研發三部．陳奕廷

前言

在射出成型過程中，產品的最終品質受到多重因素的影響，包括產品設計、模具設計、材料性質以及成型條件等。如何快速找到最佳解決方案，提升產品品質、降低製造成本並縮短開發時間，向來是重要課題。過去常以試誤法來應對這類挑戰，但其效率與精確度往往受到時間與資源的限制。隨著實驗設計（Design of Experiments，DOE）等統計學方法的引入，開始能更有系統地探索最佳解，減少不必要的試驗次數並提高分析準確性。而人工智慧（Artificial Intelligence，AI）的發展，則為最佳化問題提供了新的可能：透過數據驅動的方式學習與預測，在特定情境下能進一步提升分析速度與精度。

科盛科技（Moldex3D）今年以自動化（Automation）、設計優化（Optimization）與智能化（Intelligence）為發展主軸，整合自動化流程、DOE與AI技術，全面串接分析、資料管理與最佳化決策，全面提升成型模擬效率與精度。Moldex3D Studio能在單一平台上同時完成模流分析與最佳化分析。除了原有的DOE精靈使試模過程更加科學化，今年更新增AI最佳化精靈，將CAE模流分析與AI迭代流程無縫整合，無須手動干預即可自動完成整個迭代過程，讓使用者更有效找到最佳化設計解答。

圖一、Moldex3D Studio能在單一平台透過AI迭代CAE模流分析找尋最佳解

DOE與AI最佳化：探索策略與應用情境

進行最佳化問題求解時，DOE和AI最佳化的差異在於，DOE透過田口直交表來確定實驗設計，其控制因子的範圍設定為離散水準，進行統計學上系統化的分析，能有效解析影響因素並獲得有價值的結論；AI最佳化則是基於連續區間來設定控制因子的範圍，透過數據分析在該區間內迭代找出最佳解，並能處理約束問題，AI最佳化亦具備學習與動態調整的能力，可根據過程中的結果適時修正探索方向，特別適用於需要進一步探索較佳參數組合的情況，能逐步聚焦較具潛力的參數區域，並提供多個可行解，滿足更廣泛的實驗需求。

舉以下情境為例：一位新手在烘焙蛋糕時，想快速掌握烘焙溫度、攪拌時間與烘烤時間的最佳設定。如圖二實驗數據顯示，DOE會系統性測試不同組合，即使某些參數範圍表現較差，仍會保留相關試驗（如在185.6°C、200°C等較高溫度下進行多次試驗），以了解參數的影響趨勢；相較之下，AI最佳化能迅速辨識160~170°C為較佳溫度區間，進而集中資源探索攪拌與烘烤時間，有效地找到更好的解。

圖二、DOE在求解前透過直交表決定好靜態實驗組合；AI最佳化則是動態調整實驗組合

然而，在相同實驗數據下，AI最佳化可能因資料量不足，尚未充分收斂，導致結果不夠穩定或準確，以某企業優化機械零件生產製程為例：該企業已知優化製造機械零件生產過程的三個關鍵因子是生產速率、材料密度和機器磨損。如圖三所示，企業能透過DOE快速找出最佳組合，並系統性地探索出影響最劇烈的因子是生產速率。而在相同時間與資源下，AI經過約十次迭代後，由於數據尚未充分收斂，結果仍在不同範圍中波動，無法提供穩定結論，顯示AI在數據不足時的表現仍不如DOE穩定。

圖三、數據未充分收斂情況下，比較DOE與AI最佳化對結果精度的影響

Moldex3D Studio AI最佳化精靈

在AI最佳化方面，Moldex3D Studio今年新增AI最佳化精靈，使用者可透過選擇並設定控制因子、品質因子，並設定迭代的上限次數，即可建立優化迭代組別。將該組別送出分析後，計算管理員會自動完成整個CAE迭代過程；分析完成後，即可於Studio檢視AI最佳化結果，從中獲得最佳解決方案。

圖四、設定AI最佳化實驗

檢視控制因子和品質因子的迭代曲線，可以了解因子是否顯示收斂趨勢，以及最佳表現範圍是否逐步被確定。接著，可以從迭代表格中找出最佳迭代組合，以及哪些迭代落在最佳前緣上，有助於在多目標優化情境下權衡並選擇可行解。由於AI最佳化並未進行全面探索，因此無法如DOE分析般提供完善統計資訊，但仍可透過平行座標圖來觀察並發掘因子間的潛在關聯。

圖五、迭代表格彙整迭代過程中控制因子、品質因子的數據，並提供最佳前緣資訊

圖六、透過平行座標圖洞察因子間的相關性

靈活選擇最佳化途徑，提升決策效益

在有限的時間和資源下，可以透過對實驗的熟悉程度、所需的最佳化結果來選擇合適的最佳化方法。DOE可解構細節，深入分析影響趨勢；AI則能進一步探索最佳解，逐步聚焦較佳的參數區域。面對複雜的最佳化問題，Moldex3D Studio提供多元且互補的最佳化途徑，讓使用者可以靈活運用既有的DOE精靈與AI最佳化精靈，兼顧效率與精確性，進一步提升實驗價值與決策可靠性。