在注塑、装配等产线上，异常处置长期依赖资深工艺员经验：报警信息、参数调优记录、维修工单分散在多个系统，新人难以复用。我们在大模型应用实验室做了一组探索，目标不是让模型直接下结论，而是让它把「找证据」这件事做快、做全。
实验路径分三层：一是把历史工单、工艺参数变更、SOP与报警日志切块入库，按设备型号、工序、材料建立可过滤的检索索引；二是让模型执行多跳检索，逐跳显式给出引用来源，输出3~5条根因假设并按可能性排序；三是加一层规则校验，用参数上下限、设备联锁关系筛掉与物理常识冲突的假设，最终形成带证据链的分析草稿交工艺员确认。
阶段性进展：在约3000条历史异常工单的离线回放中，Top-3根因命中率约七成，工艺员撰写分析报告的平均耗时有明显下降；模型在缺少历史先例的异常上表现不稳定，需标注「证据不足」而非强行归因。
下一步计划：接入实时时序数据，将离线回放转为在线辅助推断，并把人工确认结果回写知识库，形成可持续迭代的闭环。
评论