeer weinig data, maar met een cruciale twist: het model moest begrijpelijk zijn. In plaats van de logica te verbergen in een 'black box', wilden ze een duidelijke wiskundige regel die een ingenieur kon lezen en vertrouwen. Om dit te doen, combineerden ze twee verschillende benaderingen. Eerst gebruikten ze een techniek genaamd symbolische regressie, wat in essentie een zoektocht is naar de eenvoudigst mogelijke vergelijking die bij de data past. Daarna voegden ze een tweede laag toe, een statistisch hulpmiddel dat bekend staat als een Gaussisch proces, om de kleine, rommelige details op te vangen die de eerste vergelijking miste. Het doel was om een hybride systeem te creëren dat zowel transparant als nauwkeurig was, zelfs bij het werken met slechts zevenentwintig verschillende operationele condities.

De onderzoekers begonnen met het verzamelen van gegevens uit twee afzonderlijke experimentele campagnes, die samen 127 runs produceerden. Omdat sommige van deze runs dezelfde condities herhaalden, middelden ze de resultaten om een schone set van zevenentwintig representatieve scenario's te creëren. Vanuit deze selecteerden ze vier hoofdbesturingen om te bestuderen: de druk die wordt gebruikt om de kunststof in de matrijs vast te houden, de tegendruk die ertegen duwt, de totale cyclustijd en de snelheid waarmee de kunststof wordt geïnjecteerd. In plaats van deze vier ruwe getallen direct in de computer te voeren, transformeerde het team ze eerst naar meer betekenisvolle combinaties. Ze creëerden nieuwe inputs die zaken vertegenwoordigden zoals de balans tussen de drukken of de interactie tussen snelheid en tijd. Deze stap was essentieel omdat het de computer een beter vocabulaire gaf om het fysieke proces te beschrijven, waardoor het een eenvoudigere en nauwkeurigere regel kon vinden.

Met behulp van deze voorbereide data lieten de onderzoekers het algoritme voor symbolische regressie zoeken naar de beste wiskundige expressie. Het resultaat was een compacte vergelijking die fungeerde als de primaire voorspeller. Deze vergelijking legde de dominante trend succesvol vast van hoe de machine-instellingen de grootte van het onderdeel beïnvloedden. Wanneer deze werd getest tegen de data die het niet had gezien tijdens de creatie, voorspelde deze vergelijking de diameterafwijking met een fout van ongeveer 10,19 micrometer. Om dit in perspectief te plaatsen: een menselijke haar is ongeveer 70 tot 100 micrometer dik, dus het model voorspelde fouten kleiner dan een tiende van de breedte van een haar. Hoewel indrukwekkend, wisten de onderzoekers dat geen enkele enkele vergelijking elke kleine fluctuatie in het complexe productieproces kon vangen. Er waren altijd kleine, onverklaarbare rimpelingen over.

Om deze resterende fouten aan te pakken, trainden het team een tweede model, een Gaussisch proces, specif om specifiek te leren van de fouten die de eerste vergelijking maakte. Zie dit tweede model als een fijnregelaar die kijkt naar het gat tussen wat de eerste vergelijking voorspelde en wat er daadwerkelijk gebeurde, en leert deze te corrigeren. Wanneer ze de twee combineerden, presteerde het hybride model nog beter en verminderde de voorspellingsfout naar 9,32 micrometer. Deze verbetering, hoewel klein in absolute termen, was statistisch significant. Belangrijker nog, de hybride aanpak hield de kernlogica van de eerste vergelijking zichtbaar en begrijpelijk, terwijl het tweede deel de rommelige details afhandelde. Dit betekende dat een ingenieur nog steeds naar de hoofdregel kon kijken om het algemene gedrag van de machine te begrijpen, terwijl hij kon vertrouwen op de correctielaag voor een hogere precisie.

De onderzoekers gebruikten deze modellen vervolgens om een praktische vraag te stellen: welke machine-instellingen zouden de kleinste mogelijke fout produceren? Ze voerden een optimalisatiezoektocht uit om de ideale combinatie van druk, snelheid en tijd te vinden binnen het bereik dat zij hadden getest. De eenvoudige vergelijking suggereerde een best-case scenario met een fout van ongeveer 33,25 micrometer. Echter, het hybride model, met zijn vermogen om subtiele fouten te corrigeren, wees op een andere set instellingen die theoretisch de fout kon reduceren tot slechts 23,73 micrometer. Deze verschuiving liet zien dat het toevoegen van de correctielaag niet alleen de cijfers verbeterde, maar ook de aanbeveling voor het bedienen van de machine veranderde. De onderzoekers merkten op dat dit voorspellingen waren gebaseerd op hun modellen en nog niet op een echte machine waren getest, maar het verschil was groot genoeg om een test in de echte wereld te rechtvaardigen.

Gedurende de hele studie waren de onderzoekers zorgvuldig in hun eerlijkheid over de beperkingen van hun werk. Ze benadrukten dat hun model een lokale gids was, geldig voor alleen de specifieke machine, het materiaal en de matrijs die zij hadden getest, en geen universele wet voor alle kunststofspuitgieten. Ze wezen er ook op dat hoewel hun model een maatstaf voor onzekerheid bood, waarmee werd getoond hoe zeker het was van zijn voorspellingen, deze zekerheid nog niet volledig was geverifieerd met nieuwe, onafhankelijke experimenten. De echte test zou komen wanneer ingenieurs de aanbevolen instellingen op de fabrieksvloer zouden testen. De studie concludeerde dat deze hybride aanpak een praktisch middenpad bood voor industriële problemen waar data schaars is. Het bood een manier om het beste van twee werelden te krijgen: de helderheid van een eenvoudige vergelijking en de flexibiliteit van een complexe statistische correctie, waardoor ingenieurs een hulpmiddel kregen dat zowel slim als uitlegbaar is.