智能制造：多尺度挑战及其控制

工程3（2017）608研究智能制造-综述智能制造的控制：多尺度挑战李汉雄*，司海涛*香港城市大学系统工程与工程管理系，中国香港ARt i clEINf oA b s tRAC t文章历史记录：2017年3月2日收到2017年6月2日修订2017年6月15日接受在线提供2017年关键词：系统建模过程控制人工智能制造喷射分配“中国制造2025”计划将要求从客户到生产的所有部门实现全自动化。这将给所有行业的制造系统带来巨大挑战。在未来的制造业中，所有的设备和系统都应该具有传感和基本的智能能力，以进行控制和适应。本文在讨论现代制造系统多尺度动力学的基础上，提出了一种用于不确定性处理的五层功能结构。多尺度动力学包括：多时间尺度、时空尺度和多层次动力学。控制行动将在不同的尺度上有所不同，在快速和慢速时间尺度上都需要更多的设计。在低级别行动中需要采取更多的量化行动，而在高级别监督方面需要采取更多的定性行动。智能制造系统应具有柔性、适应性和智能性。这些能力将需要控制动作被分布并与不同的方法集成，包括智能传感，优化设计和智能学习。最后，以一个典型的喷射点胶系统为例进行了多尺度建模与控制。© 2017 The Bottoms.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版这是CC BY-NC-ND下的开放获取文章许可证（http：//creati v ecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍在德国，工业4.0是下一次工业革命的术语[1]。在美国，通用电气正在以工业互联网的名义推广一个类似的想法在中国，中央政府已经制定了面向未来工业的《中国制造2025》计划。所有这些雄心勃勃的计划都预示着第四次工业革命的开始，这场革命将把现实世界与虚拟世界融合在一起，以提高效率。人类历史上发生过三次工业革命。第一次工业革命采用机械生产设施;它开始于18世纪下半叶，并持续了整个19世纪。电气化的大规模生产导致了第二次工业革命，这场革命始于19世纪末。20世纪70年代发生的与以往所有革命只释放人类体力进行线性变化不同，第四次工业革命将解放人类的思维力量，也就是产生了我们无法想象的非线性变化工业4.0的核心是智能制造，它可以被认为是制造环境中的信息物理系统（CPS），以实现材料和信息的完全自动化。CPS是一个互联网环境，所有用户、硬件和软件都集成在其中，不受时间和地点的限制，以便通过良好的协调和增强的能力来适应不同的工作条件[2]。CPS的示例包括智能电网、自动车辆系统、医疗监测和智能制造[3]。嵌入式系统和CPS之间的区别如下：嵌入式系统侧重于开发算法，而CPS侧重于物理元件和计算软件之间的连接和协调[4]。在过去的几十年里，消费品已经成为-越来越先进和智能化，使制造系统越来越复杂。从理论上讲，制造业是一个非线性多尺度复杂系统。对于这样一个复杂的系统，没有单一的解决方案。由于人类的线性思维方式，几乎所有的理论和方法都发展起来* 通讯作者。电子邮件地址：mehxli@cityu.edu.hk;haitaosi2-c@my.cityu.edu.hkhttp://dx.doi.org/10.1016/J.ENG.2017.05.0162095-8099/© 2017 THE COMEORS.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。 这是CC BY-NC-ND许可证下的开放获取文章（http：//creati v ecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect工程杂志主页：www.elsevier.com/locate/engH.- X. Li，H. Si/工程3（2017）608-615609到目前为止，线性占主导地位，使其难以直接应用于非线性系统。系统工程的原理是将一个复杂的系统分解成简单的系统，分别解决它们，然后将所有单独的解决方案整合起来，以满足一个全局目标。在制造工厂中，每个产品都是通过一系列复杂的操作生产出来的，每个操作又可以进一步分解为多个基本动作。显然，在所有这些阶段都会出现不确定性，并影响整体质量。本文简要讨论了制造过程的多尺度复杂性，提出了在制造环境中可能需要的建模和智能，并研究了集成电路（IC）封装行业的喷射点胶控制的案例研究。2. 多尺度复杂性和不确定性处理整个工厂或车间通常有一条以上的生产线，包含许多不同类型的工艺。每个过程可以集成多个机器或多件设备。工厂中的制造操作可以分为三个不同的级别：机器级别、生产级别和工厂级别。整个制造过程可以被认为是一个层次结构：从底层的机器控制，到中层的监督控制和生产调度，再到最高层的业务管理。如表1所示，在不同的水平下表现出不同的性质。不同层次的特性和动态特性不同，因此需要从连续到离散的不同控制动作。不同的过程可能具有不同类型的动态和不同的复杂程度。一些典型的过程可能包括：• 多时间尺度过程。这是制造业中最常见的情况，其中单个部件在短时间内制造，而批量部件则在长时间内生产。因此，生产的一致性是一个首要问题，并涉及到各种方法的集成，如鲁棒系统设计，反馈控制和统计过程控制。• 时空动态过程温度场、管道流体和柔性机械臂都属于这个时空动力学系统。在这里，性能不仅在时间上而且在空间位置上变化，因此非常难以建模和控制。• 多层次混合过程。不同层次的系统的集成导致混合系统，其可以是连续的、离散的、模糊的、概率的等等。这类系统的建模和控制是困难的，因为没有成熟的方法。一般来说，级别越低，要求越多的动态特性，从而需要动态控制。不确定性无处不在，存在于制造业的各个层次。水平越高，不确定性越大，因此需要更多的智能来进行分析。控制系统在控制工程方面，可以定义以下几种类型的控制：• 逻辑控制。这涉及具有两个离散状态的离散动作：开/关。不涉及动力学。• 循环控制。这需要动态控制，因为它需要处理物理动力学。它涉及机器层面的持续由于机器动力学可以定量表示，因此可以优化控制动作。• 监督控制。 这涉及嵌套控制动作，其具有混合离散/连续性质。所有上述低级控制类型都广泛用于过程控制。高级控制涉及更多的决策类型的行动，这需要更多基于智能的方法，例如：• 生产层面的作业排程;及• 全厂运行的业务管理。关于智能制造，图1所示的五层金字塔结构可以有效地处理不确定性并提高整体质量[5]。第一步是适当地放置足够的传感器，以便从物理过程中收集数据。如果一切都可以测量和连接，物理不确定性可以最小化。一旦获得数据，应将其转换为有用的信息，供更高级别的分析和处理。许多成熟的建模和学习方法可以用来帮助减少信息的不确定性。由于集成涉及许多不同类型的设备和功能设备的集成，因此需要混合建模和学习来实现系统级协调。决策级协调涉及人机交互，需要人类语言和机器计算算法之间的处理能力。为了实现完全自动化，知识级决策应该能够处理意外事件，这将继续是一个长期挑战。总之，不同类型的过程需要不同的控制行动• 在快时间尺度上需要更多的设计，而在慢时间尺度上需要更多的控制。用于包装的喷射点胶系统是一个很好的例子，将在第4节中详细讨论。• 在低级操作中需要更多的定量行动，因为机器动力学可以用数学表达;相反，在高级监督中需要更多的定性行动，因为该系统无法定量描述这一领域的系统化工作应采用自下而上的方法逐步建立：从动态建模、系统设计、过程控制和智能监控，一直到全厂管理控制，等等。这是一个大规模的挑战。3. 制造业中的建模与智能智能制造过程表1制造业的多尺度特性。财产机级别全厂水平特性产品导向（Product Oriented）全球（面向业务）动力学快速慢复杂性小尺度（线性显性）大规模（非线性多变量）不确定小大控制动力驱动（连续、本能）知识驱动（离散、逻辑）评价准确度/精密度利润情报低（适应）高（决定）H.- X. Li，H. Si / Engineering 3（2017）608Fig. 1. 用于不确定性处理的功能层。使流程建模变得困难。过程建模是工程控制的重要一步。控制领域的系统建模和计算机科学中的机器学习实际上执行类似的工作，尽管使用不同的技术和不同的环境：• 系统建模更多地依赖于过程的物理特性，因为它通常在不影响过程动态主导性的低不确定性环境中运行。在这种情况下，将存在确定性解决方案。在这种相对确定的环境下，物理动力学起主要作用，而外部干扰和非线性的影响较小。由于经典的定量方法可以用于优化，建模性能是相当确定的，可以用于在线预测。由于可以对过程动态进行定量建模，因此可以进行定量控制或设计。• 机器学习主要在高度不确定的环境中工作;工厂范围内的管理就是这种环境的一个例子。多级混合解决方案也会积累不确定性。由于模型结构很难获得，因此它更强烈地依赖于过程数据。在这种情况下，将存在统计解，而不是确定性解。非传统方法（如计算智能）可用于探索更好的解决方案;因此，通常使用统计或经验数据优化这种情况下的性能。由于不能定量地估计过程动态，因此进行定性决策而不是进行定量控制。3.1. 系统建模制造业中的许多过程，例如热处理，不同的功能目的。系统建模可分为以下几类：• 过程模拟建模 这是一种基于物理的建模，其中的每个方面都被认为是反映真实情况。由于大多数这样的过程是DPS，如果DPS的第一原理知识是准确已知的，则可以精确地导出模型，然后使用诸如有限差分法（FDM）[6]和有限元法（FEM）[7]的计算方法来求解。这种基于物理的建模需要大量的计算，适合离线过程分析。• 控制设计建模大多数控制理论是线性主导的，因此控制设计需要线性模型结构。• 在线预测建模。需要一个分析模型，参数由实验数据校准。主导动力学被认为是在普通差分方程（ODE）。• 流程设计建模。因为这是基于功能的建模，所以只有重要的动力学才被考虑用于优化设计。• 决策建模。由于决策是基于重要的特征，并且具有离散的性质，这就是基于特征的建模.当建模时，必须选择适当的模型结构，以及在适当的训练信号下的参数的最佳校准（即，持续激励信号）等等。3.1.2.时空动态过程DPS的建模在过程工业中得到了广泛的研究[8]。提供以下PDE作为容易理解的说明性示例：过程、流体/流动过程和柔性机械臂过程属于时空动态系统，也称为分布参数系统（DPS）。DPS的动态是y（x，t）年2月日f（y）（x）u（t）（一）用偏微分方程（PDE）描述，并表现出很强的时空耦合性质。例如，在IC封装工业中使用的固化炉或回流炉需要均匀的温度场，因为在固化物体的每个空间位置处期望相等的加热效果。3.1.1.建模分类系统建模在制造控制中是非常重要的，因为它可以帮助在任何控制行为或决策之前确定物理过程。需要不同的建模，其中x是空间变量;y是过程输出;t是时间;α，β和w是系数;f（y）是表示其他未建模动态的非线性函数;b（x）是空间分布函数;u是过程的控制信号。边界条件为y（0，t）= 0和y（π，t）= 0，初始条件为y（x，0）=y0（x）.由于求解偏微分方程需要大量的计算能力，因此使用集总技术来近似地将偏微分方程简化为有限维常微分方程，使用时空分离方法[9]，如图2所示。这种基于ODE的模型计算效率高H.- X. Li，H. Si/工程3（2017）608-615611并且可以应用于在线性能预测;例如，仅使用几个传感器来估计空间上的温度分布将是一个挑战。对这种时空模型进行了许多研究，包括谱方法和近似惯性流形的研究[10]。如果由于过程的不确定性，DPS的偏微分方程是未知的，则必须使用基于数据的模型识别。当标称偏微分方程未知时，神经网络可以与谱方法[11]一起使用，以对未知的非线性进行建模。神经网络也可以与Karhunen-Loève（KL）方法[12]一起使用，以便在多个传感器的帮助下对完全未知的非线性DPS进行建模。已经开发了许多不同的变体，并在文献综述论文[10]中进行了系统讨论。3.1.3. 基于模型的集成设计与控制提出了一种分三个阶段进行制造控制的集成设计与控制方法。3.第三章。• 第一阶段：这是一个实时实验;需要一个多传感实验平台来收集实时数据进行分析。• 阶段II：这涉及用于离线分析的物理模拟;通常为物理模拟开发PDE形式的物理模型。收集的实验数据用于模型校正。这种基于物理的模拟提供了有关真实过程的详细信息。许多商业软件包，如Fluent和Comsol，可以提供基本功能。然而，参数选择和校准是非常困难的，并且不存在成熟的解决方案经过模拟，图二、 时空分离方法的框架。BF：基函数。系统设计可在此阶段进行和测试• 第三阶段：这涉及在线预测和控制设计;控制设计或在线性能预测需要简化为ODE的分析模型。预期在此阶段将实现最佳性能。3.2. 不确定性处理的智能不确定性无处不在，极大地影响了制造质量。有两种类型的不确定性：确定性的不确定性和随机变化。• 确定性的不确定性通常来自于粗糙的测量或由于恶劣的工业环境而对过程的不精确感知。它具有模糊性，可以使用模糊系统进行• 随机变化通常来自缺失的动态（即，关键尺寸和因素）和不充分的抽样数据。需要统计学或基于概率的方法来处理这种随机变化。如果不确定性可以用传统的定量方法来建模，则将其归类为确定性不确定性。如果不确定性不能被确定性地建模，那么它可以被概率地描述。3.2.1. 计算智能人工智能（AI）是机器在模仿人类与其他人相关联的“认知”功能方面所展示的智能。呃人的思维，比如说学习，解决问题。智能系统可以根据其智能水平进行分类，如下所示：• 基于技能的系统。这些系统从动作模仿中学习，这个过程有点像骑自行车;智能水平类似于经典建模，系统只适用于训练过的行为。• 基于规则的系统。这些系统涉及根据定义的规则在有点像驾驶汽车的过程中进行决策;尽管它们与专家系统类似地执行，但它们不能响应于未知的症状做出正确的决策。• 知识系统。 这些系统对突发事件作出判断。这些系统将继续具有挑战性，因为它们需要尽可能高的智能水平来预测以前从未发生过的即将发生的事件目前所有的人工智能解决方案都来自一套计算方法和技术，而不是单一的方法或技术。计算优化有四种基本方法，图三. 综合设计与控制方法。H.- X. Li，H. Si / Engineering 3（2017）608如下所示(1) 传统的建模优化。这种面向数学的优化可以准确地确定一个明确定义的数学问题的最佳点。它具有最低的智能水平，因为如果不存在数学表达式，它可能无法在更大的不确定性下工作。(2) 基于统计的机器学习这种统计学习广泛应用于无法用数学方法很好地定义问题的环境中。它通过基于数据的学习来寻找接近最优的解决方案。(3) 基于经验的强化学习。这种方法通过奖励/惩罚行为模仿人类决策它是一种离线解决方案，在广泛的计算试验的帮助下运行。(4) 自然启发的进化计算。这种方法的一个典型例子是遗传算法。这是一种可以在全球范围内工作的随机搜索这是一个离线解决方案与heav-iest计算负荷。不同的方法适用于具有不同不确定性和不同智能水平的系统，如图4所示。大-一个方法能处理的不确定性越大，它就越具有全局性和最优解。最佳的最优解仍然来自于传统的优化方法在最低程度的不确定性。这就是宇宙的本质。在实践中，较高级别的方法可以定位最优解的可能区域;接下来，较低级别的方法在最优解内找到最具体的解。图四、智能方法的金字塔。识别区。多尺度非线性过程的最优解必须来自不同层次上多种方法的适当集成。3.2.2. 概率-模糊决策高级控制涉及人类决策。人类知识具有定性的性质，非常适合于模糊系统建模。模糊系统的未来预测将涉及来自缺失动态的随机变化，并且应该适合于概率方法来处理。因此，两种类型的不确定性--确定性的不确定性和随机变化--在现实世界的应用中总是存在的，如图2所示。 五、传统的模糊逻辑系统善于进行知识提取，但不能同时处理随机变化。 开发了一种概率模糊逻辑系统，将模糊推理与概率处理合并，用于复杂随机过程的建模[13]，并与数据分类进行决策[14]。然而，迄今为止发展起来的概率模糊逻辑系统还有许多缺点需要克服。其中一个主要的遗留问题是由于系统配置的复杂性而难以进行参数校准。在不确定性较大的情况下，这方面的决策还需要做大量的工作4. 多时间尺度过程的集成建模与控制多时间尺度过程是制造业中遇到的一个典型问题。如第2节所述，单一产品是在短时间内生产的，但批量产品是在长时间内生产的。生产一致性是制造质量的主要关注点。一个典型的例子是IC封装行业中常用的喷射点胶系统，喷射质量已经成为这个快速发展的行业的瓶颈。图6中示出了一种喷射分配系统的示意图;这可以被简化成由针、腔室和粘合剂供应源组成的系统。当系统开始工作时这是一个多尺度（快/慢）复杂过程，如图所示。7.第一次会议。一个液滴可以在几毫秒（ms）内喷射出腔室，几千个液滴可以在十几分钟内喷射图五. 概率模糊建模见图6。一种用于电子封装的喷射点胶系统。s0sH.- X. Li，H. Si/工程3（2017）608-615613图7.第一次会议。喷射过程的双尺度特性。高速分配需要高度一致的液滴。由于粘合剂的粘度具有非线性和随时间变化的性质，长时间操作会使射流性能恶化。在一致分配方面遇到以下困难• 对于快速规模的单液滴分配，不能在如此短的瞬间捕获扰动，因此不能设计控制来操纵流速。• 对于慢尺度长期操作，难以执行调节以抑制干扰，因为不存在设备的内部操作的在线测量。设计和控制应有效地结合起来，以实现一致的分配。对于快速缩放性能，仅设计可应用于优化喷射点胶系统;相反，对于慢速缩放性能，一旦实施在线感测，则可应用一致的控制。4.1. 快速扩展性能在粘合剂和喷射点胶系统之间存在强烈的相互作用。该系统的设计包括物料输送和喷射阀的设计.这涉及实时实验和物理模拟。不可压缩的聚合物粘合剂运动可以用连续性方程（Eq. (2))和修正的Navier-Stokes方程（Eq. (3))[15]第10段。·u ·uu  p  ·τ τ g（二）（三）ts p图8.第八条。喷射过程的模拟（单位：mm）。其中u是流体速度;τs是溶剂应力张量;τp是聚合物应力张量;ρ是流体密度;p是压力;g是重力加速度。广义幂律（Eq。（4））用于模拟溶剂应力[16]，Oldrophil-B本构方程（Eq.(5))用于模拟聚合物应力。τp的导数;T是粘合剂温度。粘合剂粘度η可以使用流变仪通过实验得出。利用实验数据对仿真模型进行了标定。如图8所示，喷射过程的模拟可以提供更多的信息，这些信息可能难以从显微镜观察你好 nτT，， D（四）(5)实时实验：• 液滴形成和破碎的隐藏机制是所公开的，以及不同变量之间的耦合关系pτ p p.”[17]这是一个发现。其中τ0是屈服应力;ηs是溶剂粘度;η p是剪切速率;n是幂律常数;ηp是聚合物粘度， 这 具有 一 非线性 时变 性质; λ 是延迟时间;D=1;τ 这是最后一次检查时间• 通过数值模拟得到的数据有助于建立关键参数与喷射性能之间的接下来，应该遵循这些设计准则来实现性能2p改进：H.- X. Li，H. Si / Engineering 3（2017）608• 参考文献[18]中提供的分配前正确处理粘合剂材料的规则可确保粘合剂材料处于分配的最佳状态。• 参考文献[19]中提供的喷射阀关键部件的优化设计最大化了单个液滴的分配能力。4.2. 一致的控制以实现慢规模性能在慢标度长时间运行中，应识别性能漂移，以便通过以下措施实现系统控制：• 建立综合传感，用于实时估计每个循环的喷射性能（即，（一）快速发展;• 确定跨尺度多变量补偿成批的一致喷射（即，慢的尺度）。4.2.1. 用于实时估计的测量装置[20]被添加到喷射分配系统的现有阀上，以便感测针位移x。利用该测量装置，在每个循环中被推出喷嘴的体积V（即，快速标度）可以通过在循环周期上积分流速来估计由于粘合剂是非牛顿流体，因此流速未知。需要借助摄像机和高精度天平，用实验数据进行标定4.2.2. 跨尺度多变量补偿实验和数值模拟均表明，射流性能与压力P和粘性η之间存在耦合关系。为了实现解耦控制，应建立逆模型T（η，t）和P（V，t在这里，我们提出了一种新的跨尺度多变量控制策略的喷射过程，其中压力P和温度T是分开处理的两个控制回路，如图所示。九：(1) 用于粘度补偿的辅助回路中的温度控制。为了使P和T之间的耦合效应最小化，应保持稳定的粘度η。粘滞-在操作过程中粘度变化缓慢，并且通过调节粘合剂温度来补偿。(2) 主回路中的跨标度补偿控制[21]。主回路有两个功能回路：用于耦合抑制的干扰补偿和用于设定点跟踪的反馈控制。干扰补偿有三个主要组成部分：• 快速规模估计。通过针运动的在线感测在每个周期估计喷射体积Vf这种快速缩放数据（即，V（f）必须被转换成慢尺度信息V（s），其中所有的随机变化通过快-慢转换被最小化。• 批量测量。定期称量批次中的实际喷射体积并进行统计处理。使用统计方法，可以获得体积分布信息并进行适当的处理。• 慢规模补偿。逆模型P（V，t）用于将过程偏差ΔV转换为适当的调整ΔP，以消除任何预测误差。一个简单的反馈控制器可以是足够的，以保持良好的设定点，Vr，跟踪，如果干扰可以很好地补偿。如果过程是强时变的，则需要校准来调整快标度估计和慢标度补偿两者。5. 结论制造过程中有许多不同类型的设备和系统，这些设备和系统集成在一起，表现出具有层次结构的多尺度动态特性。制造控制是一项多尺度任务：从最底层的过程智能传感，到离线的系统优化设计，到在线的多变量过程控制，再到最高层的决策智能学习。需要几乎所有工程领域的多维知识，如物理和材料工程，控制工程，机械和电气工程以及计算机工程。应建立图9.第九条。跨尺度多变量补偿。ηr：粘度设定值（要求值）;Tr：温度设定值（要求值）;Vr：压力设定值（要求值）;V：平均值Pc：控制器输出压力;Tm：测量温度;uT：温度控制器输出信号H.- X. Li，H. Si/工程3（2017）608-615615从动态建模到系统设计、过程控制、智能监控，再到全厂管理控制，采用自下而上的方法逐步实现。这一发展将是一个长期的挑战。确认作者要感谢先生。单秀阳女士方谭先生及本集团的主要管理人员。李伟松先生在喷射点胶项目上的工作本文的工作得到了中国香港研究资助委员会的GRF项目（CityU：11207714）、中国香港城市大学的SRG基金（7004909）和国家基础研究计划（2011CB013104）的部分支持。遵守道德操守准则李汉雄和司海涛声明，他们没有利益冲突或财务冲突需要披露。引用[1] Hermann M，Pentek T，Otto B.工业4.0场景的设计原则：文献综述。第01/2015号工作文件。多特蒙德：多特蒙德工业大学; 2015年。[2] Khaitan SK，McCalley JD.信息物理系统的设计技术和应用：一项调查。IEEE SystJ 2015;9（2）：350[3] Lee EA.网络物理系统：设计挑战。技术报告。伯克利：加州大学伯克利分校; 2008年1月报告编号：UCB/EECS-2008-8。[4] 阿利什角嵌入式系统的智能：一种方法论方法。Cham：Springer; 2014.[5] Lee J，Bagheri B，Kao HA.基于工业4.0的制造系统的网络物理系统架构。ManufLett 2015;3：18[6] Guo L，Billings SA.格点动力系统的状态空间重构与时空预测。IEEE跨自动控制2007;52（4）：622[7] Coca D，Billings SA.无限维动力系统有限维模型的辨识。Automatica 2002;38（11）：1851[8] 李华新，齐成.非线性分布参数系统的时空建模：基于时间/空间分离的方法。Dordrecht：Springer; 2011.[9] 李华新，齐成.应用的分布参数系统建模--时空分离综合评述。J Process Contr2010;20（8）：891- 901.[10] 赫里斯托菲迪斯警局PDE系统的非线性和鲁棒控制：方法和应用于运输反应过程。Boston：Birkhäuser; 2001.[11] 邓华，李宏新，陈光.基于谱逼近的分布式热工过程智能建模IEEE传输控制系统T 2005;13（5）：686[12] 齐丙，李宏新.基于非线性降维的分布参数过程神经网络建模.化学与工程科学2009;64（19）：4164[13] 刘志，李宏祥.一种用于建模与控制的概率模糊逻辑系统。IEEE跨模糊系统2005;13（6）：848[14] 李宏新，王燕，张刚.随机数据的概率模糊分类IEEE Trans Fuzzy Syst 2017.在出版社。[15] Favero JL，Secchi AR，Cardozo NSM，Jasak H.粘弹性流动分析采用OpenFOAM软件和微分本构方程。J Non-Newton Fluid 2010;165（23-24）：1625-36.[16] 塔克县聚合物加工计算机模拟基础。New York：Hanser Publishers.[17] 陈艳，王芳，李宏新.发光二极体封装矽胶喷射点胶破裂行为之实验与模拟研究。IEEE Trans Comp Pack Man 2015;5（7）：1019-26.[18] 陈艳，李宏新，单晓，高军，陈晓，王芳.微电子封装中高粘弹性环氧树脂的超声辅助平滑分配Ultrason Sonochem 2016;28：15[19] 李宏新，陈毅，王福良，发明人;中南大学，受让人。一种新的喷射阀机构和点胶方法。中国专利CN201310388378.9。 2015年11月18日中文.[20] 李宏新，李文胜，沈平，张宏宁，发明人;中南大学，受让人。一种用于喷射系统的针阀运动传感机构及其位移检测方法。中国专利CN201510431974.X. 2017年4月19日。中文.[21] 李华新，沈平，发明人;中南大学，受让人。一种喷射点胶工艺的一致性控制方法及系统。中国专利CN201410150653.8. 2016 Aug 31. 中文.