去年我们那条注塑产线，废品率突然从1.2%蹦到4.7%。工艺团队花了三个月搞的机器学习模型，刚上线就翻车。你以为我是来唱衰ML的？不。但这事把我坑惨了，所以有些实话必须撂这儿。
数据脏得像泥巴地，AI跑不起来
说白了就是，训练集里的那些‘完美数据’，车间里根本不存在。传感器抖一下、料筒温度滞后个半度，模型就懵了。我们当时用的数据，采样间隔10秒。够吗？螺杆推进一次才2秒，10秒够它走五个来回了。模型学到的都是‘平均’状态，可最要命的缺陷往往发生在瞬间。实测发现，把采样提到1秒，缺陷预测准确率从52%提到78%，但——数据量暴增，存储炸了。而且高频数据引入的噪声，比工艺本身还大。搞过工艺的都知道，温度信号里那个毛刺，八成是热电偶接触不良，不是工艺波动。可模型分不清，它把它当特征拼命拟合。
更头疼的是缺失值。车间不是实验室，记录断点是常态。换模具那半小时，系统没记录，算异常还是停机？随便插值进去，模型就给你画出个诡异峰值。我们试过用GAN补全，结果生成的压力曲线光滑得可疑，现场根本跑不出来。后来学乖了——凡是断点超5秒的，整段丢掉。这下数据集少了30%，但模型反而稳了一丢丢。
调参侠的迷思：你以为你是AlphaGo？
很多人把工艺参数当成围棋落子，以为模型找到最优解就万事大吉。错得离谱。工艺参数不是独立的，它们耦合得像团乱麻。比如说注塑里的保压压力和时间，单独调其中一个，另一个的窗口就漂了。模型给你一个组合，仿真跑通了，现场一打，模具温度分布早变了，因为冷却水路结垢了——这玩意儿模型里可没特征。
我们试过用贝叶斯优化调机，模型输出一份‘最优’参数。我多留个心眼，先拿旧模具试一下，结果锁模力直接超限15%，安全阀都跳了，差点把模具干废。吓得我当晚失眠。后来拆开看，模具顶针孔有点磨损，脱模阻力变大，模型哪算得到这个？贝叶斯优化是基于目标函数黑盒，但黑盒里面藏着一堆物理约束，一撞就碎。
说白了，机器学习只能在你圈定的范围内搜，可工艺的边界是模糊的、动态的。你约束写死，它可能找不到解；你约束放松，它就给你个能开坏机器的答案。这中间的度，靠的是工艺感觉，不是损失函数。
仿真再好，落不了地
再说仿真。你以为做了DOE然后训练代理模型就能预测真实成型？我们搞过，Moldflow仿真跑了几百组，神经网络拟合得可漂亮了，R² 0.98。结果一上机，翘曲量预测值和实测平均差0.3mm——对于精密件，这个误差能把装配线卡死。为什么？仿真假设模具温度均匀，但实际模温有梯度，而且随车间昼夜温差在变。这些细节，仿真软件里要么忽略，要么用个常数代替。模型学到的只是理想世界，到了现场，全是变数。
人机博弈：工艺员凭什么信你？
你模型说把射嘴温度降5度，老王调这机器十年了，他信吗？他嘴上不说，手上动作慢一拍，你的优化就变成薛定谔的猫。现实是，任何工艺优化最终执行者是人。抵触情绪、经验主义，还有KPI压力，都会让模型效果打七折。
我们推行模型建议系统时，工艺员的篡改率高达40%——他总觉得自己的判断更准。后来实在没法，只能把模型输出做成‘推荐值’而非‘设定值’，允许人工10%的浮动。猜怎么着？废品率反而降了0.8个百分点。讽刺吧？不完全按模型来，结果更好。因为老师傅的手动微调，恰好补偿了模型没建模的扰动。
更深层的问题是，工艺知识没法编码。你见过哪个老师傅能把调机心法写成数学公式？机器学习想优化工艺，但工艺的本质是经验、直觉和临场应变的混合物。模型能抓的只是皮毛，深层知识提取不出来，就永远是‘拟合’而非‘洞察’。
别被论文里的高精度骗了，产线上跑的，不是实验室里的干净数据。机器学习工艺优化，除非你先有一支懂工艺的数据团队，先把车间底层的数字化做得不含糊，否则，就是拿公司的钱打水漂。听着刺耳？但这是实话。
