（北京化工大学，机电工程学院，北京100029)

摘要：注塑成型技术是制造塑料零件的常用方法。为解决传统注塑技术存在的信息融合程度较差等问题，注塑行业正快速向数字化与智能化方向发展。数字孪生作为智能制造中的前沿技术，已经被应用于注塑成型的模拟过程中，通过模拟注塑过程，预测材料的流动行为、温度分布和变形量等参数，不仅能够减少试验次数和成本，同时也能够提高生产的灵活性和可持续性，以达到优化注塑工艺与提升产品质量的目的。对数字孪生技术在注塑成型中由车间与工厂到工艺与参数不同层级的应用方法进行了综述。并且，提出了一种适用于注塑系统建立数字孪生的技术路线与系统需求。最后，总结了数字孪生技术在注塑成型方面的发展方向。

关键词：数字孪生；注塑成型；智能化；数字化建模；优化生产

0引言

注塑成型具有效率高、产速快、尺寸精度高等特点，被广泛应用于包装、电子、航空航天、汽车和医疗器械等众多领域。然而，与国际先进水平相比，我国的注塑行业在智能化方面存在技术差距。传统的注塑成型过程受材料特性、工艺参数、模具设计和环境干扰等多种因素的影响，造成生产效率较低、产品质量不稳定及原料浪费，阻碍了注塑领域的进一步发展[1-4]。数字孪生技术作为一项革新性的数字化应用，在优化设计、实现远程监控和支持决策具有优势，也将大幅提高注塑制品的生产效率和质量，优化设备性能，减少资源浪费[5-8]。

文章综述数字孪生技术在注塑成型领域中的应用进展，提出一种适用于注塑从业者的注塑系统数字孪生系统搭建的“五维需求”技术路线，分析注塑成型与数字孪生相结合的未来发展方向，为注塑成型行业的技术创新和产能提升提供有价值的参考。

1数字孪生概述

1.1发展历程

数字孪生的初步概念由MichaelGrieves教授于2002年在密歇根大学提出，最初被称为“镜像空间”模型，包含真实空间、虚拟空间及其之间的信息流链接[9-11]。2006年，Grieves完善了该模型为“信息镜像”模型，强调了真实与虚拟空间的双向信息流，并可为一个真实空间提供多个虚拟空间[12]。2011年，Grieves将该模型正式命名为“数字孪生”，同年美国空军研究实验室和NASA提出了飞行器的数字孪生概念。此后，西门子等国外制造类企业率先应用数字孪生技术。与国外相比，国内的数字孪生技术发展较晚，但也有专家、学者和公司在该领域逐渐展现特色并推动了相关产业的发展[13-19]。数字孪生技术经过近二十年的发展与完善，在不同领域均得到应用，目前正处于快速进步的阶段。以注塑成型设备为例，数字孪生理论模型如图1所示，其展示了注塑成型设备的数字孪生模型构建过程，通过将物理设备数字化复制出一个可以用作进行多种模拟实验的虚拟机器，复现设备实际状态、评估设备的性能、预测故障并优化操作过程。

图1数字孪生技术理论模型内容

1.2定义

在不同领域中，关于数字孪生的具体定义不同。在注塑成型所处的工程制造领域，数字孪生为充分利用物理模型、传感器更新、运行历史等数据，集成多学科、多物理量、多尺度、多概率的仿真过程，在虚拟空间中完成映射，从而反映相对应的实体装备的全生命周期过程[20-21]。

《信息物理系统建设指南(2020)》中[22],对数字孪生的具体构成进行了详细的定义，如图2所示。其定义数字孪生包括物理实体、信息虚体（数字孪生体）与交互对接3个方面。其中，物理实体为物理世界的可被信息化的实物，例如人、设备、物料等；信息虚体是处于虚拟世界或信息世界的虚拟产物，包括数字模型、孪生数据与孪生服务；交互对接是指物理实体与信息虚体之间动态的数据与信息的交互。

以注塑设备为例，可以将数字孪生理解为一种技术方法，通过将注塑机实体数字化并在软件中形成虚拟对象。在理想状态下，在虚拟化的注塑设备上进行的每一个操作及由此引发的反应，对实机进行相应操作也会出现一样的结果。但是，与实际对注塑机进行操作相比，在虚拟对象上执行的各种操作不会付出实际的代价。操作者可以在虚拟对象上设定创新的想法，研究可能出现的结果并反复进行试验，达到测试的目标。同时，这种反复验证猜想的过程还可以节约实际成本。

图2数字孪生模型与理论内容

2数字孪生技术与注塑领域相关应用

从“智能制造”概念提出至今，众多企业相继加入智能化和数字化转型的行列，鉴于现有的信息科学技术与工业制造技术的发展水平，要完全实现产业化、功能完备且符合标准的数字孪生技术较困难且投入较大[23]。因此，文章在目前技术发展现状的角度综述数字孪生技术在注塑行业的发展，分析注塑行业未来与数字孪生技术融合发展的趋势。

2.1车间与工厂级数字孪生

车间与工厂级的数字孪生在技术层面上对工厂内环境、人员和设备等信息的集成化与体系化具有较高要求。在应对数字孪生技术应用、智慧管理、协同制造、绿色制造和安全制造等多方面高标准的挑战时，大部分注塑企业目前的技术整合能力难以满足要求。

西门子公司为福特汽车工厂建立了一种数字化模型，该模型通过MOM系统集成，利用物联网技术收集并管理工厂生产设备的各项信息，并将这些数据分析并整合到一个可视化平台中进行展示和操作，该技术方案有效地解决了工厂生产资料不透明的问题[24]。

高蓓蓓等[25]结合注塑工厂的生产管理特点为注塑企业研发了“泛盾注塑云”MES系统。该系统结合了云计算、物联网、大数据和人工智能等技术，实施的全流程数字化管理覆盖了物料处理、计划排产、任务派工、质检、物流和仓储等多个环节，其核心技术在于其先进的IOT网关和数据采集器，这些设备稳定且准确地收集关键生产数据，并实时监控设备状态。通过生成OEE和设备24h运行报表等多维度数据，使管理层能更高效地分析并提升设备效率。该MES系统显著地提升了产品的合格率，最高可达99.8%,有效地减少资源浪费并降低了生产成本，在整体生产系统层面产生了显著的正面效益。

陈彦良等[26]通过整合原料处理、模温控制、废料回收、自动化和物流等关键资源，构建了一个基于数字孪生技术的sData注塑工厂数据采集监控系统，该系统是一种软硬件解决方案，以数字化替代经验主义，专注于收集和分析设备状态信息。通过采用标准的RS485通讯接口和Modbus-RTU通讯协议，系统能够方便地连接各个设备，将生产过程中不可见的要素逐渐可视化，实现了管理者与工厂设备间的集中监控和数据采集分析。

吴峻睿等[27]提出了一种关于智能注塑工厂的设计与应用，注重注塑工厂内设备状态、参数动态、历史资料信息等多源异构数据之间的收集、通讯与反馈。借助Linux平台设置可自定义的图表系统界面，采用Modbus通讯协议与Mongodb数据库获取并存储生产现场的实时数据，利用降维、特征提取与回归分析等数据分析技术处理多源数据以优化生产工艺的推理和决策模型，同时支持注塑工厂内不同设备之间的互联互通。

陈伟才等[28]在传统车间管理的基础上，拓展了物理实体车间在虚拟空间的真实三维可视化效果，并提出了数字孪生技术驱动的车间管理体系架构。利用MesWorkDataFactory数字孪生虚拟仿真平台进行孪生车间建模，并通过OPCUA数据采集网络架构感知设备的生产数据。前端接收设备运动的实时信号，并根据工艺规划，驱动孪生模型运动，实现了一个同步运行的、虚实交互的、数字孪生驱动的车间管理系统。将此系统应用于一个具体的生产车间，实现了数字孪生技术在车间运行中的新模式，验证了系统的有效性和实用性，为数字孪生技术在车间管理中的应用提供了新的思路和实证验证。

吴轶凡等[29]基于特定的注塑车间场景，提出了一个面向数据安全保密的数字孪生系统的总体架构，其包括主要设备的三维建模与相应的运动学模型、一种面向不同通讯协议设备的边缘服务器通讯板硬件电路和车间数字孪生系统的数字端模型。并通过针对车间中虚拟可视化、边缘服务器数据采集与数据传输安全架构的研究和测试，展示了该系统的实用性和效果，提升了注塑车间的数字化转型效率。

2.2注塑模具、工艺与过程参数级数字孪生

由于缺乏实时监控和现场数据的准确分析，生产管理人员难以及时了解设备的运行状态和故障诊断与维护工作。而且，目前国内注塑行业通常使用较陈旧的设备，不同设备间的工控协议和通信协议存在差异，导致设备间的互联互通困难。注塑成型过程的全面控制包括机器参数、模内参数和零件质量控制[30]。机器的在线数据对过程监控有一定帮助，但是，最准确的加工数据主要来自模具，这导致模内的过程控制在注塑成型中占据重要地位。模内过程参数通过传感器测量，其中，压力传感器和温度传感器在模内过程控制中起着主导作用[31]。

Modoni等[32]研究了一种可供微型制造企业（如微型注塑成型）遵循的为设备赋予数字孪生技术的结构性方法。介绍了如何利用数字孪生技术来实时监控注射压力、速度、温度等关键参数，以优化注塑过程并减少废品率。为验证方法的可行性，将微型注塑制造过程中聚合物熔体流变行为的粘弹性模型（包括Maxwell模型与Kelvin-Voigt模型）[33]引入数字孪生模型完善微型注塑成型过程，通过分析实验数据确定了材料的流变学特征和合理参数范围，在可视化平台中分析成品件的质量问题原因并给出具体参数的调整意见，为微尺度制造过程提供了新的视角，尤其对于精密制造领域如生物医疗设备制造具有重要意义。

胡家诚等[34]以解决传统注塑机的基于PID的运动控制精度差的缺点为目标，提出了一种基于数字孪生模型的注塑机运动控制方法，该方法先通过理清注塑机中机械、电气和液压系统的结构关系分别建立了对应的仿真模型，再收集标准注塑机在不同工况下的运行数据，利用这些数据在仿真模型中生成数字孪生模型。然后，利用控制器获取注塑机实际运行数据，通过数字孪生模型进行分析并生成控制信号，实时调整注塑机运行参数。最后，对机械、电气和液压的仿真模型进行测试和验证，确保其与实际注塑机运行数据的一致性，实现对注塑机的综合控制，提高注塑机的运动控制精度和适应性，适用于复杂运行条件下的准确定位控制。

Park等[35]基于收集的数据用于研究机器输入过程参数、实际传感器读数和产品质量类型之间的相互关系与基于实时人工智能的注塑成型周期工艺参数控制研究，提出了一种补偿算法来改变机器的输入参数，以获得空腔内的理想条件，并有效的提高产品质量的一致性。

邦华推出了一种注塑机IOT联网数据采集方案，方案包括采集器结构设计、无线数据传输技术以及基于PLC的数据采集网络布局，能够跨品牌适用于各种注塑机。其协议专有化、网络依赖小等优点使得注塑机在数字化过程中的数据采集性能与传输稳定性方面均得到提升，提高数据采集的实时性和准确性[36]。使生产管理人员能够及时准确地掌握设备运行状态，同时评估维护工作的需求，提高维护效率和生产效率。

Pabst等[37]开发了一种新型的注塑成型过程中腔内温度和压力的动态预测方法，该方法基于SARIMAX模型，以Python语言开发实现。能准确模拟由热扰动或聚合物性质变化导致的瞬态过程，克服了传统CAE工具的局限。该模型将腔体温度和压力曲线建模为混合自回归移动平均过程，并能够更准确预测注塑成型批次中的循环间变化。通过对实际注塑过程和模拟确定性干扰曲线的验证，证明了该方法的有效性，并且满足实时性要求，适用于简单的开环控制方法。

Moldex3D技术团队为注塑机数字孪生技术提供产品设计、模流仿真分析以及结果观察的平台，并给出了在Moldex3D软件中注塑机数字孪生模型的建立流程[38],利用实际注塑机案例强调了机器特性分析在数字孪生中能产生较大的效益，例如，可以提高模流分析对实际成型的契合度，可以实现模流分析与机器参数的数据融合与系统整合，方便操作者掌握每台机器的生产状况。

何和智等[39]利用了一种自主设计的基于Linux系统的多协议多功能控制平台，并采用分流集流阀简化了抱闸液压机构的液压油回路，创造了纯双板注塑机的智能化升级产品。由文献[39]可知，一家企业凭借其先进的I-factory4.0技术，推出了配备SmartClamp智能锁模系统的UN500DP双板式注塑机，同时整合了聚氨酯(PUR)设备和InPUR“1+2”模具技术，实现了汽车发动机盖板零件的一步法成型，具有局部高光表面效果。

3注塑成型技术发展制约因素

注塑成型技术在制造业中扮演着重要的角色。目前，注塑行业正经历数字化的集成、融合与转型发展，使其能满足注塑行业目前对智能化的发展需求。然而，在其发展过程中，一些制约因素对其进一步优化和提升产生了一定的限制。这些制约因素涉及工艺的复杂性、成本控制、产品质量以及设备维护等方面。因此，了解并寻找措施解决这些制约因素对于推动注塑成型技术的发展具有重要意义[40-44]。

3.1社会或生产资源

行业自身局限性。注射成型的塑料制品属于产品质量高且服务周期性较长的产品，在传统注塑行业中，企业为了经济效益，常采用降低原材料支出的方式，这可能会对产品和服务的质量产生影响。

资金投入显著，初创企业难立足。设备的购置、维护和保养等投入直接反映了财务负担，不慎的成本决策可能导致回报率远低于预期。并且注塑成型的原材料通常是价格波动较大的石化类产品，其不确定性为初创企业的商业竞争带来挑战。

生产资料不透明。企业的资产清单通常只记录数量和价值，而忽视了对资产的形状、位置、加工能力、维修状态等信息。此外，在工厂调整的过程中，企业管理者需通过现场考察准确了解工厂的实际状态并将生产任务合理化。对于工厂的产能，企业也只有较为模糊的估计，并且无法准确估计因设备更新而新增的产能或因设备维修等原因损失的产能。

研发与设计人才缺失。注塑制品行业研发设计人才供需不平衡，限制了行业创新能力，影响了用户个性化需求的满足。行业的模具设计灵活性较差，无法充分满足市场需求，导致产品与消费者需求匹配度较低。

3.2技术与工艺

依赖人工技术经验。注塑成型过程中涉及大量数据，包括成型工艺参数与环境参数、生产环节中的成型设备监测数据以及生产后产品批次质量统计等数据。然而，这些数据未能得到充分重视和有效利用，需要专业人员从数据中发现问题并且依据过往的经验解决问题。为提升产品质量监控和生产资源配置的效率，需进一步发展参数自适应调节与设备自我感知等技术与工艺，引入更多的自动化和智能化元素，例如，基于人工神经网络参数整定模型、基于遗传算法的参数寻优模型等。

注塑流程不连续。模具和设备的监控和改进优化通常在模具设计、模具制造和注塑工艺调整每个阶段单独进行。由于不同阶段存在相关性，每个阶段的变化均会对其他阶段产生一定的影响，因此，需要注塑成型中的所有阶段能够互联互通。因此，模拟分析也不应仅基于历史数据的输入，还需要包括设备的当前状况和对其他阶段未来事件的预测，以做出恰当的决策。

理论工艺与实践现场脱节。目前，有很多专家和学者将成型工艺参数与各种先进的人工智能算法相融合[45],并且在模拟仿真中实现了成品不同程度的优化。但是，在实际运用中，在购置时就已成型完整的设备通过其出厂时厂商所提供的控制程序等使得基于理论模拟等的各种优化措施在导入机器设备时存在不匹配、通讯难等问题，无法根据生产任务进行优化或改变，成为一台固化的自动化设备。并且这些优化方法的设计者往往难以全面了解设备和工厂车间等复杂生产现场环境对工艺过程的影响，如果无法综合考虑影响因素，在设备调试时可能存在与理论相反的情况。

注塑过程数据的研究与处理系统化程度低。过程数据可以通过过程变量和机器变量进行分类。过程变量指的是注塑周期中模具腔内发生的数据。压力－比容积－温度(PVT)数据和流动速度是主要的过程变量。液压压力、锁模力以及往复螺杆行程或速度被称为机器变量。在注塑成型过程中，质量和热传递与腔体几何形状均相关[46-47]。目前，对这些数据的相应研究均较丰富，但是，仅限于控制单一或两三个变量时数据对注塑过程的影响，缺少系统考虑过程数据的综合影响。

生产计划不透明。主要体现在信息不共享、计划调整滞后、资源配置不合理和评估困难等方面。为改善此问题，注塑制造企业需建立透明、灵活的生产计划管理系统，并利用现代信息技术如ERP和MES系统实现生产数据的实时监控和分析，以提高生产计划的透明度和准确性，支持企业的持续改进和客户满意度。

4注塑成型数字孪生系统

4.1技术框架

许多与注塑成型过程相关的研究均集中在工艺参数和质量优化等方面，但整体的研究趋势正在向实时工艺优化、过程监控和质量缺陷预测方向发展。数字孪生技术在注塑成型中的应用可以辅助实现这些目标，以这些目标为导向，整理出一种注塑成型数字孪生系统的技术框架如图3所示，技术路线是以注塑成型设备的模型参数、零件参数、传感器、控制器、实时数据等为基础，借助模型建立类软件、模拟仿真类软件和计算分析类软件去构建注塑机的数字模型、运行数据库和流程工艺知识库，最后通过集成化方法实现注塑成型数字孪生系统的同步运动、数据分析、缺陷预测、质量优化以及改进决策等应用。

图3注塑成型数字孪生系统技术框架图

4.2注塑成型数字孪生系统需求结构

根据4.1所述数字孪生技术在注塑成型设备与系统的技术路线，提出一种搭建注塑成型数字孪生系统最基本的“五维”需求与组成结构，目的是总结相关研究学者们在研究搭建各自领域相关设备的数字孪生系统时存在的相同路线，并将各自碎片化的步骤进行合理规整，在后续思考如何搭建一套行之有效的注塑成型数字孪生系统时能够在这个结构中得到一定的启发和思路。

注塑成型数字孪生系统“五维”需求结构如图4所示，其按步骤进行依次是建模、数据、显示、控制和预测5个维度。

​

图4注塑成型数字孪生系统“五维”需求

(1)建模。数字孪生技术首先强调虚拟空间对物理世界的真实复现，因此，对真实世界的数字化复制便显得至关重要。根据目前的数字建模技术发展，有多种前沿的3D建模类软件（例如Solidworks、Creo、Rhino、CATIA、AutodeskFusion360等）能够真实模拟出注塑设备的规格参数与结构材料，通过人工测量或工程图纸等方法将注塑成型设备复刻到软件中。在3D建模完成后，存在虚拟模型由于网格自动划分不合理或者细节要素过多等原因，其内存占用太大，导致在模型使用时存在过大的延迟与卡顿，因此，需要借助一些数学划分网格类方法（如QEM方法等）或者一些可以简化模型网格（例如3DsMax等）的软件来解决这个问题。在模型建立完成后，还需要将设备所处的真实环境进行数字化搭建（例如Unity3D、虚幻引擎等软件），分析环境因素对设备的影响，并且能在计算机中看到设备的完整运动流程。

(2)数据。接着数字孪生技术强调了数据实时的和双向的流通，也即数字孪生对于数据的交互需求。对于注塑机而言，当需要将不同的传感器或控制器接入其中时，各种数据便成为了具有多源、异构和多维特征的非融合数据，为了满足数字孪生针对数据融合共同处理的需求，将这种多源异构的数据统一到一起是一种关键性难题。目前，统一数据流通的常用方法包括但不限于将不同的传感器接入PLC中数据统一发送到计算机中进行处理、OPC-UA通信协议与工业互联网、RFID物联网措施等。通过这些方法可以有效将数据双向互通，在实时性方面也能够得到保证。

(3)显示。主要要求是设计一种可视且可交互的界面。基本包括注塑机运动、工艺参数（温度、保压压力、螺杆位移、锁模力等）、环境参数、余料、预警信息等的显示。

(4)控制。主要体现在通过设计好的人机交互界面远程操作注塑机的运动（例如开关机、预热、加料、处理预警信息、调整下一模参数、导出所需参数的变化等）。

(5)预测。其内容主要是借助大量的设备实际运行历史数据，基于人工神经网络算法或其他人工智能类算法建立一个最优化工艺参数模型，实现产品的质量预测，并且可根据质量反馈调节工艺参数使产品能够在设定的可接受范围内小范围波动。

5结语

数字孪生技术在注塑成型的应用具有显著优势，包括提高生产效率、优化产品质量、实现远程监控以及操作决策的制定，为注塑成型带来更高效、更稳定、更可持续的生产方式。为进一步拓展数字孪生在注塑成型领域的应用潜力，可关注以下方面：

(1)进一步发展协同性更高的数字孪生模型，包括更准确的物理仿真模型和数据驱动的机器学习模型，模型应综合考虑材料特性、设备数据和工艺参数，提高复现与预测注塑过程时的精确性和可靠性。

(2)关注数据的流通性和实时性，特别是解决不同设备的通讯协议差异带来的数据融合难题。可以开发一种标准化的数据交换协议，实现所有设备的数据流集成简易化；引入云计算或边缘计算等高效的数据处理机制，实现数据的实时更新和分析。

(3)将数字孪生技术与人工智能、大数据分析和物联网等技术结合，利用机器学习算法对收集到的大量生产数据进行分析，实现质量监控和缺陷预测，不仅可以优化生产过程，减少停机时间，还可以实现设备的远程监控和控制，提高生产的灵活性和自动化水平。

参考文献：

[1 ]  马占峰，牛国强，芦珊．中国塑料加工业(2021 ) [ J ] . 中国塑料，2022 , 36 (6 ) : 142 .

[2 ]  中华人民共和国国家统计局．中国统计年鉴[ M ] . 北京：中国统计出版社，2022 .

[3 ]  李阳，郭飞，李茂源，等．塑料注射成形智能技术及其应用[ J] . 中国机械工程，2020 , 31 (22 ) :2734 - 2744 .

[4 ]  WANG Z , FENG W , YE J ,et al . A study on intelligent manufacturing industrial internet for injection molding industry based on digital twin[ J] . Complexity , 2021 , 2021 : 1 - 16 .

[5 ]  UHLEMANN T H J , LEHMANN C , STEINHILPER R . The digital twin : Realizing the cyber -  physical production system for industry 4 . 0 [ J] . Procedia C irp , 2017 , 61 : 335 - 340 .

[6 ]  Gartner. Gartner, s Top 10 Strategic Technology Trends for 2017 [ EB/OL] . [2016 - 10 - 18 ] .

[7 ]  Gartner. 2017 Hype Cycles Highlight Enterprise and Ecosystem Digital Disruptions[ EB/OL] .  [2023 - 06 - 15 ] .

[8 ]  Gartner. Gartner,s Top 10 Strategic Technology Trends for 2019 [ EB/OL] . [2023 - 06 - 15 ] .

[9 ]  TAO F , CHENG J , QI Q , et al . Digital twin-driven product design ,manufacturing and   service with big data [ J ] . The International Journal of Advanced Manufacturing Technology , 2018 , 94:3563 - 3576 .

[10]  ERRANDonEA I, BELTRÁN S, ARRIZABALAGA S. Digital twin for maintenance : A literature review [ J ] . Computers in Industry , 2020 , 123 : 103316.

[11]  ZHANG M , TAO F , NEE A Y C . Digital twin enhanced dynamic job-shop scheduling[ J] .   Journal of Manufacturing Systems , 2021 , 58 : 146 - 156 .

[12]  GRIEVE S M . Origins of the digital twin concept [ J ] . Florida Institute of Technology,  2016 , 8.

[ 13 ]  GRIEVESM W . Product lifecycle management : the new paradigm for enterprises [ J ] .    International Journal of Product Development , 2005 , 2(1 /2) : 71 - 84 .

[14 ]  GRIEVES M . Back to the future : Product lifecycle management and the virtualization of product information[ J] . Product Realization : A Comprehensive Approach , 2009 : 1 - 13 .

[15 ]  SINGH M , FUENMAYOR E , HINCHY E P, et al . Digital twin : Origin to future[ J] . Applied System Innovation , 2021 , 4 (2) : 36.

[16]  GRIEVES M . Virtually perfect : driving innovative and lean products through product  lifecycle management [ M ] . Cocoa Beach : Space Coast Press , 2011.

[17 ]  GLAESSGEN E , STARGEL D . The digital twin paradigm for future NASA and US Air Force vehicles[ C ] //53 rd AIAA/ASME/ASCE/ AHS/ASC structures , structural dynamic s and materials  conference 20th AIAA/ASME/AHS adaptive structures conference 14 th AIAA . 2012 : 1818.

[18]  GOCKEL B , TUDOR A , BRANDYBERRY M , et al . Challenges with structural life forecasting using realistic mission profiles[ C ] // 53 rd AIAA/ASME/ASCE/AHS/ASC structures , structural dynamics and materials conference 20th AIAA/ASME/AHS adaptive structures conference 14 th AIAA . 2012 : 1813 .

[19 ]  共研产业研究院．2022 - 2028年中国数字孪生市场调查与投资方向研究报告[ R] .北京，2022.

[20]  GRIEVES M.Digital twin : manufacturing excellence through virtual factory replication[ J] .   White paper , 2014 , 1(2014) : 1 - 7 .

[21]  于勇，范胜廷，彭关伟，等．数字孪生模型在产品构型管理中应用探讨[ J] . 航空制造技术，2017 , 60(7 ) : 41 - 45 .

[22]  中国电子技术标准化研究院．信息物理系统建设指南(2020 ) [ EB/OL] . (2020- 8 - 28) .

[23 ]  智研瞻产业研究院．2022年注塑制品行业发展前景及规模分析[ EB/OL] . [2023 - 03 - 17 ] .

[24 ]  Siemens . Siemens and NVIDIA to enable industria metaverse [ EB/OL] . (2022 - 06 - 29) .

[25 ]  泛盾注塑云．注塑行业MES系统解决方案，打造数字化智能工厂[ EB/OL] . (2022-08 - 16) .

[26] 中塑在线．信易：夯实数字化基础，推动注塑行业实现智能化[ EB/OL] . (2020 - 10 - 28) .

[27 ] 吴峻睿，谢仲铭，王立斌，等．一种智能注塑工厂系统设计与应用[ J] .机电工程技术，2021 , 50(10) :176 - 179 .

[28]  陈伟才，段明皞，张南，等．数字孪生驱动的车间管理系统开发[ J] . 组合机床与自动 化加工技术，2023 (9 ) :178 - 181 .

[29 ] 吴轶凡．注塑车间数字孪生系统关键技术研究[D ] .西安：长安大学，2023 .

[30]  KARBASI H , REISER H . Smart mold : Real-time in-cavity data acquisition[ C ] //First  Annual Technical Showcase & Third Annual Workshop , Canada . 2006 .

[31]  AGEYEVA T , HORVÁTH S , KOVÁCS J G . In-mold sensors for injection molding : On the  way to industry 4 . 0 [ J] . Sensors , 2019 , 19 (16) : 3551.

[32]  MODONI G E , STAMPONE B , TROTTA G . Application of the Digital Twin for in process monitoring of the micro injection moulding process quality[ J] . Computers in Industry , 2022 ,  135 : 103568.

[33 ]  TROTTA G , STAMPONE B , FASSI I , et al . Study of rheological behaviour of polymer   melt in micro injection moulding with a miniaturized parallel plate rheometer [ J ] . Polymer  Testing , 2021 , 96 : 107068.

[34 ]  胡家诚，高峰，陆蕾键等．一种基于数字孪生模型的注塑机运动控制方法：中国，CN115302726A[ P] . 2022-11- 08 .

[ 35 ]  PARK H S , PHUONG D X , KUMAR S . AI based injection molding process for consistent  product quality[ J ] . Procedia Manufacturing , 2019 , 28 : 102 - 106 .

[36]  邦华．注塑机 IOT 联网数据采集方案[EB/OL] . (2022 - 04 - 04) .

[37] PABST R G , DE SOUZA A F , BRITO A G , et al . A new approach to dynamic forecasting of cavity pressure and temperature throughout the injection molding process[J] . Polymer  Engineering & Science , 2022 , 62(12) : 4055 - 4069 .

[38]  Moldex3 D .Moldex3 D模流仿真结合注塑机数字孪生技术剖析- T0量产关键因素 [ EB/OL] . (2022 - 12 - 16) .

[39 ]  何和智，高琦，张涛．国内外大型注塑机技术发展动态综述[ J] .中国塑料，2022 , 36(11) :140 - 149 .

[40]  工业数字孪生白皮书发布[ J ] .工业控制计算机，2021 , 34 (12) :19 .

[41] CORALLO A , DEL VECCHIO V , LEZZI M , et al . Shop floor digital twin in smart  manufacturing : a systematic literature review [ J] . Sustainability ,  2021 ,13 (23 ) : 12987 .

[42]  黄耀波，刘佳新，徐祖华，等．基于PWA融合模型的注塑过程保压段建模及控制策略 [J] .化工学报，2020, 71(3 ) :1103 - 1110 .

[43 ]   郑方莉．注塑成型工艺参数智能设置及优化[ D] . 北京：北京化工大学，2022.

[44 ]   张伦彦．面向数字孪生的工业互联网平台构建技术研究[ J] . 智能制造，2022(6) :94 - 98 .

[45 ]   刘欣，范希营，郭永环，等．注塑工艺参数优化研究现状及发展趋势[J] .塑料科技，2021 , 49 (2) :106 - 110 .

[ 46]   KAMAL M R , PATTERSON W I , ConLEY N , et al . Dynamics and control of pressure in  the injection molding of thermoplastics [ J ] . Polymer Engineering & Science , 1987 , 27 (18) :  1403 - 1410 .

[ 47 ]  TSAI K M , LAN J K . Correlation between runner pressure and cavity pressure within   injection mold [ J ] . The International Journal of Advanced Manufacturing Technology , 2015 ,  79 : 273 - 284 .