同样一吨原材料，为什么不同工厂的成品率差距很大？AI正在进入工艺优化环节

先把损耗拆开

采购重量、上线重量、边角料、返工件和报废件应分别记录。若只看最终成品率，排样损失与质量缺陷会混成一个数字，改善方向也会偏离。工艺团队可按产品、设备、模具和班次构建批次档案，记录温度、压力、速度及保压时间，再将这些变量与尺寸偏差和表面质量关联。

历史数据不能直接当实验

过去的优秀批次往往使用了较新的模具、经验丰富的班组或更稳定的原料。机器学习从历史记录中发现关联，不意味着某个参数可以随意调整。应先排除设备检修、原料批次和环境变化的影响，再通过小范围受控试验验证。对高价值产品，质量阈值是硬边界，优化目标不能只设为产量最大。

多目标参数寻优

成形速度提高可能增加产量，却同时抬高废品率与设备峰值功率。可以把合格率、节拍、单位能耗和模具磨损纳入同一个约束模型，寻找一组可接受解而非唯一“最佳值”。对数据少的小批量订单，工艺知识、设备物理边界和相近产品经验尤为关键，盲目训练复杂模型容易过拟合。

把建议变成可执行工艺卡

模型建议应附带适用产品、原料范围、设备状态和预期质量区间。工艺工程师审核后生成版本化工艺卡，在首件确认、抽检和异常停机中保留人工复核。若模型输出比现行工艺提高了材料利用率，但增加换线时间，企业仍需按订单规模计算净收益。

用实验结论复盘成本

材料单价、边角料回收价、返工工时和报废处置成本共同决定项目价值。持续记录试验前后的合格重量与能源投入，可以避免“节省原料却增加电费”的片面结论。NIST 的数字孪生研究说明实时生产数据可改善价值流判断，具体参数仍必须在本厂设备上校准。

用一张工艺因果图组织数据

对金属成形而言，板材厚度与表面状态是输入，模具温度、压力与速度是可调变量，尺寸与裂纹是质量结果。若把检验结果与工艺记录分在不同系统，应先用批次号和时间窗准确关联。图中还要标出操作员调整、模具维护与环境条件等混杂因素，避免模型把“夜班”当作缺陷原因。

小批量生产的可行策略

定制订单很难为每个产品积累大量样本。可以按材料、几何形状和工艺路线建立相似产品族，借用共同规律，再通过少量受控试验校准新产品参数。工程知识提供安全范围，算法只在范围内搜索。若新产品明显超出既有经验，模型应提示不确定性，而不是输出看似精确的设定值。

试验设计比模型名称更重要

选定一组参数变化时，尽量固定材料批次和设备状态，并记录首件确认、稳定生产和换线三个阶段。随机安排试验顺序可降低设备逐渐升温带来的偏差。对质量检验耗时较长的产品，不能只依据即时传感器信号提前宣布收益。实验结束后把最优参数写入工艺卡，保留失败组合及其原因，为下一次换型提供知识。

把成品率与现金流连接

每提高一点合格率，节省的原料金额取决于原料单价、回收价和实际订单量；返工还占用设备产能和交期。若为了节材增加了检验频率和更昂贵的刀具，净收益可能减少。财务评估应同时计算废品、返工、能耗、人工和质量索赔风险，并在不同产量情境下复算。

现场实施与判断边界

试验方案可先选择一种重复生产的零件，固定原料供应商和模具状态，在安全范围内改变两个最可能影响成品率的参数。每组至少记录投入重量、首件报废、稳定段良品、机时与耗电。若改进仅出现在某位熟练操作员的班次，要继续验证是否具有可复制性。对新工艺参数设置退出阈值：尺寸偏差、表面缺陷或模具温升触及上限时立即恢复现行工艺。

这类问题最好从一条有代表性的产线或一个明确的设备系统开始。项目组应在实施前写明数据来源、生产条件、评价周期和责任人，保留原始记录，并在试运行中对照质量、交付与资源投入的变化。若工况、产品组合或计量边界发生改变，比较结果需要重新解释。任何模型建议都应由现场工程师复核后进入正式流程。

可执行的下一步是组织生产、设备、能源和信息团队进行一次联合走查：确认哪些数据已经可信、哪些关键变量仍靠人工经验、哪些措施可以低风险试验。先得到一组经得起复核的结果，再决定是否扩大设备范围或增加算法复杂度。