本文属于类型a，是一份关于注塑成型（Plastic Injection Molding, PIM）在线人工智能质量控制系统的原创研究报告。以下是对该研究的学术报告。

研究概述

本研究由蒙塔诺塔莱奥本大学（Montanuniversitaet Leoben）聚合物工程与科学系的Saeid Saeidi Aminabadi和Walter Friesenbichler主导，联合莱奥本聚合物能力中心（Polymer Competence Center Leoben GmbH）、维也纳工业大学（Vienna University of Technology）及约翰内斯开普勒林茨大学（Johannes Kepler University Linz）的多位研究人员共同完成。这项开创性的研究成果于2022年8月29日发表在开放获取期刊《Polymers》上。

学术背景与研究目标

塑料工业是全球第三大制造业，而注塑成型工艺（Injection Molding, IM）贡献了其中约80%的塑料产品生产，因此，提升其生产效率至关重要。在全球范围内，无论是欧洲的“工业4.0”（Industry 4.0）、美国的“工业互联网联盟”还是中国的“中国制造2025”，都在推动生产的数字化。在这一浪潮下，将“注塑模具作为一个信息物理系统”（injection mold as a cyber-physical system）的概念应运而生，其核心要求是实现注塑件质量的在线实时测量、基于机器学习（machine learning）的质量预测以及对注塑过程的智能自适应控制。传统的质量控制方法，如田口方法（Taguchi method）和响应面法（Response Surface Method, RSM），多为非迭代的离线方法，难以应对注塑过程的多变量、非线性及动态扰动。虽然已有研究尝试应用人工智能（Artificial Intelligence, AI）进行质量预测和过程优化，但开发一套能够实现完全自动化、实时在线的闭环质量控制系统仍是一个巨大挑战。

正是基于这一背景，本研究旨在开发一个完全符合工业4.0标准的全自动闭环注塑成型装置。其核心目标是利用人工智能模型，并结合模型预测控制（Model Predictive Control, MPC）算法，制造一个能够持续监测模腔、机器和环境状态，早期识别扰动，并自适应地调整机器参数以最小化废品和缺陷件的“智能”系统。

研究流程与实验方法

为了实现上述目标，研究团队构建了一个高度集成的自动化实验系统，并执行了一套严谨的实验、建模与控制测试流程。

实验装置与自动化 整个装置围绕一台Wittmann Battenfeld EcoPower 110注塑机搭建。研究的对象是具有高反射性、部分圆柱形的ABS（丙烯腈丁二烯苯乙烯）材质样件。该样件具有钢琴黑表面，因高光泽和低粗糙度成为表面质量检测的硬性挑战。 工业4.0的合规性通过建立基于OPC UA（OPC统一架构）通讯协议的自动化网络来实现。整个通讯平台包含三层架构： 1. 一台Beckhoff工业PC（IPC，工业个人电脑）作为自动化中心，管理圆柱形测量系统的运动控制、与机器人及各个外围设备的通讯。 2. 数据采集（DAQ，数据采集）中心上的OPC UA客户端，负责以60 Hz的频率采集注塑机、干燥机等设备的内部传感器数据（即数字传感器数据）。 3. 控制端的OPC UA客户端，负责在生产周期内监测数据，运行控制算法，并将新的机器参数写回注塑机。 一台KUKA机器人负责在开模后取件，并按顺序将样件依次送至不同自动测量站。整个测量过程耗时需小于一个生产周期。

质量特征的测量与量化 该系统对三个关键质量特征进行了在线测量： 1. 重量：使用赛多利斯精密天平进行测量。 2. 尺寸特性：研究团队专门开发了一套新颖的圆柱形三维在线测量系统，对样件上的三条直线和三条弧线的长度进行测量，精度高达±0.005mm。 3. 表面质量：使用一台单色工业相机从45度角拍摄样件表面。通过旋转样件，每个样件采集250至300张图像。为了将表面缺陷量化，研究人员采用了一种离线监督学习（offline model-based supervised learning）方法，将注塑保压压力（holding pressure）的级别作为分类标签，训练了一个基于ResNet-18卷积神经网络（convolutional neural network）的多分类器。最终，通过公式 QS = (CP-min(CP))/(max(CP)-min(CP))，将分类结果转化为0到1之间连续的表面质量值QS，数值越高代表表面质量越好。

人工智能模型的训练 研究的AI建模过程分为两步。首先，通过一个中心复合设计（Central Composite Design, CCI）进行预实验，涉及熔体温度、保压压力、保压时间、模具温度和注射速度五个参数，共进行了56组实验，生产了约2500个样件，并采集了包括温度、湿度在内的19个环境传感器数据。 利用这些数据，研究团队训练了8个不同的机器学习模型。这些模型是AI控制系统的基础，分为两组： 第一组是5个基于人工神经网络（ANN）的回归模型，采用四层隐藏层和ReLU激活函数，输入为机器参数和环境数据，输出分别为表面质量、重量、六条轮廓线长度、163个模拟传感器数据和136个数字传感器数据。 第二组是3个基于随机森林（random forest）的回归模型，输入为模拟传感器数据、环境数据和时间度量，输出为表面质量、重量和轮廓线长度。这些模型可预测多种质量特征和下一周期的传感器信息。

模型预测控制器与控制策略 闭环控制的核心是一个启发式模型预测控制（Heuristic Model Predictive Control, MPC）算法。其工作流程为：在每个生产周期，系统测量并/或预测出当前样件的质量特征。如果质量超出预设阈值，控制器会启动一个快速的网格搜索（grid search）子程序，即在设定的机器参数范围内，枚举所有可能的参数组合，并利用训练好的AI模型预测其产出质量，最终选出一个最优的、能满足期望质量目标的新参数组合。然后，该新参数会通过OPC UA协议自动下发至注塑机。为评估模型的预测信心，算法还引入了置信度缩放机制，即通过比较传感器数据的预测值和真实值来调整控制动作的幅度。

主要研究结果

研究结果验证了该闭环控制系统在不同策略下的有效性。

设计实验（DOE）结果与因子相关性 实验分析显示，模具温度、熔体温度、保压压力和注射速度对样件的重量和尺寸有显著影响。传统回归模型对重量和尺寸的解释度R²分别达到了98.08%和97.73%，但表面质量的R²值则低于70%，这解释了为何需要更复杂的AI模型。主效应图揭示了一个关键的物理现象：较高的模具温度、熔体温度和注射速度能增强剪切热，使浇口保持更长时间的开启，从而让保压压力更有效，将更多熔体注入模腔，导致样件更重、更大。表面质量则受多因素复杂影响，高料温在减少熔接痕和流痕的同时，也可能增强对模具表面微观划痕的复制，导致表面粗糙度增加。

在线闭环控制成果 研究人员通过人为改变机器参数来制造干扰，以考验控制器的性能，并进行了三种控制策略测试： 1. 表面质量控制：目标为QS值≥0.6。在多个不同的熔体和模具温度下，当因人为降低注射速度和保压压力导致质量下降后，控制器最多两个周期内检测到干扰，并在最多三个周期内通过调整注射速度和保压压力，使质量恢复到目标水平。仅在低模具温度的一项测试中出现短暂低估。 2. 线性尺寸控制（策略一）：目标120±0.025mm。控制器通过调整注射速度与保压压力，成功应对了人为的参数增减，使尺寸回到公差范围内。但过程中发现，控制动作之间需要多于三个周期的冷却期以稳定效果。 3. 线性尺寸控制（策略二）：在策略一的基础上，引入了响应慢的模具温度作为新的控制参数，并将控制动作间隔设为十个周期。结果显示，控制器能成功预测并调整注射速度、保压压力和模具温度，有效应对了包括改变模具和熔体温度在内的各种干扰，将尺寸稳定在公差带内。 此外，通过对比重量、尺寸和表面质量的信噪比(SNR)，研究发现重量的波动最小、分辨率最高，是最稳定、最易于控制的质量特征。

研究结论与意义

本研究成功展示了一个符合工业4.0标准的、全自动在线闭环注塑质量控制原型系统。其科学价值在于，它不仅是多种先进技术（OPC UA通讯、机器人自动化、机器视觉、深度学习和随机森林算法、模型预测控制）的深度融合，还提供了一套从数据采集、AI建模到实时控制的完整解决方案。研究证实了AI模型能够捕捉注塑过程复杂的非线性关系，并应用于在线预测与控制。特别是其对高反光自由曲面进行在线检测和量化，以及将启发式算法与AI预测模型结合进行多变量控制的方法，具有显著的创新性。

在应用价值上，该系统能够在一个生产周期内完成“测量-分析-决策-干预”的全流程，迅速纠正过程偏差，展现了实现“零缺陷生产”的巨大潜力。它为注塑行业提供了从传统依赖经验的、被动的过程控制向数据驱动的、智能主动的闭环控制转型的具体技术路径，对提高生产效率、降低废品率具有重要的指导意义。尽管目前仍需在线测量来确保可靠性，但研究指出，未来随着模型精度的提升，有望完全依赖预测模型进行控制。多目标质量控制将是该研究后续拓展的重要方向。