流程型制造中，配方变更常由一次试模、一次原料切换或客户特殊要求触发，但真实影响面往往跨出单个工序。我们在一条多工序连续生产线上做了小规模实验：把配方版本、设备参数、过程测量与质检结果整理成结构化台账，用图结构刻画参数耦合关系（上游温度—停留时间—下游粘度等），再基于历史变更记录训练影响评分模型，输出「可能受影响的工序清单」与「需重点复核的参数项」。
阶段性进展：在约 180 次历史变更中，模型对实际发生质量偏移的工序排序，前三位命中率约 78%，复核项数量比按工艺路线逐工序排查减少约一半。
- 关键不在于单点预测精度，而在于「变更—影响」配对样本与台账口径的一致性，数据质量基本决定效果上限。
- 下一步计划接入 MES 变更审批流，在提交环节给出影响范围提示，并保留工艺工程师人工确认作为闭环。
评论