El análisis de parámetros de máquina influyentes puede ser útil para planificar y diseñar un proceso de moldeo por inyección de plástico. Sin embargo, la investigación actual en análisis de parámetros se basa principalmente en ingeniería asistida por computadora (CAE) o simulación, que han demostrado ser inadecuadas para analizar cambios de comportamiento complejos en el proceso real de moldeo por inyección. En cambio, enfoques más avanzados que utilizan tecnología de aprendizaje automático, específicamente con redes neuronales artificiales (ANN), han traído resultados prometedores en términos de precisión de predicción. No obstante, la caja negra y la representación distribuida de las ANN impiden que los humanos obtengan una visión sobre qué parámetros del proceso tienen una influencia significativa en la salida de predicción final. Por lo tanto, en este artículo, desarrollamos un modelo de ANN más simple utilizando aprendizaje estructural con olvido (SLF) como el algoritmo para el proceso de entrenamiento. En lugar de la retropropagación típica que generó una capa completamente conectada del modelo de ANN, el SLF solo revela las neuronas y conexiones importantes. Así, el proceso de entrenamiento del SLF deja solo conexiones y neuronas influyentes. Dado que cada una de las neuronas, específicamente en la capa de entrada, representa cada uno de los parámetros de moldeo por inyección, el modelo ANN-SLF puede ser investigado más a fondo para determinar los parámetros del proceso influyentes. Al aplicar SLF al proceso de entrenamiento de la ANN, este experimento ha extraído con éxito un conjunto de parámetros significativos del proceso de moldeo por inyección.