Development of a framework for a controller of an injection molding machine based on AI

Injection molding of plastics represents more than 30% of worldwide produced pieces. For many years, quality control of produced parts has been an active research area, but due to the complex nature of the injection molding process, different approaches with improvements still appear. This work will focus on creating a framework consisting of three parts: a machine learning model, an automated pipeline and a quality controller. The model will replicate the inner workings of the injection molding machine, predicting part quality based on different process input parameters. The goal of the pipeline is to automatically manage and deploy the machine learning model, simplifying maintenance and retraining. Finally, the quality controller will make use of the model and other techniques so that the machine produces the least possible defective parts. The results of this work are promising, especially regarding the machine learning model and the pipeline, and the framework can be very powerful if validated for different machines and industries.

Lo stampaggio a iniezione di materie plastiche rappresenta oltre il 30% dei pezzi prodotti a livello mondiale. Per molti anni, il controllo della qualità dei pezzi prodotti è stato un'area di ricerca attiva, ma a causa della natura complessa del processo di stampaggio a iniezione, appaiono ancora diversi approcci con miglioramenti. Questo lavoro si concentrerà sulla creazione di un framework composto da tre parti: un modello di apprendimento automatico, una pipeline automatizzata e un controllore di qualità. Il modello riprodurrà il funzionamento interno della macchina per lo stampaggio a iniezione, prevedendo la qualità dei pezzi in base a diversi parametri di input del processo. L'obiettivo della pipeline è gestire e distribuire automaticamente il modello di apprendimento automatico, semplificando la manutenzione e la riqualificazione. Infine, il controllore della qualità utilizzerà il modello e altre tecniche in modo che la macchina produca il minor numero possibile di pezzi difettosi. I risultati di questo lavoro sono promettenti, soprattutto per quanto riguarda il modello di apprendimento automatico e la pipeline, e il framework può essere molto potente se convalidato per macchine e settori diversi.