En un patrón de producción en masa industrial, la predicción de calidad es uno de los procesos importantes para garantizar la calidad. Los productos se extraen periódicamente o cuantitativamente para su inspección con el fin de observar la relación entre la variación del proceso y la especificación de ingeniería. Cuando estas irregularidades no son detectadas instantáneamente por la inspección de muestreo por lote, se producen defectos en el lote y el costo de los defectos aumenta. La falta de identificación de defectos durante la inspección de muestreo conduce a devoluciones de productos o daños a la reputación del negocio. El moldeo por presión es un método común de producción en masa en la industria metalúrgica. Después de que el metal se funde a alta temperatura, se inyecta alta presión en el molde, y luego se solidifica y forma en el molde. Por lo tanto, la estabilidad de la presión dentro del molde es uno de los factores clave que influyen en la calidad. El punto de fusión de la aleación de aluminio normalmente ronda los 650 grados Celsius, pero no existía un sensor que pudiera soportar esta alta temperatura. Para combatir esto, desarrollamos un sensor resistente a altas temperaturas y lo instalamos en el molde de presión de fundición basado en los principios de la mecánica de fluidos y las sugerencias de expertos para comprender el impacto del cambio de presión en el molde. Hasta donde alcanza nuestro conocimiento, fue un estudio seminal sobre la predicción de calidad de moldeo a través de datos de presión en el molde. Proponemos un método de predicción de calidad de fundición por presión basado en el aprendizaje automático. Al recolectar los datos de presión en el molde en tiempo real. Se utiliza el Filtro Savitzky-Golay para suavizar los datos, y se toma la diferencia de primer orden para extraer el intervalo de tiempo de una inyección real de metal fundido en el molde. Extraemos los datos clave que influyen en la calidad y empleamos XGBoost para establecer un clasificador. En el experimento demostramos que el método logra una buena precisión en la predicción de calidad y en la recuperación de defectos por presión en el molde. A través de este modelo, no solo podemos ahorrar una gran cantidad de tiempo y costos, sino también podemos emitir advertencias de mantenimiento con anticipación, notificar a los profesionales para que dejen de producir productos defectuosos, reducir el riesgo de envío y mantener la reputación para fortalecer su ventaja competitiva.