研发三部．陈奕廷

前言

在射出成型过程中，产品的最终质量受到多重因素的影响，包括产品设计、模具设计、材料性质以及成型条件等。如何快速找到最佳解决方案，提升产品质量、降低制造成本并缩短开发时间，向来是重要课题。过去常以试误法来应对这类挑战，但其效率与精确度往往受到时间与资源的限制。随着实验设计（Design of Experiments，DOE）等统计学方法的引入，开始能更有系统地探索最佳解，减少不必要的试验次数并提高分析准确性。而人工智能（Artificial Intelligence，AI）的发展，则为优化问题提供了新的可能：透过数据驱动的方式学习与预测，在特定情境下能进一步提升分析速度与精度。

科盛科技（Moldex3D）今年以自动化（Automation）、设计优化（Optimization）与智能化（Intelligence）为发展主轴，整合自动化流程、DOE与AI技术，全面串接分析、数据管理与优化决策，全面提升成型模拟效率与精度。Moldex3D Studio能在单一平台上同时完成模流分析与优化分析。除了原有的DOE精灵使试模过程更加科学化，今年更新增AI优化精灵，将CAE模流分析与AI迭代流程无缝整合，无须手动干预即可自动完成整个迭代过程，让使用者更有效找到优化设计解答。

图一、Moldex3D Studio能在单一平台透过AI迭代CAE模流分析找寻最佳解

DOE与AI优化：探索策略与应用情境

进行优化问题求解时，DOE和AI优化的差异在于，DOE透过田口直交表来确定实验设计，其控制因子的范围设定为离散水平，进行统计学上系统化的分析，能有效解析影响因素并获得有价值的结论；AI优化则是基于连续区间来设定控制因子的范围，透过数据分析在该区间内迭代找出最佳解，并能处理约束问题，AI优化亦具备学习与动态调整的能力，可根据过程中的结果适时修正探索方向，特别适用于需要进一步探索较佳参数组合的情况，能逐步聚焦较具潜力的参数区域，并提供多个可行解，满足更广泛的实验需求。

举以下情境为例：一位新手在烘焙蛋糕时，想快速掌握烘焙温度、搅拌时间与烘烤时间的最佳设定。如图二实验数据显示，DOE会系统性测试不同组合，即使某些参数范围表现较差，仍会保留相关试验（如在185.6°C、200°C等较高温度下进行多次试验），以了解参数的影响趋势；相较之下，AI优化能迅速辨识160~170°C为较佳温度区间，进而集中资源探索搅拌与烘烤时间，有效地找到更好的解。

图二、DOE在求解前透过直交表决定好静态实验组合；AI优化则是动态调整实验组合

然而，在相同实验数据下，AI优化可能因数据量不足，尚未充分收敛，导致结果不够稳定或准确，以某企业优化机械零件生产制程为例：该企业已知优化制造机械零件生产过程的三个关键因子是生产速率、材料密度和机器磨损。如图三所示，企业能透过DOE快速找出最佳组合，并系统性地探索出影响最剧烈的因子是生产速率。而在相同时间与资源下，AI经过约十次迭代后，由于数据尚未充分收敛，结果仍在不同范围中波动，无法提供稳定结论，显示AI在数据不足时的表现仍不如DOE稳定。

图三、数据未充分收敛情况下，比较DOE与AI优化对结果精度的影响

Moldex3D Studio AI优化精灵

在AI优化方面，Moldex3D Studio今年新增AI优化精灵，使用者可透过选择并设定控制因子、质量因子，并设定迭代的上限次数，即可建立优化迭代组别。将该组别送出分析后，计算管理员会自动完成整个CAE迭代过程；分析完成后，即可于Studio检视AI优化结果，从中获得最佳解决方案。

图四、设定AI优化实验

检视控制因子和质量因子的迭代曲线，可以了解因子是否显示收敛趋势，以及最佳表现范围是否逐步被确定。接着，可以从迭代表格中找出最佳迭代组合，以及哪些迭代落在最佳前缘上，有助于在多目标优化情境下权衡并选择可行解。由于AI优化并未进行全面探索，因此无法如DOE分析般提供完善统计信息，但仍可透过平行坐标图来观察并发掘因子间的潜在关联。

图五、迭代表格汇整迭代过程中控制因子、质量因子的数据，并提供最佳前缘信息

图六、透过平行坐标图洞察因子间的相关性

灵活选择优化途径，提升决策效益

在有限的时间和资源下，可以透过对实验的熟悉程度、所需的优化结果来选择合适的优化方法。DOE可解构细节，深入分析影响趋势；AI则能进一步探索最佳解，逐步聚焦较佳的参数区域。面对复杂的优化问题，Moldex3D Studio提供多元且互补的优化途径，让使用者可以灵活运用既有的DOE精灵与AI优化精灵，兼顾效率与精确性，进一步提升实验价值与决策可靠性。