Intelligent methods for the process parameter determination of plastic injection molding

Abstract

Injection molding is one of the most widely used material processing methods in producing plastic products with complex geometries and high precision. The determination of process parameters is important in obtaining qualified products and maintaining product quality. This article reviews the recent studies and developments of the intelligent methods applied in the process parameter determination of injection molding. These intelligent methods are classified into three categories: Case-based reasoning methods, expert system-based methods, and data fitting and optimization methods. A framework of process parameter determination is proposed after comprehensive discussions. Finally, the conclusions and future research topics are discussed.

Key words： injection molding; intelligent methods; process parameters; optimization

Acknowledgements

The authors would like to acknowledge the financial support from the National Natural Science Foundation Council of China (Grant Nos. 51675199 and 51635006) and the National Program on Key Basic Research Project (No. 2013CB035805).

References

1 Yang D, Danai  K, Kazmer D. A knowledge-based tuning method for injection molding machines. Journal of Manufacturing Science and Engineering, 2000, 123(4): 682–691 

2 Kolodner J L. An introduction to case-based reasoning. Artificial Intelligence Review, 1992, 6(1): 3–34 

3 Mok S L, Kwong  C K, Lau  W S. Review of research in the determination of process parameters for plastic injection molding. Advances in Polymer Technology, 1999, 18(3): 225–236 

4 Kwong C K, Smith  G F, Lau  W S. Application of case based reasoning injection moulding. Journal of Materials Processing Technology, 1997, 63(1–3): 463–467 

5 Kwong C K, Smith  G F. A computational system for process design of injection moulding: Combining blackboard-based expert system and case-based reasoning approach. International Journal of Advanced Manufacturing Technology, 1998, 14(4): 239–246 

6 Mok S L, Kwong  C K, Lau  W S. An intelligent hybrid system for initial process parameter setting of injection moulding. International Journal of Production Research, 2000, 38(17): 4565–4576 

7 Mok S L, Kwong  C K. Application of artificial neural network and fuzzy logic in a case-based system for initial process parameter setting of injection molding. Journal of Intelligent Manufacturing, 2002, 13(3): 165–176 doi:10.1023/A:1015730705078

8 Shelesh-Nezhad K, Siores  E. An intelligent system for plastic injection molding process design. Journal of Materials Processing Technology, 1997, 63(1–3): 458–462

9 Zhou H M, Zhao  P, Feng W. An integrated intelligent system for injection molding process determination. Advances in Polymer Technology, 2007, 26(3): 191–205 

10 Kim S G, Suh  N P. Knowledge-based synthesis system for injection molding. Robotics and Computer-Integrated Manufacturing, 1987, 3(2): 181–186 

11 Pandelidis I, Kao  J F. DETECTOR: A knowledge-based system for injection molding diagnostics. Journal of Intelligent Manufacturing, 1990, 1(1): 49–58 

12 Jan T C, O’Brien  K. A user-friendly, interactive expert system for the injection moulding of engineering thermoplastics. International Journal of Advanced Manufacturing Technology, 1993, 8(1): 42–51 

13 Kameoka S, Haramoto  N, Sakai T. Development of an expert system for injection molding operations. Advances in Polymer Technology, 1993, 12(4): 403–418 

14 He W, Zhang  Y F, Lee  K S, Automated process parameter resetting for injection moulding: A fuzzy-neuro approach. Journal of Intelligent Manufacturing, 1998, 9(1): 17–27 

15 He W, Zhang  Y F, Lee  K S, Development of a fuzzy-neuro system for parameter resetting of injection molding. Journal of Manufacturing Science and Engineering, 2001, 123(1): 110–118 

16 Tan K, Yuen  M. An expert system for injection molding defect correction. In: Proceedings of the 3rd International Conference, Computer Integrated Manufacturing. 1995, 11–14

17 Chen M Y, Tzeng  H W, Chen  Y C, The application of fuzzy theory for the control of weld line positions in injection-molded part. ISA Transactions, 2008, 47(1): 119–126

18 Li D Q, Zhou  H M, Zhao  P, A real-time process optimization system for injection molding. Polymer Engineering and Science, 2009, 49(10): 2031–2040

19 Dhaliwal J S, Benbasat  I. The use and effects of knowledge-based system explanations: Theoretical foundations and a framework for empirical evaluation. Information Systems Research, 1996, 7(3): 342–362

20 Inaba Y, Sakakibara  S, Taira T, Expert system for injection molding machine to support stable condition during long time production. In: Proceedings of International Conference on Artificial Intelligent in the Pacific Rim. 1991, 909–914

21 Liao S H. Expert system methodologies and applications—A decade review from 1995 to 2004. Expert Systems with Applications, 2005, 28(1): 93–103 

22 Pardo S A. Fractional factorial designs. In: Pardo S A, ed. Empirical Modeling and Data Analysis for Engineers and Applied Scientists. Cham: Springer, 2016, 59–93

23 Liu T F, Zhang  C L, Yang  G S, Central composite design-based analysis of specific leaf area and related agronomic factors in cultivars of rapeseed (Brassica napus L.). Field Crops Research, 2009, 111(1–2): 92–96 

24 Roy R K. A Primer on Taguchi Method. New York: Van Nostrand Reinhold, 1990

25 Helton J C, Davis  F J. Latin hypercube sampling and the propagation of uncertainty in analyses of complex systems. Reliability Engineering & System Safety, 2003, 81(1): 23–69

26 Fang K T, Lin  D K J, Winker  P, Uniform design: Theory and application. Technometrics, 2000, 42(3): 237–248

27 Chen W C, Nguyen  M H, Chiu  W H, Optimization of the plastic injection molding process using the Taguchi method, RSM, and hybrid GA-PSO. International Journal of Advanced Manufacturing Technology, 2016, 83(9–12): 1873–1886 

28 Zhao J, Cheng  G. An innovative surrogate-based searching method for reducing warpage and cycle time in injection molding. Advances in Polymer Technology, 2015, 35(3): 288–297

29 Wang Y, Kim  J, Song J I. Optimization of plastic injection molding process parameters for manufacturing a brake booster valve body. Materials & Design, 2014, 56: 313–317

30 Jou Y T, Lin  W T, Lee  W C, Integrating the Taguchi method and response surface methodology for process parameter optimization of the injection molding. Applied Mathematics & Information Sciences, 2014, 8(3): 1277–1285

31 Wen T, Chen  X, Yang C, Optimization of processing parameters for minimizing warpage of large thin-walled parts in whole stages of injection molding. Chinese Journal of Polymer Science, 2014, 32(11): 1535–1543

32 Chen W C, Liou  P H, Chou  S C. An integrated parameter optimization system for MIMO plastic injection molding using soft computing. International Journal of Advanced Manufacturing Technology, 2014, 73(9–12): 1465–1474 

33 Chen W C, Kurniawan  D. Process parameters optimization for multiple quality characteristics in plastic injection molding using Taguchi method, BPNN, GA, and hybrid PSO-GA. International Journal of Precision Engineering and Manufacturing, 2014, 15(8): 1583–1593

34 Azaman M D, Sapuan  S M, Sulaiman  S, Optimization and numerical simulation analysis for molded thin-walled parts fabricated using wood-filled polypropylene composites via plastic injection molding. Polymer Engineering & Science, 2015, 5(5): 1082–1095 

35 Chen W C, Wang  L Y, Huang  C C, Parameter optimization of the injection molding process for a LED lighting lens using soft computing. Advanced Materials Research, 2013, 690–693: 2344–2351 

36 Tzeng C J, Yang  Y K, Lin  Y H, A study of optimization of injection molding process parameters for SGF and PTFE reinforced PC composites using neural network and response surface methodology. International Journal of Advanced Manufacturing Technology, 2012, 63(5–8): 691–704 

37 Lu N Y, Gong  G, Yang Y, Multi-objective process parameter optimization for energy saving in injection molding process. Journal of Zhejiang University. Science A, 2012, 13(5): 382–394

38 Yin F, Mao  H, Hua L. A hybrid of back propagation neural network and genetic algorithm for optimization of injection molding process parameters. Materials & Design, 2011, 32(6): 3457–3464 

39 Mehat N M, Kamaruddin  S. Multi-response optimization of injection moulding processing parameters using the Taguchi method. Polymer-Plastics Technology and Engineering, 2011, 50(15): 1519–1526

40 Chen W L, Huang  C Y, Hung  C W. Optimization of plastic injection molding process by dual response surface method with non-linear programming. Engineering Computations, 2010, 27(8): 951–966 

41 Ting P H, Hsu  C I, Hwang  J R. Optimization of the wear properties of polyoxymethylene components under injection process conditions. Polymer-Plastics Technology and Engineering, 2010, 49(9): 892–899

42 Altan M. Reducing shrinkage in injection moldings via the Taguchi, ANOVA and neural network methods. Materials & Design, 2010, 31(1): 599–604 

43 Chen W C, Fu  G L, Tai  P H, Process parameter optimization for MIMO plastic injection molding via soft computing. Expert Systems with Applications, 2009, 36(2): 1114–1122 

44 Chen C P, Chuang  M T, Hsiao  Y H, Simulation and experimental study in determining injection molding process parameters for thin-shell plastic parts via design of experiments analysis. Expert Systems with Applications, 2009, 36(7): 10752–10759

45 Chen W C, Wang  M W, Chen  C T, An integrated parameter optimization system for MISO plastic injection molding. International Journal of Advanced Manufacturing Technology, 2009, 44(5–6): 501–511 

46 Deng W J, Chen  C T, Sun  C H, An effective approach for process parameter optimization in injection molding of plastic housing components. Polymer-Plastics Technology and Engineering, 2008, 47(9): 910–919 

47 Cheng  W S,  Chen C S,  Chen S C, Investigation of the effects of injection molding processing parameters on conductive polymeric composites for electromagnetic interference shielding effectiveness. Polymer-Plastics Technology and Engineering, 2009, 48(2): 216–220

48 Tsai K M, Hsieh  C Y, Lo  W C. A study of the effects of process parameters for injection molding on surface quality of optical lenses. Journal of Materials Processing Technology, 2009, 209(7): 3469–3477

49 Yang Y K, Shie  J R, Liao  H T, A study of Taguchi and design of experiments method in injection molding process for polypropylene components. Journal of Reinforced Plastics and Composites, 2008, 27(8): 819–834 

50 Huang M S, Lin  T Y. An innovative regression model-based searching method for setting the robust injection molding parameters. Journal of Materials Processing Technology, 2008, 198(1–3): 436–444 

51 Shie J R. Optimization of injection molding process for contour distortions of polypropylene composite components by a radial basis neural network. International Journal of Advanced Manufacturing Technology, 2008, 36(11–12): 1091–1103 

52 Chen W C, Fu  G L, Tai  P H, ANN and GA-based process parameter optimization for MIMO plastic injection molding. In: Proceedings of International Conference on Machine Learning and Cybernetics. Hong Kong: IEEE, 2007, 1909–1917 

53 Wang L, Li  Q, Shen C, Effects of process parameters and two-way interactions on sink mark depth of injection molded parts by using the design of experiment method. Polymer-Plastics Technology and Engineering, 2007, 47(1): 30–35 

54 Song M C, Liu  Z, Wang M J, Research on effects of injection process parameters on the molding process for ultra-thin wall plastic parts. Journal of Materials Processing Technology, 2007, 187–188: 668–671 

55 Oktem H, Erzurumlu  T, Uzman I. Application of Taguchi optimization technique in determining plastic injection molding process parameters for a thin-shell part. Materials & Design, 2007, 28(4): 1271–1278 

56 Kuo C F, Su  T L. Optimization of injection molding processing parameters for LCD light-guide plates. Journal of Materials Engineering and Performance, 2007, 16(5): 539–548 

57 Kemal Karasu M,  Cakmakci M,  Cakiroglu M B, Improvement of changeover times via Taguchi empowered SMED/case study on injection molding production. Measurement, 2014, 47: 741–748 

58 Liu F, Zeng  S Q, Zhou  H M, A study on the distinguishing responses of shrinkage and warpage to processing conditions in injection molding. Journal of Applied Polymer Science, 2012, 125(1): 731–744 

59 AlKaabneh F A,  Barghash M,  Mishael I. A combined analytical hierarchical process (AHP) and Taguchi experimental design (TED) for plastic injection molding process settings. International Journal of Advanced Manufacturing Technology, 2012, 66(5): 679–694

60 Kitayama S, Natsume  S. Multi-objective optimization of volume shrinkage and clamping force for plastic injection molding via sequential approximate optimization. Simulation Modelling Practice and Theory, 2014, 48: 35–44 

61 Shi H Z, Xie  S M, Wang  X C. A warpage optimization method for injection molding using artificial neural network with parametric sampling evaluation strategy. International Journal of Advanced Manufacturing Technology, 2013, 65(1–4): 343–353 

62 Xia W, Luo  B, Liao X. An enhanced optimization approach based on Gaussian process surrogate model for process control in injection molding. International Journal of Advanced Manufacturing Technology, 2011, 56(9–12): 929–942

63 Shi H Z, Gao  Y H, Wang  X C. Optimization of injection molding process parameters using integrated artificial neural network model and expected improvement function method. International Journal of Advanced Manufacturing Technology, 2010, 48(9–12): 955–962

64 Chen W, Zhou  X, Wang H, Multi-objective optimal approach for injection molding based on surrogate model and particle swarm optimization algorithm. Journal of Shanghai Jiaotong University (Science), 2010, 15(1): 88–93 

65 Liao X, Long  F. Gaussian process modeling of process optimization and parameter correlation for injection molding. Journal of Marine Science and Engineering, 2010, 4(10): 90–97

66 Li C, Wang  F L, Chang  Y Q, A modified global optimization method based on surrogate model and its application in packing profile optimization of injection molding process. International Journal of Advanced Manufacturing Technology, 2010, 48(5–8): 505–511 

67 Gao Y, Turng  L S, Wang  X. Adaptive geometry and process optimization for injection molding using the kriging surrogate model trained by numerical simulation. Advances in Polymer Technology, 2008, 27(1): 1–16 

68 Zhou J, Turng  L S. Process optimization of injection molding using an adaptive surrogate model with Gaussian process approach. Polymer Engineering and Science, 2007, 47(5): 684–694 

69 Sun B S, Chen  Z, Gu B Q, Injection molding process parameter optimization for warpage minimization based on uniform design of experiment. Applied Mechanics and Materials, 2011, 37–38: 570–575

70 Deng Y M, Wang  L Z. Applying a uniform design of experiment approach for reducing injection moulding warpage deflection. Key Engineering Materials, 2010, 443: 57–62

71 Guo W, Hua  L, Mao H J. Minimization of sink mark depth in injection-molded thermoplastic through design of experiments and genetic algorithm. International Journal of Advanced Manufacturing Technology, 2014, 72(1–4): 365–375 

72 Chen C C, Su  P L, Chiou  C B, Experimental investigation of designed parameters on dimension shrinkage of injection molded thin-wall part by integrated response surface methodology and genetic algorithm: A case study. Materials and Manufacturing Processes, 2011, 26(3): 534–540 

73 Chen C C, Su  P L, Lin  Y C. Analysis and modeling of effective parameters for dimension shrinkage variation of injection molded part with thin shell feature using response surface methodology. International Journal of Advanced Manufacturing Technology, 2009, 45(11–12): 1087–1095 

74 Spina R. Optimisation of injection moulded parts by using ANN-PSO approach. Journal of Achievements in Materials and Manufacturing Engineering, 2006, 15(1–2): 146–152

75 Kurtaran H, Erzurumlu  T. Efficient warpage optimization of thin shell plastic parts using response surface methodology and genetic algorithm. International Journal of Advanced Manufacturing Technology, 2006, 27(5–6): 468–472 

76 Deng Y M, Zhang  Y, Lam Y C. A hybrid of mode-pursuing sampling method and genetic algorithm for minimization of injection molding warpage. Materials & Design, 2010, 31(4): 2118–2123 

77 Cheng J, Liu  Z, Tan J. Multiobjective optimization of injection molding parameters based on soft computing and variable complexity method. International Journal of Advanced Manufacturing Technology, 2013, 66(5–8): 907–916 

78 Iniesta A A, Alcaraz  J L G, Borbon  M I R. Optimization of injection molding process parameters by a hybrid of artificial neural network and artificial bee colony algorithm. Revista Facultad De Ingenieria-Universidad De Antioquia, 2013, (67): 43–51

79 Wang R J, Feng  X X, Xia Y J, A back propagation artificial neural network prediction model of the gate freeze time for injection molded polypropylenes. Journal of Macromolecular Science, Part B: Physics, 2013, 52(10): 1414–1426 

80 Taghizadeh S, Ozdemir  A, Uluer O. Warpage prediction in plastic injection molded part using artificial neural network. Iranian Journal of Science and Technology. Transaction of Mechanical Engineering, 2013, 37(M2): 149–160

81 Wang H S, Wang  Y N, Wang  Y C. Cost estimation of plastic injection molding parts through integration of PSO and BP neural network. Expert Systems with Applications, 2013, 40(2): 418–428 

82 Shi H, Wang  X, Xie S. A warpage optimization method for injection molding using artificial neural network combined weighted expected improvement. International Polymer Processing, 2012, 27(3): 341–347

83 Patel G C M,  Krishna P. Prediction and optimization of dimensional shrinkage variations in injection molded parts using forward and reverse mapping of artificial neural networks. Advanced Materials Research, 2012, 463–464: 674–678

84 Chen W J, Lin  J R. Application and design of artificial neural network for multi-cavity injection molding process conditions. In: Jin D, Lin S, eds. Advances in Future Computer and Control Systems: Volume 2. Berlin: Springer, 2012, 33–38

85 Yin F, Mao  H J, Hua  L, Back propagation neural network modeling for warpage prediction and optimization of plastic products during injection molding. Materials & Design, 2011, 32(4): 1844–1850 

86 Sun X F, Zhu  P F, Lu  Y J, Prediction of quality index of injection-molded parts by using artificial neural networks. Advanced Materials Research, 2011, 291–294: 432–439

87 Li X, Hu  B, Du R. Predicting the parts weight in plastic injection molding using least squares support vector regression. IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), 2008, 38(6): 827–833 

88 Yang J L, Yin  Z Q, Guan  C L, Process parameter optimization of micro-injection molding based on support vector machine. China Plastics Industry, 2009, 37(5): 27–30 (in Chinese)

89 Wang G G, Shan  S. Review of metamodeling techniques in support of engineering design optimization. Journal of Mechanical Design, 2007, 129(4): 370–380 

90 Simpson T W, Poplinski  J D, Koch  N P, Metamodels for computer-based engineering design: Survey and recommendations. Engineering with Computers, 2001, 17(2): 129–150 

91 Oberkampf W L,  Trucano T G. Validation methodology in computational fluid dynamics. In: Proceedings of Fluids 2000 Conference and Exhibit, Fluid Dynamics and Co-Located Conferences. AIAA, 2000, 2549: 19–22 

92 Goldberg D E. Genetic Algorithm in Search, Optimization, and Machine Learning. Reading: Addison-Wesley, 1989, 2104–2116

93 Norman B A, Bean  J C. A genetic algorithm methodology for complex scheduling problems. Naval Research Logistics, 1999, 46(2): 199–211 

94 Lin M H, Tsai  J F, Yu  C S. A review of deterministic optimization methods in engineering and management. Mathematical Problems in Engineering, 2012, 756023

95 Dang X P. General frameworks for optimization of plastic injection molding process parameters. Simulation Modelling Practice and Theory, 2014, 41: 15–27 

96 Lam Y C, Deng  Y M, Au  C K. A GA/gradient hybrid approach for injection moulding conditions optimisation. Engineering with Computers, 2006, 21(3): 193–202 

97 Zhang J, Wang  J, Lin J, Multiobjective optimization of injection molding process parameters based on Opt LHD, EBFNN, and MOPSO. International Journal of Advanced Manufacturing Technology, 2016, 85(9–12): 2857–2872 

98 Kashyap S, Datta  D. Process parameter optimization of plastic injection molding: A review. International Journal of Plastics Technology, 2015, 19(1): 1–18