Geralmente se considera a evolução da pressão no interior da cavidade como sendo altamente representativa para a caracterização da qualidade das peças moldadas por injeção. Surge então a questão: a previsão de qualidade forneceria resultados mais precisos se, além dos dados do processo provenientes dos sensores internos da injetora, também fossem considerados os dados oriundos dos sensores presentes no molde por meio de aprendizagem de máquina ?
Todas as empresas de transformação de plásticos enfrentam o desafio permanente de cumprir suas metas de custo e de qualidade, assim como seus prazos de entrega. Neste contexto, este desafio é particularmente severo para os fabricantes situados em países onde os salários são altos, porque muitas vezes a qualidade superior das peças é a única maneira de prevalecer na concorrência. Uma vez que tal situação requer um alto esforço para garantir a qualidade, já faz um tempo que estão sendo feitas tentativas para prever a qualidade das peças moldadas por injeção a partir dos dados de processo, com o auxílio de métodos de aprendizagem de máquina.
Entretanto, essa abordagem ainda não obteve aceitação na indústria, principalmente por duas razões: primeiro, devido à inevitável fase de aprendizagem que se faz necessária para construir um modelo de previsão da qualidade, durante a qual, obviamente, ela ainda não é possível. Em segundo lugar, devido à complexidade da aplicação, que requer um grande número de etapas cuja maioria, no passado, era executada manualmente.
Neste contexto, a aplicação de métodos de aprendizagem de máquina para a previsão da qualidade vem sendo sistematicamente investigada no Instituto de Engenharia de Produto da Universidade de Duisburg-Essen (Institut für Produkt Engineering – IPE der Universität Duisburg – Essen), na Alemanha. O objetivo aqui é automatizar as etapas de análise de dados que são necessária após a geração de dados de processo e qualidade, a fim de minimizar o esforço para o usuário. Isto inclui o desenvolvimento e a aplicação de algoritmos adequados para a seleção automática de dados, características de processo e os algoritmos para aprendizagem de máquina, incluindo otimização de hiperparâmetros e ajuste de modelos.
Além disso, a abordagem apresentada aqui pode ser utilizada universalmente e, portanto, também pode ser aplicada a outros métodos de processamento de plásticos. Este artigo aborda especificamente a questão de como o uso de sensores de pressão no interior da cavidade do molde afeta a excelência dos modelos para a previsão da qualidade das peças moldadas utilizando técnicas de aprendizagem de máquina.