预测性维护——作为智能工厂中的一个重要环节,正在逐渐受到注塑从业人员的广泛关注。预测性维护是基于设备状态的维护,通过状态信息判断未来可能发生的故障。注塑机在长期生产中会出现故障,其故障种类繁多。而止逆阀是注塑成型中关键零部件,容易受到止逆阀的设计工艺要求、注塑工艺参数设置、聚合物原材料的物性、止逆阀种类等因素造成磨损故障。工厂常常因为注塑止逆阀发生磨损失效而耽误了整体的注塑生产计划,影响到注塑成型制品质量和注塑生产效率。随着社会和时代的快速发展,消费者们对注塑制品质量的要求、社会对注塑生产力的要求都日益提高,因此实现止逆阀磨损程度在线监测以提高注塑生产效率和制品质量很有必要。本文的主要工作如下:首先对止逆阀的运动进行模拟仿真,分析了不同磨损程度止逆阀在未偏转运行状态下注射阶段和保压阶段的仿真结果。然而在分析其压力场发现止逆阀会因为压力分布不均匀发生偏转,因此对偏转后的不同磨损程度止逆阀进行再次仿真分析,最后将止逆阀两种运行状态的仿真结果进行了对比。未偏转止逆阀漏料程度随着磨损程度的增加而增加,而偏转后止逆阀的漏料程度反而减少。结合仿真工作,设计了不同工艺条件不同磨损程度下的注塑实验并采集螺杆位置、荷重元压力和远浇口近浇口模腔压力等关键信号。提取这些信号的特征值,包括注射结束时荷重元压力值和近模腔压力值、保压结束时远模腔压力值和保压阶段螺杆前进位移。通过分析这4种特征值结合仿真结果判断出止逆阀在注塑过程中处于偏转状态并集中分析了不同磨损程度止逆阀对注射阶段和保压阶段的影响和对注塑制品质量的影响,其影响主要体现在:磨损程度的增加,注射阶段结束时的荷重元压力和模腔压力都有所上升,保压阶段结束时模腔压力会上升,而螺杆位移有所下降。制品质量随着注射速度的增加会出现不稳定。通过上述实验采集的过程数据,提取包括上述特征的共57种数据特征并进行特征工程,筛选出37个有效特征。通过特征工程后的样本特征训练了逻辑回归、决策树和k近邻三种分类模型,并从学习曲线、混淆矩阵、误差矩阵和准确率四个维度进行模型的评价。在模型的训练完成后发现k近邻的准确率最好,高达98.11%远高于最差的决策树85.28%。