AI 在 MES 质量预测与异常预警中的落地实践

为什么是质量预测先落地

去年我们在一个注塑件工厂做 MES 二期的时候，车间主任提了个很实在的需求：能不能在模具温度开始漂的时候，系统自动给个提醒，别等做出一堆废品了才发现。

这个需求本质上就是"质量预测"——用当前工序的工艺参数，预判这批产品会不会出问题。注塑、冲压、SMT 贴片、热处理这些工序，质量跟温度、压力、速度、时间这些参数强相关，特别适合用 AI 模型来做预测。

更关键的是，MES 本身就在记录这些数据：工单开工时间、每道工序的报工节点、质检员填的不良原因、设备 PLC 回传的温度曲线。很多企业不是没有数据，而是这些数据还停留在“出了问题再查”的阶段。

数据准备：比模型更重要的一步

说实话，做 AI 项目最耗时间的不是训练模型，是把数据整理干净。MES 里的数据有几个常见的坑：

• 质检员填不良原因时，同一个缺陷可能有五六种写法，"划伤""表面划痕""外观划伤"其实是同一回事。
• 设备采集的工艺参数偶尔会有跳变，比如温度传感器瞬间读到 999℃，明显是干扰信号。
• 有些工序的报工时间跟实际加工时间对不上，工人可能做完一批才统一扫码。

所以第一步不是急着上模型，而是把 MES 里至少 3-6 个月的历史数据拉出来，先做清洗和标注。把不良原因统一归类，把明显异常的值过滤掉，把工单、工序、质检记录按时间轴对齐。这一步做好了，后面建模会顺很多；这一步做不好，模型再复杂也只是看起来热闹。

模型怎么选：别一上来就搞深度学习

很多人一提到 AI 就想到神经网络、深度学习，但在工厂场景里，复杂模型不一定最合适。车间主任和质量经理更关心的是"为什么判断这批有风险"，而不是只看到一个黑盒分数。

实际项目中，我们更推荐从决策树、随机森林或者 XGBoost 这类模型入手。它们的好处是：

• 训练快，一台普通服务器就能跑。
• 可解释性强，能输出类似"温度超过 185℃ 且压力低于 0.6MPa 时，缺陷概率明显上升"这样的判断依据。
• 对数据量的要求没那么高，几千条记录就能出初步结果。

等这些基础模型跑稳了，如果确实有海量数据，比如每天几十万条工艺曲线，再考虑上 LSTM 或 Transformer 做时序分析也不迟。先把一个工序跑通，比一开始追求模型名词更重要。

异常预警：从事后补救变成事前拦截

质量预测解决的是"这批会不会出问题"，异常预警解决的是"现在是不是已经不对劲了"。

举个例子：一条 SMT 产线，回流焊的温区温度应该是阶梯式上升的。如果某个温区的实际温度曲线跟标准曲线偏差超过阈值，系统就应该立刻推一条告警到车间看板和班组长的手机上。

这个场景的实现逻辑其实不复杂：

1. 在 MES 里定义每个工序的关键工艺参数和正常范围。
2. 通过 PLC 数据采集实时获取设备参数。
3. 用滑动窗口算法或简单的统计过程控制（SPC）规则做实时比对。
4. 超出阈值时，MES 自动生成异常事件，推送到指定人员。

如果再结合 AI 模型，还可以做到"趋势预警"：参数还没超标，但连续几分钟都在往坏的方向漂，系统也能提前报警。这种预警比单纯靠上下限判断更贴近现场，也能给班组留出处理时间。

落地节奏：别想一口吃成胖子

根据我们的经验，AI 质量预测项目建议分三步走：

• 第一步（1-2 周）：选一条产线、一个关键工序、一类最常见的缺陷，把 MES 里的历史数据拉出来做清洗和标注。
• 第二步（2-3 周）：用 XGBoost 或随机森林训练一个基础模型，在历史数据上验证效果。如果模型能稳定提前识别出主要风险，就值得上线试跑。
• 第三步（持续迭代）：把模型部署到 MES 的质检模块里，质检员在实际使用中反馈预测结果准不准，这些反馈再回来优化模型。

关键原则是：先跑通一个点，再扩展到其他工序和缺陷类型。千万别一上来就想覆盖全厂所有产品，那样大概率会烂尾。

跟 MES 现有流程怎么结合

AI 的预测结果不能飘在天上，必须落到 MES 的操作流程里才有价值。具体来说：

• 工单开工时，系统根据历史数据自动标注风险等级，高风险工单提醒质检员加强巡检。
• 工序报工时，如果 AI 判断当前参数组合有异常，报工界面直接弹出预警提示，质检员必须确认后才能流转到下一道工序。
• 质检记录里增加一列"AI 预测结果"，方便后续对比分析模型的准确率。
• 车间看板上增加质量趋势图，把 AI 预测的风险工单用红色标记出来。

这些改动都不大，不需要推翻 MES 现有的流程，只是在关键节点上加了一层智能判断。

一个真实的投入产出账

那个注塑件工厂做完一期质量预测之后，车间主任给我们算了一笔账：上线前，每个月因为模具温度异常导致的批量报废大概有 3-4 次，每次损失在 8000-15000 元之间。上线后三个月，这类报废降到了每月 1 次以内，而且每次都能在头几个产品出问题时就拦截住，不会等到整批做完才发现。

项目的投入呢？数据清洗、模型训练再加上 MES 功能改造，总共不到 15 个人天。对这个工厂来说，这笔账是算得过来的。

当然，不是每个场景效果都这么明显。如果企业的工艺本身就很稳定、不良率已经很低，AI 预测的边际收益就有限。所以上 AI 之前，先看看自己的 MES 数据里有没有"值得预测的问题"，这个判断比技术选型更重要。