工艺参数优化用 AI，第一步不是训练模型，而是把「什么算好」写成可计算的指标。AI 在制造现场的角色更像一个不知疲倦的试验助手：它在参数空间里帮你选下一组该试的组合，而不是替工程师拍板。理解这条链路，要按目标、空间、试验、寻优、守边界五步走。
先把目标和约束写清楚
目标可能是良率、节拍、能耗、表面粗糙度中的一项或几项加权。约束则是设备能力、材料批次、安全余量、客户规格。目标写成一句话容易，难的是把「良率」拆成可测量的检测项，否则模型优化半天，车间不认。
多个目标往往互相拉扯：温度上去良率好，能耗也上去；压力加大节拍快，模具磨损也快。这时候不要强行合成一个分数，先把帕累托前沿画出来，让工艺工程师在几个可选方案里挑，比直接给一个「最优解」更容易被接受。
参数空间怎么画才不失控
把所有旋钮都放进搜索空间，试验次数会爆炸。常规做法是先做敏感性分析，筛掉影响小的参数，再把强相关的参数合并成一个组合变量。剩下的每个参数都要给上下限，限值来自设备手册和老师傅的经验，不能由算法自己决定。
离散参数要单独处理。比如模具型号、喷嘴规格这类只能取几个值的变量，不能当连续量插值。把它们作为分层条件，每层单独寻优，往往比硬塞进一个模型更靠谱，也更好解释。
试验设计与代理模型
真实打样成本高，所以先用少量试验点建一个代理模型，让它预测「这组参数大概会得到什么结果」。常用的取样方式是拉丁超立方或正交设计，目的是让试验点在空间里铺得开，而不是挤在老师傅熟悉的那个角落。
代理模型只是一个猜想，必须用真实试验去验证。每一轮挑出模型最看好的几个点，也挑一个模型最不确定的点，一起上机试。前者用来拿结果，后者用来补模型的盲区，两者比例大概三比一，实践里比较稳。
寻优之后还有一道安全边界
算法给出的组合可能落在历史从未试过的区域，这时候要按风险分级：偏离历史区间小的，可以直接试；偏离大的，先做单因素验证，再组合。任何情况下，安全联锁和人工确认都不能被优化流程绕过。
| 偏离历史区间的程度 | 怎么处理 | 为什么这么定 |
|---|---|---|
| 小 | 可以直接上机试 | 落在已知工况附近，出问题也能从历史记录里找到对照 |
| 大 | 先做单因素验证，再组合 | 多因素同时越界时，出问题无法归因到哪一个旋钮 |
| 任何情况 | 安全联锁与人工确认不可绕过 | 算法只给建议，越界风险由人兜底 |
上线也要分阶段。先在一条线、一个班次试运行，对比同批次物料的良率与能耗，稳定两周再推广。推广时保留旧参数作为回退方案，一旦出现批量异常，十分钟内能切回去，这比多优化两个点更重要。
漂移了怎么发现
设备磨损、原料批次更换、环境温湿度变化，都会让原来那组最优参数慢慢失效。监控要盯住两个信号：模型预测值与实际检测值的偏差，以及最优参数点的移动方向。前者变大说明模型旧了，后者移动说明工况变了。
建议每月做一次小规模复核试验，固定三组参数各跑一批，看结果是否还在预期区间。历史试验报告往往散在纸质单据和老师傅的笔记本里，可以先用秘塔AI搜索把相关记录找齐，再让通义千问整理成参数与结果对应的表格，省掉大量翻查时间。这组数据同时充当模型的校准集，比等到良率掉下去再查要省事得多。
- 目标：拆成可测量的检测项，多目标先画前沿
- 空间：敏感性筛参，离散量分层处理
- 试验：铺开取样，八成利用两成探索
- 边界：偏离历史区间大的先单因素验证
- 监控：看预测偏差与最优点的移动方向
换个问法再问工艺优化三句
- 数据量少能做吗？：能，但要把范围缩到单台设备、单个型号，先做局部优化，别一上来就覆盖全厂。
- 老师傅的经验怎么进模型？：把经验写成参数上下限和禁忌组合，作为硬约束，比让它去拟合更可靠。
- 优化结果和老师傅判断冲突怎么办？：先按小批量验证走一遍，用数据说话，冲突本身往往指向一个没被记录的隐性变量。
产线节拍稳定之后，能耗往往成为下一个优化对象，能耗预测怎么做负荷优化讲的是同一套方法在能源侧的用法；物料到线的时间安排可以看仓储拣货的路径是怎么排的；需求侧的波动见需求预测是怎么滚动更新。
