基于连接器嵌件注塑熔接痕位置预测的补偿控制方法与流程

本发明涉及注塑成型过程质量预测与补偿控制，尤其是基于连接器嵌件注塑熔接痕位置预测的补偿控制方法。

背景技术：

1、注塑成型过程中熔接痕的生成与分布直接影响制品的机械强度与外观质量，因此熔接痕位置的准确预测与动态补偿控制对于复杂注塑工艺具有重要的实际意义。现有技术领域内，主流方法主要聚焦于基于数据驱动的机器学习模型、有限元仿真以及物理量传感监测实现熔接痕位置预测和优化控制。具体而言，行业普遍采用如下技术路线：

2、以多模态数据融合为基础的深度学习预测范式广泛应用于注塑缺陷检测与质量优化中。典型做法依赖于历史生产数据，通过大规模熔体压力、温度、位移等工艺参数的采集，训练卷积神经网络、循环神经网络或融合注意力机制的多模态模型，实现对熔接痕分布及其形成趋势的预测。部分方案会结合有限元仿真结果，将模型结构、材料属性以及典型工艺参数作为输入，以黑箱方式输出熔接痕区域概率分布。近年来，图神经网络等新兴模型被引入复杂流道体系下的空间特征学习，但仍以端到端的大模型训练为主要技术路径。

3、在物理层面，注塑模具中广泛布设压力、温度等传感器用于实时监测，但采集数据多作为后续统计分析与质量追溯的基础，未形成实时动态补偿能力。热均匀性优化通常通过调节冷却水路、调整保压压力曲线、精细控温等手段实现，但这些控制措施往往依赖操作经验或线性回归类静态模型，很难适应材料波动、模具磨损、嵌件批次差异等复杂扰动。

4、现有基于深度学习的预测方法存在以下典型技术特点及适用范围：充分发挥大数据驱动优势，能挖掘出复杂数据分布下的熔接痕非线性映射关系，适用于生产批量大、工艺参数变异有限、数据积累充分的大型注塑企业。有限元仿真及离散物理模型则侧重于复现理想工况下的熔体流动与热传导过程，常用于模具结构优化与成型参数初步预设，对实际工况中的动态扰动敏感性较差。上述技术虽能满足部分标准产品的熔接痕预测要求，但在涉及复杂嵌件、频繁材料更换、模具长期运行（磨损）等动态工况时，其泛化能力及响应速度有限，难以实现闭环在线补偿。

5、具体分析，现有技术主要存在以下缺陷：

6、首先，基于深度学习或传统统计方法的熔接痕预测模型高度依赖历史训练数据，一旦材料性能发生波动、模具内部结构局部磨损或嵌件预热状态发生变化，模型输出即发生较大偏差。这种端到端方法的黑箱特性导致缺乏对熔体流变与热物性动态关联的物理可解释性，模型迁移能力有限，无法适应生产现场频繁变化的复杂扰动工况。

7、其次，现有方法多采用单一或静态热边界假设（如忽略嵌件的热惯性影响），或仅基于局部温度反馈进行模糊调节，难以实现对型腔整体热场的高精度动态修正。面对批次材料差异、模具冷却效率衰减等时变因素，无法准确预测局部热场扰动对熔接痕形成的空间偏移效应，导致补偿效果不稳定。

8、再次，多模态数据的融合与对齐缺乏明确的物理指导协同，数据噪声和采样延迟容易被模型误学，影响预测结果的可信度。对于流道结构复杂、传感节点分布异构的大型连接器模具，对空间拓扑信息与时序响应的有效结合缺乏针对性建模手段。

9、此外，现有技术多侧重于一次性预测与事后优化，缺乏实时动态补偿机制，往往无法在单次注塑周期内实现对熔接痕位置的精准校准与工艺参数的闭环自适应调整。

10、综上所述，现有注塑熔接痕预测与控制方法亟需解决如下核心技术问题：

11、提高模型在材料批次变化、模具热阻波动、嵌件状态差异等动态工况下的泛化能力，突破传统数据驱动模型对历史数据的强依赖，赋予预测系统高度自适应性与物理可解释性

12、实现对型腔热场动态扰动的精细建模与实时修正，突破基于单一边界条件的粗粒度调节方式，有效补偿嵌件热惯性及局部热流变化对熔接痕微观凝固过程的影响

13、建立物理层多模态传感数据与空间拓扑关系的深度融合机制，提升预测精度、响应速度及补偿稳定性，满足高节拍注塑生产对过程质量优化的实际需求

14、当前，业界缺乏能够在无大规模历史样本依赖下、实现物理可解释的动态熔接痕预测并支持在线前馈式工艺补偿的完整技术体系。针对上述不足，亟需提出一种融合熔体流变指纹迁移、嵌件热惯性动态补偿及空间物理场加权校正的新型实时预测与闭环补偿控制方法，为应对复杂动态扰动工况下的注塑熔接痕高精度控制提供有效技术支撑。

技术实现思路

1、本技术提供基于连接器嵌件注塑熔接痕位置预测的补偿控制方法，旨在解决上述背景技术中提到的现有技术存在的问题或问题之一。

2、本技术提供的基于连接器嵌件注塑熔接痕位置预测的补偿控制方法，具体包括：

3、s1：在注塑机喷嘴至主流道入口段、分流道末端及各浇口前沿同步采集熔体通过时的瞬态压力峰值、温度跃升斜率及局部型腔微变形量，生成原始流变响应序列；

4、s2：对所述原始流变响应序列进行处理得到熔体流变指纹向量；

5、s3：基于连接器嵌件的三维几何结构与材料属性建立热惯性模型，利用离线实验标定的等效热容与表面换热系数数据，生成与每批次嵌件绑定的嵌件热惯性标签；

6、s4：读取当前批次的嵌件热惯性标签并调用预存的热边界修正函数，动态调整模具冷却水路控制策略及保压阶段的局部热补偿功率输出，生成型腔温度场分布数据；

7、s5：将所述熔体流变指纹向量输入图神经网络模型输出二维概率热力图；

8、s6：将所述二维概率热力图与所述型腔温度场分布数据进行空间叠加加权运算，生成最终熔接痕位置预测坐标集；

9、s7：根据所述最终熔接痕位置预测坐标集生成实时补偿控制信号；

10、s8：根据所述实时补偿控制信号完成对注塑熔接痕位置预测的补偿控制。

11、本技术提供的基于连接器嵌件注塑熔接痕位置预测的补偿控制方法，具有以下有益效果：

12、（1）通过在注塑机喷嘴至主流道入口段、分流道末端及各浇口前沿部署不少于五组微型嵌入式传感阵列，结合高响应压电传感器、薄膜热电偶与微应变片同步采集熔体通过时的瞬态压力峰值、温度跃升斜率及局部型腔微变形量，构建具有明确物理意义的原始流变响应序列，并进一步提取压力衰减率、温度积分面积与应变滞后相位角等可解释性强的标量特征，形成具备时序拓扑结构的熔体流变指纹向量，显著提升了对熔体流动行为的表征精度与动态感知能力；相较于传统基于统计均值或经验阈值的监测方法，本方案有效克服了因材料批次波动、嵌件热状态差异导致的工艺不稳定性问题，实现了对熔接痕生成条件的前置化、精细化捕捉，为后续预测与调控提供了高保真输入基础。

13、（2）针对连接器嵌件引入三维热惯性建模机制，通过离线实验标定不同预热温度、插入时机及材料批次下的等效热容与表面换热系数参数集，并将其编码为唯一关联的嵌件热惯性标签上传至中央数据库，在每次合模前自动读取并调用对应的热边界修正函数，动态调节冷却水路控制策略与保压阶段局部热补偿功率，使型腔热场分布主动逼近无嵌件基准状态，切实解决了现有技术中因嵌件引入造成的局部温差失衡与冷却不均难题；该前馈补偿机制无需依赖大量历史数据训练即可实现精准热场重建，避免了深度学习模型对标注样本的高度依赖和泛化能力不足缺陷，同时支持多品种小批量生产场景下的快速换型适应，大幅提高了系统的鲁棒性与工程实用性。

14、（3）采用轻量化图神经网络以模具流道几何拓扑为图结构基础，将各传感节点作为图节点、流变指纹作为节点属性，利用消息传递机制聚合上下游流动信息，输出熔接痕在型腔平面上的二维概率热力图，再与经热惯性补偿后的温度场进行空间叠加加权，生成最终预测坐标集并实时反馈至注塑机闭环控制系统，触发浇口切换或保压曲线重规划动作，整个过程在边缘端完成推理且单次耗时低于80毫秒，完全满足高速注塑节拍需求；区别于现有黑箱式深度学习预测范式，本方案强调物理过程解耦与可测量参数驱动，规避了多模态数据对齐、注意力权重分配、gan增强、lora适配等复杂路径，不仅提升了模型运行效率与响应灵敏度，更增强了决策过程的可解释性与工艺透明度，构建起“感知—建模—补偿—预测—调控”一体化的自适应闭环体系，为精密注塑成型提供了一种高效、可靠、低延迟的技术解决方案。

15、综上所述，本方案通过融合多源嵌入式传感、物理可解释特征提取、嵌件热惯性前馈补偿与轻量化图神经网络空间推理等关键技术，实现了熔接痕位置的高精度、低延迟、强鲁棒性预测与实时工艺干预，突破了传统方法在动态适应性、计算效率与物理机制融合方面的局限，具备良好的可扩展性与工业落地价值，尤其适用于高复杂度、高一致性要求的精密注塑制造场景。