随着IIoT(Industrial Internet of Things，工业物联网)技术的飞速发展以及成本的迅速下探，注塑行业的数据收集以及监控系统已经比较成熟，各大独立厂商（比如RJG）、辅机厂商、热流道厂商和注塑机厂商等都开发了各种传感器以及数据收集系统，获取注塑生产中的各种数据来指导生产。
但是，这些数据被收集起来之后怎么用成为困难各大厂商及用户的大问题，随着人工智能领域的不断发展，人们似乎是找到了将工业物联网数据效用最大化的出路。
概念流程
在整个概念流程中，首先，在数字工程部分，模型可根据DoE算法模拟出对应塑胶产品的最佳工艺点。然后生产对应的可操作的工艺窗口，工艺窗口随之生成对应的注塑机设定参数。根据注塑机的实际输出（产品的尺寸，外观等）再反馈到数字工程部分，以进一步优化DoE的结果。
在整个循环过程中，实际的机台参数、数据结果和仿真结果都需要对标，从而提高预测的精度。
如上图所示，绿色部分为实际产品的三个关键尺寸的测量结果，而灰色部分为前期仿真的尺寸。通过对各个尺寸的虚实对标，可以通过机器学习的算法优化整个模型的精度。
神经网络与参数设定
神经网络是一种模仿动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。
在注塑领域，可以使用预先训练过的模型来，计算出最优的工艺设定参数。如上图所示，预先训练的模型包括DoE、模流仿真和神经网络模型。然后系统将模型计算出的结果生成具体的注塑机工艺设定参数（速度、压力、温度、时间等等）。通过数据传输通道将参数输入注塑机控制系统，注塑机生成产品，然后对产品进行尺寸、外观及性能的测试，并将测试的结果反馈到神经网络模型，进行算法优化和迭代。
这样操作的优势包括：
能够协助具体产品工艺的开发；
模流仿真结果优化；
大幅降低试模次数，真正让T0量产成为可能。
具体案例
上图案例完整地展示了从3D模型确定、模流结果计算、第一次生成参数、第一次试模、模流数据优化，模型二次训练以及二次生成参数，第二次试模的全过程。相对于第一次试模，三个关键尺寸（Dim.1, Dim.2, Dim.3）的一致性得到大幅提升。
结论
人工智能改变制造业的趋势无法逆转，发展速度近两年会迎来高潮。
在注塑领域，机器学习算法需要解决“小”数据的问题，即如何通过预先训练的算法基于较小的数据样本训练出可用的算法。
注塑机不开放输入接口，算法再好也没用。未来可能会出现两种发展方向，头部较大的几家注塑机厂商大概率会自研（或者收购）成熟的算法公式以提高自有品牌注塑机的性能。而其它没有能够自研或者收购的厂商可能会和第三方算法公司合作。
来源：大注塑