Calidad en moldeo por inyección

El moldeo por inyección es uno de los procesos de manufactura más versátiles e importantes, capaz de producir en masa piezas plásticas complicadas en su forma neta, y con excelentes tolerancias dimensionales. Dentro del proceso, los elementos de material polimérico sufren una historia termomecánica muy complicada, debido a las grandes variaciones de presión y al enfriamiento rápido y no uniforme. Por tanto, no es una tarea trivial ajustar la máquina y controlar el proceso para lograr la calidad deseada de las piezas.

En la práctica, una vez un molde ha sido construido y montado en la máquina de moldeo por inyección, el ingeniero debe ajustar el equipo basado en la información suministrada por el proveedor de material, en la información entregada por el diseñador del molde, y, en gran medida, basado en su propia experiencia. Luego, es necesario pasar a través de un "ensayo del molde", que incluye la producción de algunas partes y el ajuste de los parámetros de la máquina mediante ensayo y error hasta que los productos moldeados alcancen una calidad satisfactoria y consistente.

Tal ejercicio no sólo consume tiempo y resulta costoso, sino que también debe ser repetido para cada configuración de material/molde/máquina. Más allá, así la máquina se encuentre ajustada correctamente, sigue siendo necesaria la inspección periódica de la calidad de las partes, como una medida de aseguramiento.

Existe una gran probabilidad que la calidad de las piezas se salga de los límites establecidos debido a variabilidad de las propiedades del material, al cambio en las condiciones ambientales, y probablemente, a las características de la máquina. Si esto ocurre, las condiciones de proceso tienen que ser reajustadas para obtener de nuevo la calidad deseada en las piezas.

Para superar las dificultades anteriormente mencionadas, se han conducido numerosas investigaciones en las dos décadas pasadas, en la búsqueda de sistemas y tecnologías de control convenientes, ya sean en línea o fuera de línea, para lograr la calidad deseada de las partes inyectadas [1]. Sin embargo, existe un conjunto de variables involucradas en el complejo proceso de moldeo por inyección. Es imposible diseñar una estrategia de control factible sin un entendimiento completo de la relación física entre estas variables. Mediante un examen cercano de éstas, diferentes grupos de investigación [2,3] han sugerido independientemente, que pueden ser categorizadas dentro de tres niveles distintos y mutuamente dependientes: Nivel 1: variables de la máquina, Nivel 2: variables del proceso, y Nivel 3: variables de calidad (ver  tabla 1).

Las tres categorías de variables, no sólo clarifican las tareas de control del moldeo por inyección (es decir, control de la máquina, control del proceso, y control de calidad), sino que también resultan en una arquitectura multinivel del sistema de control. Como se muestra en la  Figura 1 , los lazos de alimentación y retroalimentación en estos tres niveles cubren todos los aspectos del control de calidad. No obstante, existen dos grandes retos en la implementación del control de calidad en línea: (1) las complejas dinámicas de calidad en si mismas, dado que se conoce poca información cuantitativa acerca de las relaciones entre máquina, proceso y variables de calidad; y (2) la falta de información retroalimentada de la calidad en línea. Las técnicas para medición directa y en línea de la calidad de partes dentro de un ciclo sencillo, no se encuentran todavía disponibles comercialmente.

En las siguientes secciones se discutirá primero la puesta a punto de la máquina, ya que es precisamente el punto de inicio del control para encontrar los valores de ajuste del proceso. Posteriormente, en la sección II, se revisará el control de la máquina, con énfasis en algoritmos de control avanzados, mediante la utilización de microprocesadores. Las Secciones III y IV, están dedicadas al control de proceso, y al control de calidad respectivamente. Al final de este artículo, se concluye con el trabajo de investigación sugerido para lograr el objetivo correspondiente al control de calidad en línea.

I. Determinación de las Condiciones de Proceso
Las condiciones de proceso son los valores ajustados de los parámetros del Nivel-1, para una combinación específica de máquina, molde, y material. Típicamente, estos parámetros pueden ser ajustados en la consola de la máquina. Como ya es conocido de muchas investigaciones, la calidad final de las partes es una función de las condiciones de proceso, lo cual puede ser expresado como un mapeo,

q (n, t) = f (ps(t), n, t) + v(n, t) (1)

Donde q es el conjunto de los parámetros Nivel-3, incluyendo variables cuantitativas y cualitativas; n es el número de ciclo, y t es el tiempo desde el comienzo del ciclo; ps(t) es el conjunto de variables de proceso, y v son las perturbaciones; f es el mapeo o efecto de las condiciones de proceso en la calidad, sin considerar las perturbaciones. Desafortunadamente, f es tan complicada que se sabe muy poco acerca de ella, haciendo del proceso de ajuste una difícil labor.

No obstante, la Ecuación (1) es a menudo simplificada en la práctica, con el fin de lograr soluciones que produzcan calidades aceptables. Por ejemplo, se considera razonable ignorar las dinámicas de la máquina y el proceso para determinar las así llamadas condiciones óptimas de proceso para un problema estático óptimo. Realizando esto, los métodos para determinar las condiciones óptimas de proceso se pueden categorizar dentro de dos grupos, basándose en la manera como se represente la ecuación (1): el modelo de principios básicos o el modelo empírico. En la primera aproximación, se incluye el uso de herramientas sofisticadas CAE (Computer Aided Engineering, Ingeniería Asistida por Computador) [4], y modelos matemáticos para ayudar en el ajuste del proceso.

Muchos de los paquetes comerciales de software CAE para moldeo por inyección, están basados sobre rigurosos modelos de principios básicos, los cuales poseen descripciones razonablemente acertadas del proceso de moldeo por inyección. Herramientas confiables de simulación CAE pueden ayudar a ajustar las máquinas de moldeo por inyección de una manera más científica, y reemplazar la aproximación tradicional de prueba y error. La información proveída al software CAE incluye la especificación de la máquina, la geometría del molde y las propiedades del material. Como salida, se obtienen las condiciones sugeridas de proceso para lograr calidades aceptables de pieza (refiérase por ejemplo a [4, 11, 12] ).

Se ha observado que los requerimientos de calidad pueden variar basados en las diferentes funciones que desempeñen las piezas. Por lo tanto, siempre existe un criterio de calidad que necesita ser optimizado, sujeto a las restricciones de la ecuación (1), así esto no sea expresado explícitamente. De aquí, diferentes algoritmos de optimización son combinados a menudo con la presentación del modelo para obtener las condiciones de proceso óptimas [9]. Por ejemplo, Turng ha integrado un software CAE con una herramienta de optimización que ayuda a los usuarios a encontrar el proceso óptimo para lograr una variedad de objetivos de optimización, mientras satisface ciertas restricciones [10].

Por el otro lado, los modelos empíricos consisten de métodos más diversos, tales como análisis de regresión numérica, diseño de experimentos (DOE, Design of Experiments), redes neuronales artificiales (ANN, Artificial Neural Networks), y sistemas expertos [5-8]. Entre ellos, el método más popular es el ANN, en el cual algunos índices de calidad, tales como peso, espesor, deformación, encogimiento, rebabas, resistencia, etc. se establecen como la salida de las redes neuronales, mientras que la entrada corresponde ya sea a las variables de la máquina o a las variables de proceso. No resulta sorprendente que los resultados indiquen que las redes basadas en variables de proceso, pueden predecir la calidad de parte de manera más acertada que las basadas en variables de máquina. Lo anterior se debe a que las variables de proceso se encuentran más directamente relacionadas con el polímero que está siendo procesado y a que existe una limitación en el sistema de control de la máquina. Una desventaja del ANN es que este método necesita ser entrenado con un conjunto de datos bien preparados, capaces de describir el proceso de manera precisa. De otra manera, el modelo resultará poco útil para el ajuste del proceso. A menudo, el DOE es empleado para generar datos experimentales, cubriendo el espacio factible de los parámetros.

III. Control de la Máquina
El nivel de control de la máquina de moldeo por inyección (MMI), está relativamente bien establecido, comparado con los controles de proceso y de calidad. Hoy en día existen varios sistemas de control disponibles en el mercado para tratar con el control de la MMI. Por ejemplo, los controladores lógicos programables (PLC, Programmable Logic Controllers) resultan muy apropiados para el control de la máquina y están utilizándose ampliamente en estos sistemas [13]. Ya que las perturbaciones de carga de la máquina de moldeo por inyección son muy difíciles de modelar y predecir, el control tradicional PID (Proporcional-Integral-Derivativo), no puede en todos los casos garantizar altos estándares de desempeño para la máquina. Por consiguiente, existe un esfuerzo continuo en la consecución de tecnologías avanzadas de control, para mejorar el desempeño del equipo [14-20].

Debido a que la temperatura del barril, la velocidad de inyección, la posición del pistón y la presión hidráulica están cercanamente relacionadas con la etapa de inyección, existen algunas estrategias avanzadas de control específicamente desarrolladas para controlar estos parámetros. Bulgrin y Richards [14] propusieron un control de temperatura del barril, basado en una ecuación de estado de la forma de la ecuación (2), obtenido de un análisis de capacidad calorífica amortiguada.

X ’(t) = A ∙ X (t) + B ∙ u (t) + F (t) (2)

En donde A, es la matriz de coeficientes y B, es la matriz de fuerza motriz, ambas de las cuales pueden ser identificadas; X(t) representa el vector de estado de temperatura, u(t)corresponde al estado de los contactores, y F(t) representa las cargas de perturbación. Habiendo obtenido la ecuación de estado general de la ecuación (2), se pueden aplicar numerosos algoritmos de control moderno, tales como el control óptimo lineal cuadrático y el control predictivo del modelo, los cuales logran un mejor desempeño que el obtenido con el PID.

Con respecto a la velocidad de inyección, existen varios esquemas de control adaptativo que incluyen el regulador auto sintonizable (STR, Self-Tuning Regulator), el modo de control deslizante (SMC, Sliding Mode Control), el control predictivo generalizado (GPC, Generalizad Predictive Control), el control de lógica difusa (FLC, Fuzzy Logic Control) y el control de aprendizaje iterativo (ILC, Iterative Learning Control). Cuando se utiliza una estructura de modelo lineal, Huang presentó un esquema de control predictivo y analizó las propiedades en lazo cerrado [15]. Además, basados en el modelo de auto regresión lineal ARX, Yang y Gao aplicaron el GPC para el control de velocidad del pistón, comparándolo con un controlador auto sintonizable de ubicación de polos, mejorando la convergencia del modelo mediante estimación anti-windup, y mejorando la velocidad de seguimiento, mediante alimentación y corrimiento del perfil [16]. Ellos concluyeron que el control GPC adaptativo posee un buen desempeño sobre un amplio rango de condiciones de moldeo.

Debido a las características no lineales y a variantes en el tiempo, si las dinámicas de la máquina están bien entendidas, las tecnologías avanzadas adaptativas de control de procesos son capaces de alcanzar mayores estándares de desempeño que los PID convencionales. Sin embargo, parece ser que las industrias continúan renuentes a utilizar tecnologías avanzadas para los controladores de sus máquinas, que actualmente están dominados por el PID. Lo anterior se debe a que los esquemas de control avanzado confían ampliamente en los complejos modelos dinámicos de la máquina. Tanto la estructura como los parámetros de los esquemas de control avanzado necesitan ser cuidadosamente validados, antes de ser incorporados con confianza dentro del lazo cerrado. El trabajo de modelaje debe ser llevado a cabo por ingenieros de control expertos para máquinas diferentes, lo cual resulta muy costoso y consume tiempo. En comparación, el PID tradicional, aunque con desempeño moderado, posee las ventajas de una estructura simple, de fácil sintonización, y evita la necesidad de realizar suposiciones sobre las dinámicas de la máquina.

IV. Control de Proceso
Como se mencionó anteriormente, las variables de proceso (Nivel-2) están más estrechamente relacionadas con la calidad que las variables de la máquina (Nivel-1). Por lo tanto, resulta más deseable controlar las variables de proceso para lograr calidades de parte constantes. A finales de los años 80’s, Agrawal ya había sugerido la utilización de las variables de proceso como los parámetros de control [1]. Varios estudios recientes han confirmado la entereza de esta sugerencia, con resultados que muestran que la temperatura de masa fundida del polímero y su presión poseen una fuerte influencia sobre la calidad de la parte moldeada. Especialmente, la presión de la cavidad a lo largo de todas las fases del moldeo por inyección juega un rol dominante en lo que tiene que ver con la calidad de parte definida por peso, espesor, u otras características dimensionales, como el encogimiento o la deformación. Gao analizó las dinámicas de presión de cavidad en las etapas de llenado y compresión, y diseñó un regulador auto sintonizable (STR) para controlar la presión de la cavidad, siguiendo un perfil preestablecido, a través de la manipulación de la apertura de una servo válvula [21]. Además, la presión de cavidad en la etapa de enfriamiento fue controlada a manera de cascada, con el perfil de presión de la cavidad cayendo de un 67% a un 33% de su valor inicial, definiéndolo como tiempo de enfriamiento de presión controlada (CPCT, controlled pressure cooling time) [22]. Además del STR, también se ha utilizado el control de modelo predictivo (MPC) para controlar la presión de la cavidad durante el llenado [23], debido a su reputación de robustez en procesos industriales continuos.

Dada la dinámica no lineal y variante en el tiempo de la presión de la cavidad, las ANN han sido usadas para describir la relación entre esta presión y ciertas variables de la máquina. Woll y Cooper propusieron un esquema de control en cascada, donde una red de propagación hacia atrás (BPN, Back Propagation Network), fue entrenada mediante datos de modelos físicos para representar la dinámica inversa de los niveles de presión de mantenimiento y temperatura del barril, en los perfiles de presión de la cavidad. El BPN fue utilizado como un controlador inteligente, que puede manejar a los controladores de la máquina cuando se detecta una diferencia entre la presión de cavidad real y la presión de cavidad deseada [24,25].

Además de la presión de la cavidad, existen otras variables de proceso ampliamente utilizadas en el control del proceso de moldeo por inyección, tales como la presión y temperatura del fundido en la boquilla o en la cavidad, la viscosidad del fundido, la separación del molde, etc. Estas variables no pueden ser controladas independientemente sin manipular un conjunto de parámetros de máquina del Nivel-1. Algunas veces, uno de los parámetros de máquina, como la presión hidráulica o la apertura de una válvula, se selecciona como la variable manipulable para compensar las variaciones de otros parámetros y del entorno ambiental.

En la referencia [26], Petrova y Kazner, desarrollaron una red neuronal híbrida, la cual combinaba el entrenamiento de las redes neuronales, con conocimientos analíticos del proceso de moldeo, para predecir la presión de inyección en la boquilla, dados el tamaño del disparo, la velocidad de inyección y la temperatura del fundido. Los resultados mostraron que las redes híbridas sobresalieron, especialmente cuando el numero de datos puntuales de entrenamiento era limitado. Esta investigación produjo la factibilidad de comenzar el control de proceso desde su modelo físico de una manera rápida, mientras se permite la refinación gradual del modelo, al encontrar suficientes datos disponibles del proceso en línea.

Zhao y Gao combinaron las ANN con una simulación basada en modelo físico, para predecir el perfil de temperatura del fundido en la cámara del inyector. El proceso fue dividido en las etapas de plastificación, permanencia e inyección. En la etapa de plastificación, se utilizo una ANN para predecir el efecto de las condiciones operativas, como el calentamiento de la boquilla, el calentamiento del barril, la velocidad de rotación del tornillo, la contrapresión y la carga de disparo, sobre el perfil de temperatura del fundido. Posteriormente, se aplicó una simulación basada en modelos físicos, para calcular el campo de temperaturas durante las etapas de permanencia e inyección. La predicción del método propuesto se ajustó muy bien a las mediciones experimentales. Tal trabajo de modelaje puede ser utilizado para la implementación de la optimización y el control avanzado [27].

Otra variable interesante del proceso es la separación del molde. Buja [28] y Wenskus [29], estudiaron la aplicación de un control de separación del molde para mejorar la calidad de la parte. Recientemente, Wang [2], propuso un sistema de control adaptativo para el moldeo por inyección, en el cual la separación del molde es medida en línea, y controlada a través de manipulación de la presión hidráulica en la etapa de post-llenado. Tanto el control adaptativo ciclo a ciclo, como el control dentro del ciclo, fueron utilizados para compensar las perturbaciones de larga y corta duración.

No existe duda que la selección y control adecuados de las variables del proceso son importantes para mejorar las capacidades del mismo, incrementando la calidad de las piezas y reduciendo el costo de producción. Existen dos condiciones que deben ser satisfechas para que las variables estén calificadas para el control en línea. Primero, la señal debe ser medible a través de transductores comercialmente disponibles y en línea. Segundo, la variable medida debe reflejar ajustadamente el proceso y las propiedades de las partes moldeadas. Esta es la razón por la que la presión de la cavidad y la temperatura son las preferidas para el control del proceso sobre otras variables. Sin embargo, cada variable posee sus pros y sus contras. Por ejemplo, los transductores de presión montados directamente dentro de la cavidad pueden no ser apropiados, si el acabado superficial es crítico. En este caso, las opciones podrían ser obtener la medida de presión en la boquilla, o en la separación del molde.

V. Control de Calidad
La calidad es el objetivo final del control del moldeo por inyección, el cual comienza con el ajuste de los parámetros del proceso. A diferencia de los procedimientos de ajuste estadísticos, en los cuales las condiciones de proceso son buscadas a través de optimización estática, el control de calidad se basa en modelos dinámicos de calidad, que relacionan la calidad deseada con las variables del proceso y/o la máquina. Las condiciones o variables del proceso deben cambiar ciclo a ciclo para compensar las posibles perturbaciones generadas por el material, la dinámica de la máquina, y la dinámica del proceso.

Como se mencionó anteriormente, la medición en línea de la calidad es difícil de implementar en la práctica, lo que significa que no existe retroalimentación directa en línea. Debido a lo anterior, no se ha podido lograr el control de calidad en línea real para el proceso de moldeo por inyección. Todas las estrategias actuales de control de calidad caen en una estructura de sistema de control basada en un observador, tal como se muestra en la Figura 2. La capacidad de regulación de la variable de calidad preseleccionada depende ampliamente de la capacidad de adaptación y precisión del observador de calidad, basado en las variables del proceso y/o en la máquina.

Numerosas investigaciones han encontrado los posibles métodos para construir un observador de calidad genérico, preciso y económico. De manera similar a las aproximaciones utilizadas para determinar los ajustes del proceso, estos métodos pueden basarse en modelos empíricos, en modelos de principios básicos, o en una combinación de ambos. Hablando de los índices de calidad, el peso y las dimensiones de la pieza son dos de las variables más populares, siendo seleccionadas porque pueden ser medidas cuantitativamente, con alta resolución.

Woll y Cooper, compararon diferentes modelos empíricos para predecir la longitud y el peso de pieza, entre ellos, el modelo de Regresión Lineal, el modelo SPC, y el modelo BPN. Concluyeron que el modelo de red neuronal entrenado con el perfil de presión de cavidad otorgó la mejor predicción [30]. El método ANN también fue utilizado por Rewal [31] para predecir el peso de pieza basándose en la presión del fundido y en la temperatura de la boquilla. El peso calculado se ajusto muy bien a los datos experimentales.

No obstante, cuando el observador de calidad es expresado en una forma complicada, tal como en las ANN, el diseño del control basado en ese modelo no es fácil. Liang y Wang [32,33] propusieron un sistema de control óptimo neuronal inverso (INOCS, Inverse Neural Optimal Control System), el cual consistía de un controlador de lazo cerrado, un elemento de predicción de la calidad basado en redes neuronales, y un calculador de optimización, que a su vez consistía de un índice de desempeño con una función de perdida múltiple. Cabe anotar que el controlador también funcionaba en la forma de una red neuronal. Este tipo de controlador otorga las propiedades dinámicas de calidad de la parte moldeada, en cada disparo. Aunque el control de calidad basado en inteligencia artificial puede manejar bien problemas específicos, el desarrollo del modelo y su validación requieren datos experimentales extensivos. Más allá, el modelo desarrollado es susceptible a perturbaciones externas, aunque puede manejar dinámicas altamente no lineales y complejas. Se deben encontrar descripciones más genéricas y basadas en la ciencia de las dinámicas de calidad, en las cuales se pueda basar el objetivo múltiple y riguroso de la optimización del control de calidad en línea [34].

Parece que el uso de un sensor de calidad en línea no puede ser evitado en el logro del control de calidad automático. Afortunadamente, existe una serie de estudios que han reportado progresos en este tema. Por ejemplo, mediante el uso de transductores ultrasónicos, tanto la velocidad del frente fundido, como el espacio entre el fundido solidificándose y la superficie de la pared del molde durante el enfriamiento, pueden ser detectados [35]. Esperanzadoramente, el innovador sensor de calidad, permitirá eventualmente habilitar el control de calidad en línea. Por otra parte, se deben refinar los modelos genéricos de principios básicos y construir el "sensor virtual" para la medición de calidad, lo cual no constituye una tarea trivial.

VI. Conclusiones
Este artículo revisa algunos de los avances recientes en el control de calidad del moldeo por inyección para la producción totalmente automática. Las investigaciones estudiadas aquí, sugieren que:

1. El control de moldeo por inyección debe ser tratado como un sistema integrado que incluye máquina, molde, material y proceso.
2. La implementación del control de calidad en línea, depende ampliamente de la disponibilidad de un sensor de calidad. A pesar de las dificultades, esta es la dirección factible, si no la única para avanzar en el control de calidad en línea.
3. Una vez el software CAE es suficientemente preciso, este puede ser incorporado dentro de un control en lazo cerrado de calidad/proceso en línea.
4. La optimización multiobjetivo es necesaria tanto para el ajuste del proceso como para su control, debido a los múltiples índices de calidad de pieza.