工业注塑过程中合成数据提取的进展

机器学习在优化各类工业流程方面具有重要潜力。然而，数据获取仍是一个主要挑战，因为它既耗时又昂贵。合成数据作为一种承袭不足数据集并提升机器学习模型鲁棒性的有前景的解决方案。本文我们探讨了将合成数据纳入注塑过程训练中使用现有长短期记忆(LSTM)架构的可行性。我们的做法是通过模拟生产循环生成合成数据并纳入训练数据集。通过对不同比例的合成数据进行迭代实验，我们尝试找到一种平衡，最大化合成数据的优势，同时保持真实数据的真实性和相关性。我们的结果表明，合成数据的加入提高了模型处理不同情形的能力，具有实际的工业应用潜力，以减少人力、机器使用和材料浪费。这种方法为数据收集和维护不切实际或成本高昂的情况提供了一种有价值的替代方案，未来可能有助于提高制造过程的效率。