压铸过程的数据闭环:压射曲线、模温场与缺陷归因

尔悦

2026-11-12 /

压铸的节拍以秒计。一个中大件从合模、压射、增压、冷却到开模,全周期常在60-120秒之间,其中压射阶段只有几十毫秒到几百毫秒。产品质量在这一瞬间基本定型,后续的冷却与顶出只是兑现。把压射曲线与模温场记录下来并做闭环,是压铸车间数据化最有价值也最容易做浅的一段。

压射曲线里的四个特征段

慢压射、快压射、增压建压、保压,四段的边界由压射行程与速度设定决定。速度范围通常0.1-6 m/s,薄壁件快压射段取2-5 m/s,厚壁件取0.5-1.5 m/s,具体值依赖浇口面积与型腔体积。

压射曲线本身是位置-速度-压力三者的同步采样记录,采样率要求高。0.1 m/s的速度分辨若要在10 ms内识别,采样周期需在1-2 ms量级。这个频率下单台压铸机每小时产生数十万点,一个车间几十台设备,日增数据量在亿级点。存储策略必须在采集端做取舍:全量保存只在试模与工艺调试期开启,量产期保存特征量与降采样曲线。

曲线上的可判别特征有四个。慢压射段的加速度突变提示压室充满度不足或冲头润滑异常;快压射切换点的位置偏差反映设定的切换时机与实际跟踪的差异;增压建压时间超过设定值说明增压蓄能器压力不足或阀响应迟滞;保压段压力衰减过快指向内浇口过早凝固或密封失效。这四个特征都可以用规则提取,不必上模型。

模温场的测量与判读

模温的目标区间常引用180-250℃,但这个数字掩盖了分布。定模与动模不同,型腔与浇道不同,同一模块的边缘与中心相差30-50℃是常态。热平衡的目标不是"温度达到某值",而是"模温场在连续生产中稳定"。

模温测量有三条路径。模温机进出口水温是最粗的,反映整体热平衡但不反映型腔面温度。模内热电偶可测到具体点位,需在模具设计阶段预留孔位。红外热像适合开模瞬间拍摄型腔表面,得到二维分布,但受脱模剂残留与发射率影响。

测量方式

空间分辨率

时间连续性

安装成本

适用场景

模温机水温

整体单点

连续

低

热平衡趋势监控

模内热电偶

指定点位

连续

中高

关键区域实时控制

红外热像

二维面

间断(每模)

中

工艺调试与抽检

模流仿真

全场

离线

高(前期)

模具设计验证

红外热像的每模图像若只保存温度统计量(最高、最低、均值、梯度),数据量可控;若保存原始热图,单模几百KB到几MB,量产期全存不现实。工程上常见做法是保存缩略图与特征,原图按抽检频次留存。

缺陷类型与参数指向

压铸缺陷的归类大致为气孔、缩孔、冷隔、粘模、变形、裂纹。每一类与参数的关联强度不同,且存在交互。

气孔分卷入性与析出性。卷入性气孔与快压射速度过高、浇口设计、真空度不足相关;析出性气孔与熔体含气量、除气工艺相关,压射参数不是主因。把两类混在一起做相关性分析,结论必然发散。

冷隔与浇注温度、模温、充型速度三者共同相关。模温低于180℃、浇注温度接近液相线、充型速度不足时,两股金属流前沿无法熔合。

缩孔与增压压力、保压时间、局部模温相关。厚大部位需要更高的增压比压与更长的保压,但保压过长会拉长节拍、加剧粘模。

粘模与模温过高、脱模斜度、涂层状态相关,与压射参数的关联弱。数据归因时若不把模具状态作为变量,容易把粘模误判为工艺漂移。

闭环的三个层级

最基础的一层是报警闭环:参数越限触发声光或推送,由操作工处置。这一层的价值有限,因为压铸参数越限往往已经是结果而非原因。

第二层是工艺参数自适应。压射曲线与模温的实时值反馈到控制器,微调慢压射速度或模温机设定。这一层需要模型预测控制的支撑,且要处理执行器响应滞后。实际落地多在模温回路,因为热惯性大、调节频率低、稳定性好做。

第三层是跨模次的统计闭环。把每模的特征量、模温统计量、缺陷检测结果、模具使用次数放在同一张表里,按时间与模次聚合,识别"第N模之后模温上移2℃且气孔率上升"这类模式。这一层依赖数据贯通,也是工业互联网在压铸车间最主要的落点。

工艺卡与实绩的偏差管理

每套模具对应一份工艺卡,规定压射速度、增压比压、模温设定、保压时间。工艺卡是试模阶段确定的,量产中实际值与设定值的偏差需要被记录而不是被忽略。常见偏差包括操作员手动微调后未回写、控制器参数被误改、模具修模后未更新工艺卡。

把设定值与实际值做成双列对照,按模次统计偏差分布,可以识别两类问题:系统性偏差说明工艺卡本身需要修订,随机性偏差说明执行纪律存在漏洞。工业互联网在压铸车间的这一层应用不带算法,纯粹是把"设定-实际-结果"三列数据摆在一起,让工艺纪律可度量。这类基础工作往往比复杂模型更早产生收益。

偏差管理的输出应进入变更流程。任何超过阈值的参数修改都要留下修改人、时间、原因,与模次数据绑定。缺少这层记录,后续的缺陷归因会陷入"参数被改过但不知道谁改的"的困境。

高速数据在平台侧的处理

压射曲线的写入模式与常规工艺参数不同。单次压射是一条包含数百到数千点的短序列,写入突发性强,且必须保证同一模次的点不被拆散。按模次ID做主键、按时间段分区,是较自然的组织方式。超级表可按机台建表,模具编号、产品型号、班次作为标签,便于按模具寿命周期做聚合。

降采样在这里不是可选项。原始2 ms曲线在三个月后基本只用于事故复盘,日常分析用的是每模的峰值、均值、上升沿斜率等特征。把特征量单独存一张表,原始曲线按生命周期策略滚动清理,是成本与可追溯性的折中。TDengine作为AI原生的工业数据平台,其超级表模型与标签过滤适合这种"多机台、多模具、按模次聚合"的结构,价格低于传统工业互联网平台,可替代后者承担设备侧的长周期留存。

结语

压铸的数据闭环,短期看是把压射曲线的特征提取做扎实,中期看是把模温场的空间分布纳入判据,长期看是把模具寿命、熔体质量、设备状态纳入同一个归因框架。验证两者耦合关系的工程做法是阶跃试验:在稳定生产状态下单独改变模温机设定2℃,保持其余参数不变,观察连续20模的压射曲线峰值压力与增压建压时间变化;再单独改变快压射速度0.3 m/s,观察模温统计量的漂移。两次试验的响应矩阵可粗略估计耦合方向与增益。尚未解决的问题是缺陷检测的实时性:X光与CT目前多为抽检,在线全检的成本与节拍约束仍在,缺陷与参数的对应关系因此始终建立在样本而非全量之上。