智能注塑生产状态感知与风险评估系统

一条注塑产线几十台机器同时开工，换模换料一天几轮，靠固定阈值报警不是漏报就是误报。团队为每台设备的每种工况自动建立基线，用只需正常样本的检测模型给每一模打分，报警时按特征重要性指出最可疑的工艺环节，让工程师直奔问题参数。该系统已在头部智能制造科技企业产品化落地，方法在真实注塑数据上完成验证。

注塑成型风险评估工况自适应根因诊断

项目概述

注塑车间最头疼的不是机器坏了，而是看着正常、产品却开始缩水短射——等抽检发现，一批料已经废了。本项目接入模内压力、温度、冷却水温与流量等过程信号，按成型周期的物理阶段分段分析，为每种工况自动维护基线，异常出现时实时打分、定位到具体阶段与参数，把质量把关从事后抽检挪到成型过程中。

按成型周期物理阶段拆解信号并提取关键特征

多工况自动识别与基线自动构建、自动更新

仅用正常样本的在线异常检测与分级预警

异常根因定位与关键尺寸虚拟量测

以成型周期的物理分段为起点，用贝叶斯特征优化从冗余信号中筛出关键指标；工况识别模块判断当前配方并匹配或新建基线；检测端只用正常样本训练分布外检测模型，配合保形校准定阈值，输出异常得分与三档预警，再由特征重要性排序给出排查方向。

1
按成型阶段拆信号
一个注塑周期分多个物理阶段，每段机理不同、异常表现也不同。系统把模内压力曲线按阶段切开，分段提取统计特征。筛选后的关键特征集中在保压与充料延迟阶段——缩痕、短射最容易在这里暴露。
2
每种工况自动建基线
换模、换料、换配方后信号形态整个变样，固定阈值必然失效。系统自动判断当前工况：新工况就建一条标准基线存入基线库，老工况就匹配已有基线，并随设备状态缓慢漂移自动更新。工程师不用为每个新产品重调报警参数。
3
没有故障样本也能报警
产线上异常本来就少，攒够带标签的故障样本往往要等半年。检测模型只用正常样本训练，用孤立森林（Isolation Forest）等方法把偏离程度算成异常得分，再分成正常、预警、报警三档。
4
报警后指明排查方向
只给一个"异常"结论不够用，工程师还得猜原因。系统报警时同步输出关键异常因子排序，指明是保压段压力偏低还是冷却水温漂移，把排查范围从几十个参数收到两三个。