在《塑料注塑AI工艺优化系统定制：缺陷预测与参数自适应》方向上，本阶段工作聚焦一个具体问题：当模具、材料批次或环境温湿度发生漂移时，离线训练好的工艺参数推荐模型会失效。我们尝试把「缺陷预测」与「参数自适应」拆成两个可独立验证的环节。
缺陷预测侧，采用试模与量产阶段同步采集的机台数据（注射压力、保压时间、模温、螺杆位置曲线）与制品外观/称重结果配对，构建短周期特征窗口，对短射、飞边、缩痕三类高频缺陷做概率输出。当前在单一材料体系、三类制品上，验证集对短射与缩痕的提前预警准确率约在八成区间，飞边因与锁模力强相关、样本偏少，仍是短板。
参数自适应侧，不直接输出一整套工艺，而是限定在保压压力、保压时间、模温三个可在线微调的维度，以缺陷概率为反馈信号，按保守步长迭代。要点如下：
- 进展：已打通「采集—预测—微调建议—人工确认」的闭环链路，建议以弹窗形式推送给调机人员，不直接写入机台，避免误调导致批量报废。
- 下一步：引入材料批次与模次衰减特征，验证跨批次迁移效果；同时补充飞边样本，并把微调权限分级，逐步开放到低风险参数。
整体仍处于实验性探索阶段，距离无人化闭环调机尚有距离，但「先预测、再小步微调、全程留痕」的路径在产线上是可落地的。
评论