用于眼鏡架鉸鏈、外科儀器及人造心臟瓣膜的金屬零件，常常是很小的。多年來，這類復雜形狀零件制造商依靠金屬注射成形（MIM）進行經濟的連續生產。但有時在生產中出差錯，在過程鏈的*后一步（燒結）之前，不可能發覺缺陷。當發現時糾正缺陷已太晚了。
　　借助神經網絡，用復雜數字算法監控關鍵工藝工序，為金屬注射成形無缺陷生產鋪平了道路。制造商的收益因時間節省并非無用，這一點可在*終經費上反映出來。
　　德國IFAM研究所的科研人員正朝達到無缺陷生產而努力工作。他們的想法是，在注射成形的任何時候，系統都要監控所有參數（如重量、壓力及溫度等），發出零件質量的判斷。
　　這樣就可以在線發現錯誤、尺寸不合格與缺陷（像裂紋、變形或孔穴等）。這可讓制造商馬上改變相關設置。如果需要的話，可編程自動改變長周期運轉系統的參數。必要的技術支持是由為MIM開發的神經網絡提供的。
　　神經網絡是基于高度復雜的算法，它的優點是可自學習。在一個強制的初始訓練期后，它可給出系統的所有測量數據及它們之間的探測相互關系。過程控制系統可以給出制造商相關的所有信息，例如，如果在給定工序改變壓力與溫度的話，給出零件的*終重量。
　　神經網絡的目標是至少降低廢品率50%，這表示給制造商降低很大成本，因為原材料是昂貴的。沒有神經網絡協助，在質量要求確立之前的頭幾天，公司要報廢的零件數目是很大的。
　　神經網絡的另一優點是，它實際上使質量檢驗成為不必要。它也可用于其他類型的連續生產（如輕金屬工業的壓鑄等）。由于在神經網絡的幫助下，已成功生產了試驗零件，研究人員現正尋求工業伙伴。