浙江捷诺电器股份有限公司

通过实时采集传感器数据并融合强化学习（PPO算法），实现工艺参数的自适应优化。其核心应用包括：在环境波动（如温湿度变化）下动态补偿注塑温度与保压时间，消除材料吸湿导致的表面缺陷；基于多材质物性（PC/ABS/再生塑料）智能匹配最佳工艺窗口，支持绿色制造需求；通过时序数据分析预测模具磨损或设备故障，触发预警机制以减少非计划停机；结合数字孪生技术，为定制化产品（如异形结构件）提供虚拟工艺验证，压缩试模周期压缩；同时，通过能耗优化算法联动电网分时电价策略，降低单批次电费。该模型进一步赋能快速迭代研发，输入PLM设计参数即可自动生成适配工艺包，缩短新品上市周期。1.数据采集与清洗 通过传感器实时采集环境温度、环境湿度、注塑温度、注塑压力、材料流速、保压时间、模具编号、生产批次号、设备ID。 清洗规则：剔除注塑温度超量程值，填补材料流速缺失值，标准化数据格式。 2.强化学习模型构建 状态空间输入： 静态参数：模具结构参数、材料类型； 动态参数：注塑温度、注塑压力、环境温湿度、设备健康度评分。 动作空间输出：调整注塑温度、注塑压力、保压时间。 奖励函数：基于实时良品率、能耗优化比例、参数波动惩罚值计算： R=0.6⋅Δ良品率+0.3⋅(−Δ能耗)−0.1⋅参数波动 3.模型训练与优化 训练数据：历史高实时良品率批次数据，验证充填率后用于预训练。 在线更新：每批次生产后，根据实时良品率更新策略网络，记录模型调优建议。 迁移适配：复用模型参数适配新材料类型（如再生塑料）。 4.系统验证与异常管控 数字孪生验证：输入模具结构参数与模型调优建议，计算充填率，达标后投产。 偏差监控：对比实际-仿真偏差率，若＞2%则回退参数。 异常拦截：检测压力曲线异常标记（标准差＞3MPa），冻结调整。 5.部署与迭代 边缘部署：运行模型于工厂边缘服务器，记录模型版本号。 动态迭代：通过A/B测试结果标记选择高良品率版本（如版本B+1.2%）。