AI拧紧曲线判定定制：扭矩拐点与失效识别

拧紧工位的数据其实一直在产生，只是多数工厂只保留最终扭矩和角度两个结果值，整条曲线被丢掉了。做 AI 判定定制时，第一步往往不是建模，而是把控制器的过程数据完整取出来：常见采样率 1kHz，字段包括时间、扭矩、角度、转速、程序号与结果码，接口不开放时需加装采集盒补齐。 曲线里可用的判据比想象中多。贴合点位置反映螺纹入扣是否顺畅；扭矩上升斜率突变常对应滑牙或错扣；到达目标扭矩后的角度增量偏大，多半是浮锁或零件间隙；曲线尾部抖动则可能来自批头磨损。把这些老师傅经验转成特征，通常比直接端到端上模型更稳，也更容易向产线解释。 落地时有两点经验： 一是样本极不均衡。合格件占九成以上，建议按失效类型分层采样，对滑牙、浮锁等少数类做时序增强，评估看每类召回而非整体准确率，漏检代价高的类型单独设阈值。 二是人机协同。模型输出判定与置信度，低置信度自动转人工复判，复判结果回流入训练集；判定结论连同曲线快照、程序号、工件条码一并写入 MES，便于追溯与工艺反查。 硬件侧一般无需大改，现场工控机或边缘盒即可承载推理，单件判定延迟控制在 50ms 以内不影响节拍。