← 返回实验室

AI注塑缺陷预测定制:缩痕识别与参数自适应

注塑成型中,缩痕与翘曲常由保压阶段压力传递不足与模温分布不均共同导致,并随模具磨损、材料批次波动而漂移。本阶段实验的目标不是替代调机师傅,而是把「缺陷—参数」的因果关系做成可在线更新的软测量模型。

方法上,我们在机台侧同步采集模腔压力曲线、螺杆位置、料筒温度与开合模时序,以离线称重与三坐标抽检结果作为弱标签。特征侧重点放在保压段的压力积分、比容变化率与冷却段模温梯度;模型采用轻量梯度提升树配合时间衰减样本权重,输出每模的缩痕风险分与保压切换点的微调建议。为抑制过调,建议值被约束在既有工艺窗口内,并由操作员确认后下发。

阶段性进展:

  • 在某家电外壳件(PP+20%GF)试产线上,用约 1.2 万模数据训练后,缩痕风险分对高缺陷模次的排序命中率约 82%,较原固定阈值规则提升约 25 个百分点;
  • 参数自适应仅在换料与班次切换后触发重新标定,单次标定耗时低于 15 分钟,无需停机改模。

下一步计划:引入模流仿真的比容场作为先验,并验证在玻纤取向差异较大的薄壁件上模型是否仍保持稳定。

评论

更多研究动态

查看全部实验室 →