AI注塑调参定制：模温曲线与缺陷关联

注塑车间的调参长期依赖老师傅经验：同一套模具换台机、换批料，保压曲线与锁模力就得重试。行业AI实验室近期在一家家电结构件工厂做了小范围实验，目标不是替代工艺工程师，而是压缩“试模—看缺陷—改参数”的循环。

实验分三步。一是数据对齐：从注塑机采集注射速度、保压压力、模温、熔胶时间等秒级曲线，按模次切分，与视觉检测的缩水、飞边、短射标签逐模对齐，剔除停机与试模段。二是关联建模：不做全流程黑箱预测，只用梯度提升树判断“当前参数组合落在历史缺陷区间的哪一侧”，并给出建议调整方向与幅度区间，工程师可采纳可忽略。三是受限小闭环：建议值限定在工艺窗口内梯级下发，单次调整不超过设定幅值，保留人工确认。

阶段性结果：三条机台运行八周，缩水缺陷的首次试模合格率从约六成升至八成上下，平均试模次数减少一到两次，模温波动较大的夜班收益最明显。一个明确的失败案例是换料批后模型外推能力显著下降，说明原料特性必须单独入模。