塑料注射成形工艺具有精度好、自动化程度高等优点,是塑料制品最主要的成形工艺。塑料注射成形过程的稳定性对产品精度、成形效率具有重要的影响。但是传统成形质量监测过程主要依靠人工目视与离线抽检,由于目视检测质量有限,离线抽检反馈不及时、成本高、效率低,不能满足现代化工业高效、高质的生产需求。随着塑料注射机中温度、压力传感器的广泛使用,基于注射机传感信息的成形质量监测过程成为可能。本文对注塑机台过程数据的稳定性分析方法进行了研究,具体内容如下:首先对注射机机台可采集数据进行了分析,建立了注射压力曲线、螺杆位移曲线、螺杆速度曲线和扭矩曲线的采集平台,分析了注射压力、螺杆位移、螺杆速度等对产品质量稳定性的影响规律。针对注射机台数据量大、维度高的问题,本文首先通过人工特征提取的方法,提取了15个注塑过程中的特征值,并通过相关性分析,获得了筛选出与尺寸相关性较高的选取射压峰值、注射段积分、计量扭矩积分、注射压力静态标准差、螺杆位移动态标准差、螺杆速度动态标准差共6个特征个特征。监控筛选出特征值之间欧式距离的波动,来间接监控边厚尺寸的波动,对注射成形过程的稳定性进行了分析。进一步,提出采用稀疏自编码和主成分分析两种方法进行了降维处理,从采集的过程数据中提取出能够度量产品波动的特征值,得到降维后数据在各个维度所占权值,获得可作为稳定性判定依据。通过机台和产品状态进行同步监测,对两种降维方法效果进行了对比,实验结果显示主成分分析降维方法的效果略优于稀疏自编码效果。在特征提取的基础上,建立了KNN和LSTM神经网络的两种成形过程稳定性分析方法,并在Python环境下实现了该方法。通过170个样本的基于成形过程数据的稳定性分析与质检结果的对比发现,对不同工艺组的产品尺寸进行预测时,不同组的尺寸有明显差异,对不稳定状态进行识别中,LSTM神经网络的状态识别精度高于KNN算法,但组内样本预测精度均存在一定偏差,受制于传感器精度,导致了同一工艺条件下机台波动导致的尺寸差异难以区分的结果。