制造过程智能监控

精密成型过程一旦出现批量异常，等终检发现往往已经报废成批零件。项目把成型力学写进算法：按模具的实际动作把每个成型周期的信号切成若干段，用概率先验告诉模型该盯哪一段，再只用正常件训练出”正常”的边界，在生产节拍内判定每一件是合格、异常还是需要人工复核。方法在两条真实产线上验证，无异常样本训练的条件下准确率分别达 99.32% 和 94.92%。

大模型驱动的对抗式半监督训练，用少量破坏性检测样本 + 海量产线传感数据，在线预测大型压铸件各区域力学性能

工厂里异常检测、故障诊断、虚拟量测通常各训一个模型，换台设备、换道工艺就得重新采数重新训练。团队构建了一套工业时序基础模型底座——先在大量无标注信号上自监督预训练，让骨干网络学会时间序列的通用规律；再冻住骨干，每个任务只挂一个轻量头微调上线。冲压与注塑两条真实产线验证：异常检测 F1 达 97.0% 且零误报，故障诊断 Macro-F1 达 94.6%，虚拟量测 RMSE 低至 0.0259 mm，均优于单独训练的对照方法。

面向化学机械平坦化等半导体关键制程，开展在线虚拟量测与故障检测研究，实现故障特征自动提取与检测限值设定，相关成果已应用于 Applied Materials 的先进制程场景与工具链。