注塑过程是一个典型的小批量、多产品的间歇过程,具有明显的多工况、多时段、重复性等间歇特性,该过程易受到内外各因素的干扰,导致注塑制品质量不稳定。在实际生产中,注塑过程质量在线监测仍存在一些问题:(1)附加的信息感知设备会导致成本增加;(2)现代注塑机自身控制系统中配有大量高分辨率测量设备——内置信号源提供的高质量过程数据未得到充分利用;(3)如何消除内置信号的间歇特性给质量监测模型带来的不利影响,提高模型快速识别故障批次的能力。针对上述问题,本文提出了两种以内置信号为监测变量的基于数据驱动的注塑过程质量监测方法。本文首先根据注塑各阶段的关键动作选取了合适的内置信号源——注射电机扭矩、塑化电机扭矩、荷重元压力、螺杆位置、锁模油压,搭建了相应的注塑过程信号实验采集系统,并以制品重量作为质量指标,通过质量重复精度验证了系统的可行性和稳定性。其次,依据注塑过程参数可用性标准,通过控制注塑各阶段关键加工参数,处理和分析了注塑各阶段的内置信号,可以看出荷重元压力、锁模油压绝对值、降噪处理后的塑化电机扭矩信号能够有效反映注射、保压冷却、塑化各阶段的熔体状态信息,且能够随着注塑条件的改变做出合理且具有相应规律的变化,此外荷重元压力最大值、塑化电机扭矩积分也能够较好的反映注塑过程中熔体质量的变化。针对注射压力最大值和黏度指数与制品重量相关性差、分辨率低等问题,本文提出了内置信号与沿批次方向展开的多项主成分分析(MPCA)相结合的多变量统计过程监控方法。分析了注塑过程的多工况、多时段造成内置信号不等长且长度无法预知的原因,以及对该方法的影响。在建模数据等长情况下,该方法仍能够准确监测出由模温上升引起的±0.1942g以上的制品质量差异,验证了该方法在单一工况下的有效性和准确性。最后,为了克服信号不等长、多时段造成的数据预处理步骤繁琐,减少用于建模的数据量,降低计算时间和存储空间,本文提出了基于统计模量和k-近邻相结合的注塑过程质量监测方法(SP-kNN),将内置信号的统计模量划分为注射、保压、塑化三个部分,保留了注塑各阶段的过程细节和之间的相关性。SP-kNN能够准确识别出三种不同工况组成的故障批次,相比FD-kNN对工况1的确认集识别率80%,SP-kNN识别率也达到了 100%,验证了多工况下SP-kNN对注塑过程质量监测的能力优于FD-kNN。