在《塑料注塑AI工艺优化系统定制：缺陷预测与参数自适应》实验室中，我们近期把研究重点放在一个常被忽视的环节：模腔内的状态无法直接测量，但缺陷恰恰发生在那里。与其继续堆叠试模数据，不如先把可测的机台信号转成可用的模腔状态估计。
本阶段采用的做法是：以注塑机自带信号（螺杆位移、注射压力、保压压力、料筒温度）为输入，用一段简化的物理约束网络估计模腔压力与熔体前沿位置，再以此为特征训练缺陷分类器，输出短射、飞边、缩痕三类风险概率与置信区间。相比纯数据驱动的端到端方案，物理约束让模型在小样本机台上更稳，也让异常时的归因可解释。
阶段性进展：在两种材料（PP、ABS）与三套模具的离线回测中，短射与飞边的召回率均在 0.9 以上，缩痕受冷却条件影响较大，召回率约 0.8，是下一步要攻的方向。参数自适应模块目前只做单变量微调建议，尚未闭环下发，避免在验证不足时扰动产线。
下一步计划：补充模温与冷却时间通道，验证跨机台迁移时的精度衰减幅度；同时把建议粒度从单参数扩展到保压切换点与分段保压曲线的组合调整，并在一条试产线上做影子模式运行，只记录不执行。
评论