在注塑缺陷预测的落地中，我们遇到的主要障碍并非模型精度不足，而是工况漂移。同一套模具在更换原料批次、环境温湿度变化或螺杆磨损后，原先离线训练的预测模型会系统性地偏移。实验室近期的工作集中在把"一次性建模"改为"持续校准"。
当前做法是保留离线模型作为基线，在生产过程中采集机台侧的低成本信号（注射压力积分、保压段压力衰减斜率、模温偏差、周期时长波动），用滑动窗口做分布漂移检测。当检测到特征分布显著偏移时，不直接重训，而是先做残差补偿：以少量带标签的在线样本估计偏移方向，对预测输出做校正。这样避免了频繁重训带来的产线停机与标签成本。
阶段性进展：在一条含 3 副模具、跨 6 周的生产数据上，缺陷预测的 F1 从离线模型直接推理的 0.71 提升到 0.83，误报率下降约 40%；重训频率从每周一次降至约三周一次。
下一步计划：把补偿量回写到参数自适应环节，让系统在预测到缺陷风险上升时给出可执行的工艺微调建议，而非仅报警；同时评估补偿策略在换料过渡期的稳定性。
评论