.png)
在连续成型产品的注射成型领域，缺陷产品的出现是不可避免的挑战。这导致大量劳动力被用于手工检查每个项目，这个过程既耗时又效率低下。
如果能够预测银纹、下沉痕、异物掺杂等缺陷的形成，就能通过与机器人合作，在单次射出中自动捡取预测会出现的缺陷产品，从而显著减少检查工作量。
MAZIN公司致力于开发旨在解决按流程分解的生产挑战的人工智能解决方案。在注射成型过程中，我们专注于解决技能传承和生产效率提升等问题。我们的目标是开发可以用于缺陷预测和成型条件调整自动化等应用的算法，通过进行各种实验和分析。
本介绍突出了我们在相关开发的实验和分析方面的部分努力。
我们在这项倡议中介绍的目标是利用附在模具上的压力传感器来捕捉成型过程中的模内压力。通过分析这些压力数据的时间序列波形，我们旨在识别银纹、下沉痕、短射、过填/飞边和异物掺杂等特定缺陷的发生。这种方法寻求通过波形分析来确定这些指定缺陷的可检测性。
利用聚碳酸酯（通常称为PC），这种材料以其抗冲击性、耐用性、耐热性和可塑性而闻名，被用于从日常用品到工业部件。在这些实验中，我们生成并分析了与模内树脂流动状态相关的六个原创特征量，旨在确定各种成型缺陷。
成型产品：消费者塑料部件
材料：聚碳酸酯（通常称为PC）
测量变量：压力（4点）
我们基于压力波形生成了与模内树脂流动状态相关的原创特征量，并进行了分析。
该倡议的结果使我们能够使用压力传感器确定以下成型缺陷的可识别性：
缺陷类型 / 树脂压力传感器
银纹：△（较可识别）
下沉痕：◯（可识别）
短射：◯（可识别）
过填/飞边：◯（可识别）
异物掺杂：✕（不可识别）
此外，对于被分类为表面缺陷的银纹，通过这项倡议开发的特征量显示出能够区分良品和有缺陷产品的有希望的迹象。
常规智慧认为，从压力波形预测表面缺陷具有挑战性。然而，使用我们独特方法生成的特征量似乎有可能预测这些缺陷。我们将继续开发我们的算法，以实现更高的准确性和适应更广泛的缺陷类型。
