基于TCN-BiGRU-SE两阶段特征提取与多特征融合的注塑质量预测方法

doi:10.3969/j.issn.1004-132X.2026.02.017

摘要/Abstract

摘要：

注塑成形过程中，塑件尺寸易受多种复杂因素的耦合影响。为提高预测精度，提出一种基于时间卷积网络（TCN）-双向门控循环单元（BiGRU）-SE注意力机制（SE）的注塑质量预测方法（TCN-BiGRU-SE）。采用TCN-BiGRU-SE网络提取时序数据的深层特征，表征注塑过程中的动态变化；提取注射和保压阶段的定量特征值及量纲一值，堆叠形成三维矩阵，通过卷积神经网络（CNN）进行降维，捕捉关键阶段的变化趋势。通过融合高频数据、统计特征与机器状态信息，构建了一个端到端的深度预测模型，以实现对塑件尺寸的预测。在富士康注塑成形数据集上进行了模型对比、消融实验和稳定性检验，并在三类注塑实验数据集上进行了泛化性检验，结果表明，所建模型在多项评价指标上优于其他方法，具有良好的鲁棒性和泛化能力。

关键词: 注塑成形, 质量预测, 时序数据, 多特征融合, 深度学习

Abstract:

During the injection molding processes， the dimensions of molded parts were easily affected by the coupling of various complex factors. To improve prediction accuracy， a quality prediction method was proposed based on temporal convolutional networks （TCN）， Bidirectional gated recurrent units （BiGRU）， and squeeze-and-excitation （SE） attention mechanism （TCN-BiGRU-SE）. The TCN-BiGRU-SE network was utilized to extract deep features from time-series data， characterizing the dynamic changes during the injection molding processes. Quantitative feature values and dimensionless values from the injection and holding phases were extracted and stacked into a three-dimensional matrix， which was then dimensionally reduced using convolutional neural networks （CNN） to capture the changing trends at critical phases. By integrating high-frequency data， statistical features， and machine state information， an end-to-end deep prediction model was constructed for the prediction of molded part size. Comparative， ablation， and stability tests were conducted on the Foxconn injection molding dataset， along with generalization tests on three types of injection experimental datasets. The results show that the model outperforms other methods on multiple evaluation metrics， demonstrating strong robustness and generalization capability.

Key words: injection molding, quality prediction, time-series data, multi-feature fusion, deep learning

中图分类号:

TP181

邓晓强, 战韬阳, 项薇, 林文文, 余军合, 郑志鹏. 基于TCN-BiGRU-SE两阶段特征提取与多特征融合的注塑质量预测方法[J]. 中国机械工程, 2026, 37(2): 416-427.

DENG Xiaoqiang, ZHAN Taoyang, XIANG Wei, LIN Wenwen, YU Junhe, ZHENG Zhipeng. Injection Molding Quality Prediction Method Based on Two-stage Feature Extraction and Multi-feature Fusion Using TCN-BiGRU-SE Model[J]. China Mechanical Engineering, 2026, 37(2): 416-427.

导出引用管理器 EndNote|Ris|BibTeX

链接本文: https://www.cmemo.org.cn/CN/10.3969/j.issn.1004-132X.2026.02.017

https://www.cmemo.org.cn/CN/Y2026/V37/I2/416

图/表 15

参考文献 20

[1]	王新铭，党开放，马艺涛，等. 注塑机故障诊断技术进展［J］. 塑料工业， 2023， 51（11）： 15-20.
	WANG Xinming， DANG Kaifang， MA Yitao， et al. Development of Fault Diagnosis Technology for Injection Molding Machines［J］. China Plastics Industry， 2023， 51（11）： 15-20.
[2]	KHOSRAVANI M R， NASIRI S. Injection Molding Manufacturing Process： Review of Case-based Reasoning Applications［J］. Journal of Intelligent Manufacturing， 2020， 31（4）： 847-864.
[3]	刘永兴，唐小琦，钟靖龙，等. 基于轻量级梯度提升机的非对称风险注塑成形产品尺寸预测模型［J］. 中国机械工程， 2022， 33（8）： 965-969.
	LIU Yongxing， TANG Xiaoqi， ZHONG Jinglong， et al. Asymmetric Risk Injection Molding Product Size Prediction Model Based on LightGBM［J］. China Mechanical Engineering， 2022， 33（8）： 965-969.
[4]	LOCKNER Y， HOPMANN C， ZHAO Weibo. Transfer Learning with Artificial Neural Networks between Injection Molding Processes and Different Polymer Materials［J］. Journal of Manufacturing Processes， 2022， 73： 395-408.
[5]	陈昱，项薇，龚川. 基于数据挖掘的注塑产品质量在线故障检测及预测［J］. 中国机械工程， 2023， 34（14）： 1749-1755.
	CHEN Yu， XIANG Wei， GONG Chuan. Online Diagnostic Inspection and Prediction of Product Quality in Injection Molding Intelligent Factories Based on Data Mining［J］. China Mechanical Engineering， 2023， 34（14）： 1749-1755.
[6]	LU Fanlei， GUI Weihua， QIN Liyang， et al. A Novel Semi-supervised Prediction Modeling Method Based on Deep Learning for Flotation Process with Large Drift of Working Conditions［J］. Advanced Engineering Informatics， 2024， 62： 102934.
[7]	SOBRIE L， VERSCHELDE M， HENNEBEL V， et al. Capturing Complexity over Space and Time via Deep Learning： an Application to Real-time Delay Prediction in Railways［J］. European Journal of Operational Research， 2023， 310（3）： 1201-1217.
[8]	ZHOU Jingtao， ZHAO Xu， GAO Jing. Tool Remaining Useful Life Prediction Method Based on LSTM under Variable Working Conditions［J］. The International Journal of Advanced Manufacturing Technology， 2019， 104（9）： 4715-4726.
[9]	HUA Liang. Comprehensive Early Warning of Power Quality in Distribution Network Based on Deep Learning［J］. Wireless Networks， 2024， 30（7）： 6371-6384.
[10]	MUAZ M， YU Hanxin， SUNG W L， et al. A Multitask Encoder–Decoder Model for Quality Prediction in Injection Moulding［J］. Journal of Manufacturing Processes， 2023， 103： 238-247.
[11]	XIE Tingli， HUANG Xufeng， CHOI S K. Intelligent Mechanical Fault Diagnosis Using Multisensor Fusion and Convolution Neural Network［J］. IEEE Transactions on Industrial Informatics， 2022， 18（5）： 3213-3223.
[12]	DUAN Xiaoyan， XUE Linlin， LEI Chunli， et al. Rolling Bearing Fault Diagnosis Method Based on Multi-information Fusion Characteristics under Complex Working Conditions［J］. Applied Acoustics， 2023， 214： 109685.
[13]	MA Tianchi， SHEN Junxian， SONG Di， et al. Multi-sensor and Multi-level Information Fusion Model for Compressor Blade Crack Detection［J］. Measurement， 2023， 222： 113622.
[14]	钱庆杰，余军合，战洪飞，等. 基于DL-BiGRU多特征融合的注塑件尺寸预测方法［J］. 浙江大学学报（工学版）， 2024， 58（3）： 646-654.
	QIAN Qingjie， YU Junhe， ZHAN Hongfei， et al. Dimension Prediction Method of Injection Molded Parts Based on Multi-feature Fusion of DL-BiGRU［J］. Journal of Zhejiang University （Engineering Science）， 2024， 58（3）： 646-654.
[15]	CHEN Jianyu， ZHUANG Jiaxiang， HUANG M S. Enhancing the Quality Stability of Injection Molded Parts by Adjusting V/P Switchover Point and Holding Pressure［J］. Polymer， 2021， 213： 123332.
[16]	LÓPEZ A， AISA J， MARTINEZ A， et al. Injection Moulding Parameters Influence on Weight Quality of Complex Parts by Means of DOE Application： Case Study［J］. Measurement， 2016， 90： 349-356.
[17]	BAI S， KOLTER J Z， KOLTUN V. An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling ［J］. Arxiv Preprint Arxiv：， 2018.
[18]	CHUNG J， GULCEHRE C， CHO K H， et al. Empirical Evaluation of Gated Recurrent Neural Networks on Sequence Modeling ［J］. Arxiv Preprint Arxiv：， 2014.
[19]	HU Jie， SHEN Li， SUN Gang. Squeeze-and-excitation Networks［C］∥2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City， 2018： 7132-7141.
[20]	BOGEDALE L， DOERFEL S， SCHRODT A， et al. Online Prediction of Molded Part Quality in the Injection Molding Process Using High-resolution Time Series［J］. Polymers， 2023， 15（4）： 978.

特征类型	变量名称	符号	数值范围	单位	说明
高频时序数据	模内压力	p	5~40	MPa	反映熔体填充模腔时模具内部的压力
	模内温度	T	90~240	℃	模腔内部的温度
	实际螺杆位置	D	32~105	mm	螺杆在注射筒中的实际物理位置
	冷却水流量	Q	12~20	L/min	冷却系统中循环水的流动速率
	…	…	…	…	…
机器状态	保压时间	T_b	11~13.5	s	保压阶段的持续时间
	熔胶背压	P_b	5~11	MPa	液压系统施加在螺杆上的反向压力
	…	…	…	…	…
质量标签	尺寸（Size）	S	…	mm	成形制品某个部位的尺寸

特征类型	变量名称	符号	数值范围	单位	说明
高频时序数据	模内压力	p	5~40	MPa	反映熔体填充模腔时模具内部的压力
	模内温度	T	90~240	℃	模腔内部的温度
	实际螺杆位置	D	32~105	mm	螺杆在注射筒中的实际物理位置
	冷却水流量	Q	12~20	L/min	冷却系统中循环水的流动速率
	…	…	…	…	…
机器状态	保压时间	T_b	11~13.5	s	保压阶段的持续时间
	熔胶背压	P_b	5~11	MPa	液压系统施加在螺杆上的反向压力
	…	…	…	…	…
质量标签	尺寸（Size）	S	…	mm	成形制品某个部位的尺寸

尺寸名称	尺寸及上下偏差/mm	公差范围T/mm
Size1	300±0.150	0.30
Size2	200±0.075	0.15
Size3	200±0.075	0.15

尺寸名称	尺寸及上下偏差/mm	公差范围T/mm
Size1	300±0.150	0.30
Size2	200±0.075	0.15
Size3	200±0.075	0.15

输入特征	网络层名称	设置参数	输出维度
传感器时序数据	Input（sensor_input）	（128，8）	（None，128，8）
	TCN	（filters=64，kernel=3，dilation_rate=［1，2，4，8，16］，dropout_rate=0.2）	（None，128，64）
	BiGRU	（units=64，return_sequences=True）	（None，128，128）
	SE Block	（reduction_ratio=16）	（None，1，128）
	FC1	（units=512，activation='relu'）	（None，512）
统计特征	Input（tj_input）	（2，80）	（None，2，80）
	Conv1D	（filters=64，kernel=3，padding='same'，activation='relu'）	（None，2，64）
	SE Block	（reduction_ratio=16）MaxPooling1D（pool_size=2）	（None，1，64）
	Conv1D	（filters=64，kernel=3，activation='relu'，padding='same'）Flatten	（None，64）
	FC2	（units=160，activation='relu'）	（None，160）
成形机状态数据	Input（state_input）	（，41）	（None，41）
成形机状态数据	FC3，4	（units=41，activation='relu'）*2，dropout_rate=0.2	（None，41）
输出层MLP	Concatenate	-	（None，713）
	FC5，6	（units=512，activation='relu'）*2，dropout_rate=0.2	（None，512）
	Out	units=1	（None，1）