Bilingual Paper Reading · 中英对照精读
工业注塑成型合成数据提取的进展——用仿真数据给机器学习「补课」
准大一 · 机械设计制造及其自动化 × 智能制造 × AI+制造 —— 合成数据增强精读材料
原文：arXiv:2511.08117
2025年11月11日发布
arXiv 预印本（cs.AI）
注塑成型 × 合成数据 × LSTM
附英文摘要朗读音频
一、论文档案
英文标题Advancements in synthetic data extraction for industrial injection molding
中文标题工业注塑成型合成数据提取的进展
作者格奥尔格·罗滕瓦尔特, 马塞尔·蒂利, 克里斯蒂安·比伦贝格, 卡塔琳娜·奥伯迈尔
发布时间2025年11月11日（v1）｜分类：cs.AI（人工智能）
一句话概括真实注塑数据又贵又难采集？那就用仿真「造」数据——把模拟生产循环生成的合成数据按比例混进训练集（最多 30%），让 LSTM 质量分类模型更鲁棒。
💡 为什么选这篇给你：① 注塑成型是典型的「数据贵、标注难」工业场景，合成数据是当下工业界最热的话题之一；② 全文几乎没有公式，核心思想（用仿真循环造数据→按比例混合→验证鲁棒性）用文字就能讲清楚；③ 与智能制造、质量工程直接相关，是大一就能读懂的「AI 进工厂」入门范本。
二、核心术语表（先扫一遍再读正文）
| 英文术语 | 中文 | 大白话解释 |
|---|
| injection molding | 注塑成型 | 把熔融塑料高压注入模具型腔、冷却定型成零件的工艺，手机壳、齿轮、外壳大多是这么造出来的。 |
| synthetic data | 合成数据 | 不靠真实采集、而靠仿真/程序「造」出来的数据，用来补充真实数据集的不足。 |
| data acquisition | 数据采集 | 从生产设备收集、存储并标注数据的过程，论文说这是机器学习最大的瓶颈之一。 |
| data augmentation | 数据增强 | 用变换或合成手段扩充训练集，让模型见多识广、更抗过拟合。 |
| production cycle | 生产循环 | 一次完整的注塑过程（合模→注塑→保压→冷却→开模），论文用仿真模拟它来生成数据。 |
| Long Short-Term Memory (LSTM) | 长短期记忆网络 | 一种能记住「很久以前的输入」的循环神经网络，适合处理注塑过程这类时序数据。 |
| robustness | 鲁棒性 | 模型面对没见过的场景仍能稳定工作的能力，本文的核心追求。 |
| quality classification | 质量分类 | 判断每个产品合格/不合格的任务，本文 LSTM 的用途。 |
| simulation | 仿真 | 用软件模拟真实生产过程，可以在不占用真机的情况下「跑」出数据。 |
| Generative Adversarial Network (GAN) | 生成对抗网络 | 生成器与判别器互相博弈的神经网络，能生成以假乱真的数据——本文未来计划用它。 |
| generalization ability | 泛化能力 | 模型在训练时没见过的数据上依然表现良好的能力。 |
| labeling | 标注 | 给数据打上「合格/不合格」等标签，是工业数据又贵又慢的主要原因。 |
三、摘要中英对照（精读核心）
🎧 音频在文末，可先听一遍原文再读；每个英文句都配了逐句翻译。
摘要 Abstract
EN · 原文
Machine learning has significant potential for optimizing various industrial processes.
CN · 翻译
机器学习在优化各类工业过程方面具有
巨大潜力。
EN · 原文
However, data acquisition remains a major challenge as it is both time-consuming and costly.
CN · 翻译
然而，
数据采集仍是一大挑战，因为它既耗时又昂贵。
EN · 原文
Synthetic data offers a promising solution to augment insufficient data sets and improve the robustness of machine learning models.
CN · 翻译
合成数据为扩充不足的数据集、提升机器学习模型的鲁棒性提供了一种有前景的方案。
EN · 原文
In this paper, we investigate the feasibility of incorporating synthetic data into the training process of the injection molding process using an existing Long Short-Term Memory architecture.
CN · 翻译
本文利用现成的
长短期记忆（LSTM）架构，研究将合成数据融入
注塑成型训练过程的可行性。
EN · 原文
Our approach is to generate synthetic data by simulating production cycles and incorporating them into the training data set.
CN · 翻译
我们的方法是
通过仿真生产循环生成合成数据，并将其并入训练数据集。
EN · 原文
Through iterative experimentation with different proportions of synthetic data, we attempt to find an optimal balance that maximizes the benefits of synthetic data while preserving the authenticity and relevance of real data.
CN · 翻译
通过对不同
合成数据比例的反复试验，我们试图找到最优平衡点：既最大化合成数据的收益，又保留真实数据的
真实性与相关性。
EN · 原文
Our results suggest that the inclusion of synthetic data improves the model's ability to handle different scenarios, with potential practical industrial applications to reduce manual labor, machine use, and material waste.
CN · 翻译
结果表明，加入合成数据能提升模型
应对不同场景的能力，并有望在工业实践中
减少人工、机器使用和材料浪费。
EN · 原文
This approach provides a valuable alternative for situations where extensive data collection and maintenance has been impractical or costly and thus could contribute to more efficient manufacturing processes in the future.
CN · 翻译
在数据采集与维护不切实际或成本高昂的情况下，这种方法提供了宝贵的替代方案，未来有望助力
更高效的制造流程。
关键词 Keywords：Synthetic Data 合成数据 ｜ Injection Molding 注塑成型 ｜ LSTM 长短期记忆网络 ｜ Data Augmentation 数据增强 ｜ Robustness 鲁棒性
四、引言精选（为什么这个问题重要）
① 工业数据是「双刃剑」：采不到多样性的数据
EN · 原文
One of the most prominent challenges to optimizing processes through ML is data collection, which is one of the biggest and most critical bottlenecks. Most of the time dedicated to ML processes from start to finish is typically devoted to data preparation and procurement, encompassing tasks such as data collection, cleaning, analysis, visualization, and feature engineering [9].
CN · 翻译
通过机器学习优化流程的最大挑战之一是
数据采集，它是最重大、最关键的瓶颈之一。从始至终用于机器学习流程的大部分时间，通常都花在
数据准备与获取上，包括采集、清洗、分析、可视化和特征工程等任务。
EN · 原文
This possibility of data acquisition is a double-edged sword since the production cycles only produce the same products or products that are difficult to distinguish. So it is hard to grant greater variance between different states of product quality without being forced to produce broken products.
CN · 翻译
这种数据采集的可能是一把
双刃剑：生产循环只能产出相同或难以区分的产品。因此，除非被迫制造废品，否则很难在产品质量的不同状态之间获得更大的差异。
EN · 原文
To produce many different qualities would mean a lot of deliberate production waste, many machine hours, a lot of skilled labor time, and wasted materials.
CN · 翻译
要生产出许多不同质量的产品，就意味着
大量刻意制造的废品、大量机时、大量熟练工时和材料浪费。
② 思路：用仿真「造」出便宜的数据
EN · 原文
Since most companies try to keep the cost-benefit factor of their production chains as high as possible, synthetic data could be used in the future to generate or enrich larger data sets. This would provide cheap and efficient data if large datasets are not existing.
CN · 翻译
既然大多数公司都尽量让生产链的
成本效益比最大化，未来就可以用合成数据来生成或扩充更大的数据集——在缺乏大数据集时，这能提供
便宜而高效的数据。
EN · 原文
For this very purpose, we propose in our paper to enrich and augment too small or insufficient datasets with synthetically generated data. The approach is to build from existing literature by using the simulated operations of production cycles to augment our training dataset for ML.
CN · 翻译
正是为此，我们在论文中提出用
合成生成的数据来充实和增强过小或不足的数据集。该方法建立在现有文献之上：利用
仿真运行的生产循环来扩充机器学习的训练数据集。
EN · 原文
To demonstrate our approach, we have taken an existing Long Short-Term Memory (LSTM) architecture that is designed to classify the quality of an injection molding process and trained it with two data sets. The first data set consisted only of real data and was too small for representative training. A synthetic data set was used as the second data set. In our training, the proportion of total data was then increased with up to 30% synthetic data.
CN · 翻译
为演示我们的方法，我们采用了一个现成的
LSTM 架构（用于注塑成型过程的质量分类），并用两个数据集训练：第一个数据集只含真实数据，
太小，不足以进行有代表性的训练；第二个是合成数据集。训练中，总数据里合成数据的比例最高增加到
30%。
💡 这是全文最有味道的一段：“So it is hard to grant greater variance between different states of product quality without being forced to produce broken products.”——工业界想收集「坏样本」，就得真的把产品做坏。这个两难，正是合成数据存在的理由。
五、论文贡献（3 个要点）
EN · 原文
1. Feasibility of synthetic data in injection molding. We investigate the feasibility of incorporating synthetic data into the training process of the injection molding process using an existing Long Short-Term Memory architecture.
CN · 翻译
1. 合成数据用于注塑成型的可行性研究。我们基于现成 LSTM 架构，研究了将合成数据融入注塑成型训练过程的
可行性。
EN · 原文
2. Simulation-based data generation. Our approach is to generate synthetic data by simulating production cycles and incorporating them into the training data set.
CN · 翻译
2. 基于仿真的数据生成方法。我们的做法是通过
仿真生产循环生成合成数据，并将其并入训练数据集。
EN · 原文
3. Optimal balance via iterative experimentation. Through iterative experimentation with different proportions of synthetic data, we attempt to find an optimal balance that maximizes the benefits of synthetic data while preserving the authenticity and relevance of real data.
CN · 翻译
3. 通过反复试验寻找最优配比。通过尝试不同的
合成数据比例，找到既最大化合成数据收益、又保留真实数据真实性与相关性的最优平衡点。
六、结论中英对照
EN · 原文
We have shown that it is possible to train injection molding processes with a combination of real and synthetic data to improve the robustness of the resulting models. Our results suggest that the inclusion of synthetic data in the training process not only improves the model's ability to handle different scenarios but also offers promising potential for practical industrial applications.
CN · 翻译
我们证明，可以用
真实数据与合成数据相结合来训练注塑成型模型，提升模型的鲁棒性。结果表明，训练中加入合成数据不仅能提高模型
应对不同场景的能力，还具有可观的
工业应用潜力。
EN · 原文
By incorporating synthetic data, we can improve the performance and generalization ability of ML models.
CN · 翻译
通过加入合成数据，我们可以提升机器学习模型的
性能与泛化能力。
EN · 原文
Thus, in the next studies, we will try to increase the synthetic fraction in our data as much as possible. In addition, we will try to use Generative Adversarial Networks (GANs) to generate more synthetic data that also take into account the noise and uncertainties of real-world data [2] [3].
CN · 翻译
因此，下一步研究我们将尽可能提高数据中的
合成比例，并尝试用
生成对抗网络（GAN）生成更多考虑真实数据噪声与不确定性的合成数据。
EN · 原文
By applying our approach, it may be possible to reduce the need for manual labor, machine usage, and material waste associated with traditional injection molding process optimization. In addition, our method offers a valuable alternative in situations where extensive data collection and maintenance has been impractical or costly. This can be beneficial to any company that does not have the resources to invest in extensive data collection.
CN · 翻译
应用我们的方法，有望减少传统注塑工艺优化所需的
人工、机器使用与材料浪费；在数据采集与维护不切实际或成本高昂的场合，该方法提供了宝贵替代方案，对
无力投入大规模数据采集的公司尤其有益。
EN · 原文
We hope our approaches will pave the way for more sustainable and efficient manufacturing processes in the future.
CN · 翻译
我们希望这些方法能为未来
更可持续、更高效的制造流程铺平道路。
七、编者解读：这篇论文到底讲了什么（大白话版）
- 问题：想让机器学习帮工厂优化注塑质量，但真实数据又贵又难采——采集、存储、标注都要钱要时间；而且正常生产循环只会产出合格品，想采「不合格样本」就得故意造废品，成本更高。
- 做法：用仿真软件模拟生产循环，「造」出一批合成数据，按不同比例（最高 30%）混进真实数据，一起训练一个现成的 LSTM 质量分类模型。
- 结果：加入合成数据后，模型应对不同场景的能力变强了——说明合成数据确实能补足真实数据的「多样性短板」，同时不牺牲真实性。
- 最值钱的观点：工业数据问题的本质是「坏样本稀缺 + 采集昂贵」；与其硬采，不如「仿真造」。论文也诚实地指出这只是第一步——未来要用 GAN 生成带噪声、更接近真实的数据。
- 工程意义：对工厂而言，这套思路能减少人工、机时和材料浪费；对任何没钱做大规模数据采集的中小企业，都是一个低成本的智能化入口。
🎯 对保研的启示：这篇论文示范了「数据稀缺场景下怎么做机器学习」的通用套路——先分析瓶颈（数据），再找替代资源（仿真合成），最后用实验验证配比。复试时讲「我为解决数据问题做了什么」，比背模型名更打动人。
八、给准大一的阅读路线图 & 延伸方向
📖 怎么读这篇论文（三遍法）
- 第一遍（10 分钟）：只读摘要和术语表，回答三个问题——问题是什么？方法是什么？结果是什么？
- 第二遍（20 分钟）：读引言 + 结论，重点体会「工业数据为什么贵」和「合成数据补的是什么短板」。
- 第三遍（30 分钟）：读方法相关文字段落（仿真生成流程、30% 混合比例实验），跳过参考文献和所有编号，只抓文字逻辑；遇到不懂的术语回查术语表。
🚀 这个方向你能延伸做什么
- 现在就能做：查一查「注塑成型工艺参数」有哪些（温度、压力、保压时间），思考哪些参数会影响产品质量——这是给机器学习「设计特征」的第一步。
- 大一→大二：学好 Python 与概率统计；可以自己玩一玩开源仿真/数据增强工具，体会「造数据」的乐趣。
- 大二→大三：方向可扩展为注塑成型工艺优化、合成数据生成（GAN/扩散模型）、工业时序数据质量预测、数字孪生与智能制造——都是「机械 + AI」的保研热门方向；国内可关注《中国机械工程》《机械工程学报》。
九、英文摘要朗读（练听力用）
先盲听一遍→再看对照稿→再听一遍。目标是听出每个数字（up to 30% synthetic data）和术语（synthetic data、injection molding、robustness）。