陈刚直言｜相同设备、相同参数，为什么良品率就是不一样？

一、一个很多现场都在困惑的问题

在压铸或注塑现场会遇到一种情况：相同型号的设备，相同的工艺参数，相同的工艺流程。但良品率，还是不一样。

宏观上的原因大家都能说出来：材料批次不一样，环境温度在变，模具状态在磨损，设备在老化……

但问题在于：知道原因“大概在哪里”，却无法精准定位，更无法确切解释。靠人盯、靠固定阈值、靠事后分析——只能知道“出了事”，说不清“为什么出事”“什么时候开始出”“怎么避免”。

二、为什么传统做法做不到？

这种做法的局限，不在“有没有数据”。

现在大多数产线，数据在采、系统在上、曲线在画。但当真正需要判断时，还是靠经验：

“这条曲线看起来还行吧……” “这个波动应该问题不大……” “感觉有点不对，但说不出来。”

问题出在三个地方：

所以，不是数据不够，而是没有一种稳定的方式，把数据变成判断。

三、工业AI的解法：三角演进模型

经过多年实践，形成了一套落地方案——工业AI的三角演进模型（简称“三模协同”）：

简单地说：DDM看出来，MDM判断对不对，LLM说清楚。三者缺一不可。

工业AI = DDM + MDM + LLM 的三角协同。

四、这套方法的底层逻辑：SECP

我们之所以能把不同产线、不同设备用同一套方法处理，是因为背后有一个统一的表达框架：

App = f(S, E, C, P)

• S（Structure）：结构。产线、设备、物料、人员——有什么对象，如何组织

• E（Event）：事件。发生了什么变化——报警、采样、状态切换

• C（Configuration）：配置。依据什么规则判断——阈值、公式、规则、配方

• P（Process）：流程。接下来做什么——顺序、分支、循环、中断

这个公式的意思是：任何工业软件或AI能力，本质上都是对这四类要素的组合与计算。三模协同运行在这个结构之上——DDM感知E和S的变化，MDM体现在C的约束中，LLM横跨S/E/C/P做语义理解。

五、前提：数据必须打通与融合

这套方法有一个基础前提：底层的多源数据需要打通、融合、统一口径。

没有这个数据底座，三模协同就是空中楼阁。

六、具体怎么落地？四步实施法

以下时间基于我们试点项目的实际经验，仅供参考，具体视现场情况而定。下面是我们在一家压铸企业的试点中，实际走通的四步。

第一步：统一数据语言（1-2周）

具体做法：

• 统一三个核心变量：压力、速度、位移

• 统一三个功能阶段：填充、压实、冷却

• 建立变量映射表：原始信号→ 统一变量名

产出：一份数据字典，所有产线共用。

第二步：建立正常基线（1周）

具体做法：

注意：需剔除已知的异常批次，否则会把“错误的曲线”当成正常基线。

产出：一条正常曲线带+允许波动范围。

第三步：部署三层判断（2-3周）

• 第1层（DDM）：实时检测当前曲线是否偏离正常基线，输出异常分数（0-1）

• 第2层（MDM）：校验异常是否违反机理逻辑（如压力变化率不超过阈值），输出通过/不通过

• 第3层（LLM）：通过预设Prompt模板，自动生成一句话原因+检查方向

产出：一个可运行的判断引擎。

第四步：配置化迁移（1周）

推广到另一条产线时：复制配置文件→修改变量映射→调整阈值→不修改任何代码

工业AI不再是“一次性项目”，而是“可复制能力”。

七、现场实际发生的变化

• 问题可以更早被看到。现场变化后10-30秒识别出异常趋势。

• “看起来正常”的问题更容易被发现。细小变化不再被忽略。

• 判断开始变得一致。MDM的机理约束让标准统一了。

• 工程师的工作方式开始改变。从“完全靠经验”变成“经验+数据+机理一起判断”。

• 换产线不再重新开发。从压铸到注塑，只换配置文件，代码一行没改。

良率稳定性与预判效率明显提升。

八、更深一层：三模之间如何协同演化？

这套框架不只是“三个模型一起用”，它们之间还有两层相互支撑的关系：

第一，数据模型与机理模型相互成就。

数据模型可以发现机理模型尚未覆盖的潜在规律——它“不知道为什么”，但能“看出有问题”。这些发现经专家确认后，可以反哺、丰富机理模型。同时，机理模型为数据模型提供物理边界，缩小搜索空间。

第二，机理模型约束大模型。

大模型可能产生“机理幻觉”——听起来合理但违反工业机理的解释。机理模型作为约束层，校验大模型的输出是否在机理可行域内，防止它“胡说八道”。

三者不是静态组合，而是可演进的协同系统。越用越准，越用越稳。 点击下方链接阅读全文： 陈刚直言｜相同设备、相同参数，为什么良品率就是不一样？