注塑在线质量控制与AI - 2025视觉系统

在线质量控制简介

在线质量控制 在塑料加工领域正经历剧变。几年前，大多数工厂还依赖每十几周期的手动检查。今天，在汽车、医疗和消费电子行业的压力下，必须在几秒钟内检测到缺陷，以免整批产品进入包装。

IDC 预计，到 2026 年，超过 70% 的注塑厂将采用与 AI 耦合的先进视觉系统。

在线控制的优势：

• 减少废品
• 降低昂贵退货风险
• 加速 PPAP 批准
• 能够向客户保证 PPM

本指南将展示如何构建 QA 架构、选择哪些技术，以及如何将它们与数字孪生、MES 和机器人技术整合，创建全面质量生态系统。

根据麦肯锡研究，实施智能在线质量控制可将缺陷响应时间从平均 50 分钟缩短至 5 分钟以下。对于年产百万件的生产线，这意味着节省数十万兹罗提 – 减少废料、减少加班、避免紧急分拣整托盘的压力。

这也是可持续生产策略的关键支柱，因为每减少一份废品就是实际降低碳足迹。

注塑中的在线质量控制是什么？

在线控制 意味着在注塑型腔旁或与机器人集成的工位上对每件零件进行自动检测。系统采集数据（图像、热分布、声音、重量），分析并与参考模型比较。“通过/失败”决策在周期时间以内完成，结果立即传输至 MES、eDHR 或追溯系统。

与离线检测不同，在线控制无需手动取样。它是生产过程的一部分，因此能即时响应并消除缺陷零件被遗漏的风险。该解决方案完美契合“零缺陷制造”理念以及 IATF 16949、ISO 13485 或 IPC 等质量标准。

AI 的作用也日益重要。神经网络能学习识别无法用简单规则描述的缺陷（例如光学零件的微妙色差）。这使得此前完全依赖操作员的检测也能实现自动化。

在线控制还包括数据管理。每项检测结果均与模具编号、型腔、物料批次和操作员关联，从而生成产品的数字护照 – 在投诉或 FMEA 分析中价值连城。与 CMMS 集成可在缺陷率超过阈值时自动报告维护需求。

QA 系统发展历史

注塑自动检测起源于 20 世纪 80 年代，当时简单传感器仅检查零件是否存在。真正突破发生在 2000-2010 年，随着线扫描相机发展和 CCD 相机价格下降。这一时期，视觉系统主要应用于汽车行业，那里要求的 PPM 仅为十几件。

过去十年，我们见证了“第二波”发展。首先，图像处理转向 GPU，实现毫秒级分析。其次，出现 3D 相机（结构光、飞行时间）和热传感器，能检测壁厚差异或冷却热点。最后，基于机器学习的软件普及开来。由此，QA 系统比以往更灵活、更快、更精确。

2024-2025 年进入第三阶段：与数字孪生、MES 和数据平台集成。检测数据输入预测模型，可自动调整注塑机参数或报告模具清洁需求。QA 由此成为质量闭环控制的一部分。

法规要求同样重要。MDR、CSRD 指令及 PPAP 5.0 新要求明确规定需全流程质量追踪。QA 自动化已成为认证必需，而非单纯优势。领先趋势的企业将更快通过审计，并在投标中占据优势。

在线控制系统类型

QA 系统可分为几类：

• 2D 视觉系统 – 线扫描或面阵相机分析表面和轮廓。
• 3D 视觉系统 – 体积测量、激光轮廓、立体视觉。
• 激光计量 – 关键尺寸测量，精度 ±0,01 mm。
• 热分析 – 红外相机检测热点、冷却不足。
• 声学/振动分析 – 麦克风和加速度计记录缺陷特征信号。
• 混合系统 – 结合图像、重量、功能测试、电学测试、密封性测试。

选择取决于零件类型、生产规模及客户要求。实际中，趋势是组合多种方法 – 如 2D 相机检测色差 + 3D 扫描仪检查尺寸。这样系统能应对更多缺陷，数据更可靠。

2D 视觉系统

2D 相机 是最受欢迎的技术，适合检测表面缺陷：条纹、烧痕、毛边、印刷缺失。注塑厂使用面阵相机（静态）和线扫描相机（移动零件）。关键要素包括分辨率（典型 5-12 MP）、读取速度、动态范围及匹配照明（环形、侧光、结构光）。

经典图像处理使用 Halcon、Cognex VisionPro 或 OpenCV 等库。工具集包括阈值、滤波、形态学、轮廓分析、OCR、颜色验证。AI 版本采用 CNN 模型（如 EfficientNet、YOLOv8），基于缺陷和合格零件照片训练。这种组合确保高检测率和低周期时间。

2D 视觉系统越来越常安装在取件机械臂或协作机器人上。相机在运动中拍摄，结果传输至机器人控制器，将零件置于 OK/NOK 槽中。这样消除额外工位，缩短零件路径。

高端应用中还采用 2D 超光谱相机。可检测化学成分差异，在使用再生料生产时有助于捕捉污染物或异种聚合物。虽然投资较高，但在化妆品包装或医疗部件生产中很快收回成本。

3D 视觉系统与激光计量

3D 系统 基于激光轮廓、结构光、立体视觉或飞行时间技术。适用于复杂形状，需要高度、体积或表面平行度信息。精度达十几微米，可与 CAD 模型比较生成偏差图。

激光计量常用于医疗和电子行业零件测量（如光学元件、连接器）。系统能测量壁厚、沟槽深度、孔位置，甚至弯曲角度。与机器人集成可将探头靠近任意点，提高工位灵活性。

“数字叠加”技术越来越流行：3D 数据叠加至 AR 模型，操作员实时查看偏差位置。这有助于更快决策纠偏并为客户文档化结果。

3D 系统还可与应力分析结合：变形数据输入模具数字孪生，建议冷却或保压曲线调整。这样计量成为闭环优化的一部分，而非仅报告工具。

声学与热分析

热分析 使用红外相机评估脱模后零件的温度分布。由此可在光学缺陷显现前发现问题 – 如冷却不足、热点、厚度差异。可将数据与冷却参数和注塑程序关联。

声学或振动分析针对零件撞击传感器或测试过程中的声音与振动。有些结构缺陷（裂纹、气泡）会改变声学特征，可用宽带麦克风检测。该方法适用于 100% 金属塑料复合件及关键密封产品。

现代系统结合 AI 处理声学数据，使用小波变换和谱图。模型将声音分类为不同缺陷类型。该方法对不可见缺陷特别有效（如玻璃纤维增强件中的微裂纹）。

QA 工位构建与主要组件

完整 QA 系统包括：零件接收站（机器人/协作机器人）、相机与照明、附加传感器（重量、力、温度）、处理计算机、分析软件、操作员界面及与 MES/SCADA 集成。整体需符合安全要求（PE/PL、光幕）且易维护。

控制架构常包括 PLC 控制器、带 GPU 的工控机、数据库服务器及 HMI 操作面板。另安装 IoT 模块，将结果传输至云端或数字孪生。这样质量数据全组织可用，而非仅 QA 部门。

现代 QA 工位还集成标签打印、包装和激光打标。合格后系统自动打印带 DMC 码的标签、在数据库记录序列号，并传递零件至下一工序。全过程在 eDHR 中追踪，便于审计和投诉处理。

人体工程学至关重要。操作员需访问面板、快速切换配方并查看照片。直观提示减少响应时间并最小化错误。因此越来越多采用带 3D 零件可视化和响应步骤的触摸界面。

相机、光学与照明

光学选择是成功一半。需考虑零件尺寸、工作距离、景深和反射。光亮塑料需漫射光（穹顶），哑光需定向光。透明件使用同轴光、偏振或激光线。

相机分辨率需满足缺陷规格（如 0,1 mm 毛边需 0,03-0,05 mm 像素）。高速应用需全局快门传感器及 10GigE/CoaXPress 接口，支持数百 fps 传输。建议冗余 – 不同视角的双相机提升检测可靠性。

勿忘工作环境：温度、粉尘、振动。注塑工位常用 IP65 外壳相机及风冷 LED 灯具。所有组件需便于维护，避免长时间停机。

AI、算法与软件

系统的核心是软件。传统的机器视觉工具在处理简单缺陷时仍有应用，但趋势非常明确：AI。神经网络模型不仅能检测二元缺陷，还能分类缺陷类型、强度以及可能原因。

神经网络能力：

• 二元缺陷检测（pass/fail）
• 缺陷类型分类
• 强度评估
• 可能原因识别

训练过程使用数百张合格和不合格零件的照片。像Tederic Smart Vision这样的供应商提供现成的AutoML流水线，能自动选择模型架构并验证有效性。

不过，AI系统需要进行版本管理（ModelOps）。每个模型都有参数、部署日期和适用范围。更换模具或材料后，必须进行重新验证。当前生产数据作为反馈，支持持续学习（continuous learning）。在高责任项目中，通常结合AI和传统规则，以确保决策的可解释性。

QA软件还应与MES/MOM集成。检测结果参与SPC，更新控制图，触发纠正措施，当PPM指标超标时自动锁定批次。这样，整个过程闭环，响应即时。

QA正日益成为数据平台的一部分。实际应用中，这意味着可以构建KPI仪表盘：缺陷在型腔间的分布、质量随时间变化的热图、变化的比较分析。这些数据也可用于Six Sigma项目，加速从观察到纠正措施的转变。

关键技术参数

选择系统时值得分析：

• 分辨率与检测极限 – 能检测到的最小缺陷。
• CT（周期时间） – 检测是否能在可用周期间隙内完成。
• FP/FN – 误拒和漏检百分比；通常目标为<0,2%。
• 温度稳定性 – 环境变化对图像质量的影响。
• 可扩展性 – 添加新相机、AI模型或型腔的可能性。
• 集成性 – 支持OPC-UA、MQTT、REST，与MES和数字孪生关联。

这些参数需在FAT/SAT期间及运行中测量。定期审计有助于维持声明的有效性，并满足OEM客户要求。应记录每个阶段 – 从校准到软件更新。

在AI相关项目中，还需额外分析所谓数据漂移。如果输入数据分布随时间变化（不同颗粒颜色、新变体），模型效能可能下降。监控漂移并设置自动警报，可快速启动重新训练流程。

应用与案例研究

QA系统广泛应用于多个行业：

• 汽车行业 – 检查内饰件、照明、连接器、ADAS组件。要求PPM低于10。
• 医疗行业 – 注射器、胰岛素泵组件、设备外壳。21 CFR Part 11验证至关重要。
• 家用电器与电子 – 前面板、装饰件、薄膜键盘、电池组件。
• 高端包装 – 完全消除划痕和污迹，与数字印刷检测结合。
• 再生塑料 – 监控PCR批次的色度和杂质。

示例：消费品组件制造商部署Tederic Smart Vision系统，集成12 MP相机、AI和称重检测。

关键ROI指标：

• 响应时间：从 50 分钟降至 <5 分钟
• 缺陷降低：从 3.2% 降至 0.3%
• 误拒率：<0.1%
• OEE改进：40%

另一医疗公司案例，使用3D + IR系统监控32腔注射器模具，最终PPM=0.8，并将PPAP验证时间缩短40%。

QA数据还用于预测性维护。如果系统检测到质量趋势恶化（例如微裂纹增多），会生成服务任务并将参数传输至工艺数字孪生。这样可在缺陷成为关键问题前规划型腔抛光或喷嘴更换。

化妆品公司的有趣案例，使用高光谱相机验证PCR部件的颜色均匀性。与AI结合的系统评估ΔE偏差，并将部分零件引导至修复，而非直接交付高端客户。这有助于在再生料质量波动下维持颜色一致性。

如何选择在线检测与AI系统？

决策应基于需求矩阵：

1. 定义关键缺陷和可接受PPM。
2. 确定零件几何、材料和光学特性（光泽、透明度）。
3. 检查周期时间和可用检测窗口。
4. 评估基础设施 – 是否有空间建在线站，还是更好在机器人上集成相机。
5. 考虑法规要求（FDA、IATF、ISO 13485）和报告格式。
6. 选择具有透明学习和验证流程的AI平台。

随后进行POC/试点测试。建议至少2-3周测试，收集真实生产数据（不同变体、颜色、杂质）。验证通过后进入量产化。质量、自动化和IT部门协作至关重要，否则与MES或ERP集成将困难。

选择供应商时注意服务可用性、远程支持、培训程序和许可模式。还需明确AI模型更新责任，以及照片数据是否留在厂内（IP/RODO方面）。

质量成熟企业还会制定路线图。明确优先检测项目、改进KPI，以及QA系统如何融入数字孪生战略。这有助于避免随意投资，构建统一生态。

系统维护与验证

QA系统如同注塑机，需要定期检查。制定计划：每日清洁光学元件、周检设置、月度校准和软件审查、年度重新验证。每个步骤须记录并与ISO程序关联。

AI模型需随模具、材料或表面处理变化而更新。最好维护参考数据库，便于处理投诉。实施“golden sample”（黄金样品）政策，便于校准和变更间结果一致性控制。

还应实施QA单元状态监控：外壳温度、湿度、振动传感器。这样系统能自行报告影响图像质量的环境条件。与CMMS结合，可自动生成维护工单，类似于注塑机的预测性维护。

在受监管工厂（医疗、航空），需进行IQ/OQ/PQ验证及变更文档。使用电子签名和版本仓库工具，可缩短审查时间，更易证明系统全生命周期符合程序。

总结

AI支持的在线质量控制正成为塑料加工新标准。实现零缺陷目标、满足客户要求并实时报告数据。关键在于技术选型、与现有基础设施集成及系统维护。及早部署智能视觉系统的企业，将获得竞争优势、缩短问题响应时间并提升客户信任。在数字化时代，质量不仅是附加值，而是可持续发展和盈利的基础。