AI多工序质量追溯定制：缺陷归因与关联分析

在多工序连续生产中，终检发现的缺陷往往难以定位到具体工序。我们在一家精密结构件工厂的数据分析实验室试点了一套缺陷归因流程，思路上不做端到端黑箱预测，而是把追溯拆成两步：先锁定缺陷发生的工序区间，再在区间内比对工艺参数偏离。

具体做法是，将各工序的设备参数、检测记录与批次信息按时间轴对齐，用变化点检测定位异常时段，再用梯度提升模型计算各参数的贡献度排序，输出候选原因列表供工艺人员确认。试点覆盖冲压、机加、清洗、装配四道工序，接入约 60 个参数通道。

【阶段性进展】在近三个月的历史数据回溯中，系统对划伤与尺寸超差两类缺陷的工序定位准确率约 78%，将人工排查的平均耗时从 2.5 小时压缩到 40 分钟以内；候选原因列表的 Top3 命中率约 65%。

【下一步】当前主要误差来自批次数据缺失与多工序参数耦合。我们计划引入工序间的因果图结构，并对缺失字段做插补标记，避免把数据缺口误判为工艺异常。该方案仍处于验证阶段，暂不具备跨工厂直接复制条件。