融合机理与AI的精密成型过程智能监测诊断

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%。

精密成型在线监测机理先验半监督异常检测

项目概述

精密成型过程中，某些批量异常在过程信号里只是极短一段幅值变化，人工抽检看不见，等终检发现已经是成批退货。项目不做事后挑拣，而是在成型过程中就判定：按模具的实际动作序列把信号分段，让算法只在物理上该出问题的阶段里找证据。以冲压和注塑产线为例，同一套做法已完成验证并落地。

研究目标

把成型工艺机理转成可计算的信号分段与特征

用概率先验把工艺经验注入特征筛选过程

在没有异常样本的条件下建立正常边界与判定阈值

让异常判定能回溯到具体工序，支撑根因分析

研究方法

按成型力学把每个周期的信号切成若干阶段，每段提取时域与频域统计量，叠加全周期主成分构成候选特征池。用概率先验编码每项特征的工艺经验，通过连续松弛做可微搜索，在判别力、稀疏度与物理一致性之间取平衡。检测端只用正常件训练分布外检测模型，保形校准定出双阈值。

技术路线

1
按模具动作把信号切成段
整段信号里的平均值会把局部异常抹平，所以先按机理分段。根据成型过程中模具的实际动作序列——合模、加压、成型、保持、回程等——把每个周期的信号切成若干阶段，每一阶段单独提取峰峰值、能量、谱质心等时域与频域指标。不同成型工艺的阶段划分各异，但分段提取的思路通用。
2
把工艺经验写成先验概率
老师傅知道哪个阶段最容易出问题，但这句话算法读不懂。做法是给每个候选特征一个概率先验：工艺经验认为高风险的阶段给高先验权重，低风险阶段给低先验权重，不确定的留成中性值交给数据自己判断。先验让特征筛选从一开始就偏向物理上该出问题的地方，而非纯粹靠统计指标。
3
只用正常件训练出正常边界
产线上异常样本本来就少，凑不出可靠的判别面。检测端换个思路：只用正常样本训练分布外检测（Out-of-Distribution，OOD）模型，学出包住正常空间的边界，异常分数取样本到边界的距离。再用保形校准同时约束漏报率和误报率，得到两个阈值，把结果分成合格、异常、待人工复核三档。
4
异常分数能指回具体工序
异常分数不是黑箱输出：特征筛选结果和可解释性分析共同表明，被选中的关键特征集中在成型过程中力学变化最剧烈的阶段，且异常样本在这些阶段表现出与机理一致的偏离模式。分数越高，偏离越明显，工程师据此直接定位到出问题的工步。