AI 多工序质量追溯：批次图补全与根因定位

在离散制造中，质量追溯常受限于批次谱系断链、设备日志与检验数据时间粒度不一致，导致异常根因分析依赖人工翻账。数据分析实验室近期以“批次图补全”为切入点，将工单、物料批次、工序过站和检验记录构建为异构图，节点保留时间戳与属性，边表示装配、消耗与流转关系。

针对缺失的父子批次连接，采用图神经网络结合规则约束进行链接预测，并对低置信边给出人工确认队列。阶段进展：在某新能源汽车零部件产线试点中，批次连接补全准确率约92%，根因定位Top-3命中率约78%，单次质量异常分析从约4小时缩短至25分钟。下一步计划接入工艺参数与设备状态时序，验证跨工序漂移下的在线更新策略，并建立补全结果的可追溯审计。