A physics-consistent data-driven framework for cross-material pressure and quality prediction

Kun‐Cheng Ke

doi:10.1016/j.jmapro.2026.06.013

A physics-consistent data-driven framework for cross-material pressure and quality prediction

2026-06-01

0

PRE

AI

DOI：10.1016/j.jmapro.2026.06.013

原文链接

原文求助

摘要

En 中文

注塑过程对材料性能高度敏感，更换材料通常需要在工业实践中通过反复试错调整来维持产品质量。本研究提出了一种数据驱动的框架，用于在更换材料时预测过程行为和产品质量，旨在减少对广泛重新优化的需求。选择表现出显著不同流变和热特性的聚苯乙烯（PS）和聚碳酸酯（PC）作为代表性材料，以评估所提出的方法。收集多点型腔压力信号，以捕捉不同阶段成型行为的变化。采用自编码器提取压力曲线的紧凑表示，学习与关键阶段相关压力特征（如压力上升、保压动态和冷却行为）一致的紧凑潜在表示，而非显式编码物理量。随后开发了一个多层感知器，通过将PS的压力特征映射到PC来学习跨材料关系，从而实现对目标材料压力演变及关联产品质量的预测。该框架通过实验数据和仿真辅助分析进行验证。结果表明，该方法能够重建阶段相关压力行为，并在材料变化下提高预测性能。与传统的单材料建模方法相比，所提出的方法为材料替代提供了更灵活和实用的解决方案，减少了试错工作量，并支持注塑应用中的过程适应性。

Keyword:

Injection molding

Cross-material learning

In-mold pressure

Latent feature representation

Part quality prediction

Machine learning

Polymer processing

A physics-consistent data-driven framework for cross-material pressure and quality prediction

摘要

期刊

机构

引用论文