Optymalizacja w przetwórstwie tworzyw sztucznych

Bardzo skrótowo przedstawię wstęp do optymalizacji na przykładzie wytłaczania jednoślimakowego tworzyw sztucznych. Podkreślić należy, że wymienione metody mogą być stosowane w innych procesach przetwórstwa tworzyw sztucznych. Po pierwsze definicja, spis metod wykorzystywanych w optymalizacji, pozyskiwanie danych wejściowych i wyjściowych, na końcu dane wejściowe i wyjściowe wytłaczania jednoślimakowego tworzyw sztucznych.

Każdą czynność do wykonania możemy przedstawić jako rozwiązanie zadania. Proces optymalizacji polegałby na przeszukaniu przestrzeni możliwych rozwiązań, celem znalezienia „najlepszych” (ekstremum) przy założonych kryteriach, zdefiniowanej funkcji celu (np. maksymalna wydajność, minimalne zużycie mocy).

W małych przestrzeniach rozwiązań klasyczne metody np. statystyczna (analiza regresji), polegające na całkowitym przeszukiwaniu są zwykle wystarczające. W większych przestrzeniach rozwiązań trzeba stosować wyspecjalizowane metody sztucznej inteligencji (ang. artificial intelligence). W procesie optymalizacji, jako jednego z możliwych problemów, który możemy rozwiązać wykorzystując metody sztucznej inteligencji, stosowane są m.in.:

• metoda sieci neuronowych (ang. neural networks),
• metoda algorytmów genetycznych, AG (ang. genetic algorithms),
• metody hybrydowe, łączące więcej niż jedną z metod.

Problem optymalizacji wytłaczania jest zagadnieniem złożonym. Wynika to z wielu kryteriów optymalizacji, które mogą być ze sobą sprzeczne, np. maksymalizacja wydajności i minimalizacja zużycia mocy, oraz z liczby danych charakteryzujących proces (właściwości materiałowe, geometria układu uplastyczniającego i głowicy, warunki technologiczne procesu).

Mamy dwie metody uzyskania wielkości wyjściowych procesu wytłaczania celem wykonania optymalizacji. Pierwsza, są to badania doświadczalne, ze względu na ilość zmiennych, możliwych wariantów procesu (właściwości materiałowe, geometria układu uplastyczniającego i głowicy, warunki technologiczne procesu) jest metodą pracochłonną i kosztowną. W pewnych przypadkach, bardzo trudna (wysokie koszty) a wręcz niemożliwa w realizacji dla zmiennych wynikających z konstrukcji np. geometrii ślimaka, lub głowicy. Druga metoda, nie posiadająca tych ograniczeń to badania symulacyjne procesu, będące dzisiaj efektywnym narzędziem, dostarczającym wymaganych danych wyjściowych procesu.

Cecha charakterystyczna optymalizacji to proces ciągłego doskonalenia, który schematycznie obrazuje diagram, dane wyjściowe uzyskane w wyniku badań doświadczalnych lub symulacyjnych jako zoptymalizowane mogą być danymi wejściowymi do kolejnych badań.


Tyle słowem wstępu. Na pewno niedługo pojawi się opis planowania doświadczeń DOE (ang. design of experiments) metody wykorzystywanej w optymalizacji procesów. Z jednej strony mamy symulacje lub doświadczenia, jedno i drugie kosztowne, doświadczenia wiemy dlaczego, symulacje (np. REX, Moldflow, Cadmould) to problem dostępności oprogramowania, też nie taniego. Z drugiej strony optymalizacja też problem programowy (np. Statistica). Nad wszystkim baza wiedzy. Czy to może stanowić ograniczenie? Inwestycje, które na pewno się zwrócą a stanowią odbicie procesów zarządzania w organizacji. Z pewnością jest to sposób na tworzenie wartości dodanej procesów oraz samego przedsiębiorstwa.

Jeżeli chciałbyś więcej informacji proszę wyraź to, e-mail, w komentarzu a postaram się uzupełnić według potrzeb.