注塑成型AI工艺参数自寻优实验阶段性进展

注塑成型的质量与保压压力、模具温度、冷却时间等十余个工艺参数高度耦合，传统试模依赖工程师经验，收敛慢且难以复现。实验室近期与某汽车零部件企业合作，开展基于贝叶斯优化的注塑工艺参数自寻优实验，探索“数据驱动试模”的行业落地路径。实验以 8 个可调参数为决策变量，以缩痕深度与飞边发生率为复合目标，采用高斯过程代理模型替代部分实物试模。阶段性结果如下：1. 参数寻优所需试模次数由经验法的 40 次以上降至 12 次，单套模具调机周期缩短约 60%；2. 连续两周生产验证中，缩痕不良率由 3.2% 降至 0.8%，参数窗口对原料批次波动表现出一定鲁棒性。当前方法在换模冷启动场景下仍较敏感，团队下一步计划引入模腔压力在线信号作为先验知识，并构建跨模具迁移寻优框架，验证其在多品种小批量场景下的适应性。初步结论支持将该方案作为注塑行业 AI 工艺优化的通用方法论继续推进。