2026-10-10 14:46:55 分类：材料工艺
去年在新能源车企的复材零部件产线蹲点，碰到个死结。热压出来的顶盖加强件，孔隙率波动卡着良率上不去。换一批预浸料，参数就得重新调，调一次废三五件，一周半个月就过去了。谁都熬不起。
卡了半年的良率死结
热压成型的参数说多不多，升温曲线三段，压力分两段，保温时间，总共也才六七个可控变量。我们照着传统DOE的方法做了二十四组试验，把能想到的交互作用都算了，刚出结果的时候良率摸到85%，大家都松了口气。结果下一批预浸料进场，含水率比上批高了0.23%，良率直接掉去61%。那两个月，实验室的孔隙率切割机天天转，样片堆了半架子，人人脸上都是黑的。谁都搞不明白，为啥参数差个十几秒，结果差出去一大截。
复合材料热压成型产线操作台实拍
小数据集也能出结果
说实话一开始我对这事也犯嘀咕，不就是炒概念吗？我们这点几百条的破数据，也能用得上机器学习？后来抱着死马当活马医的心态，把过去大半年所有的生产记录，每一批的预浸料树脂含量、进厂含水率、生产车间温湿度、每一段工艺的实际采集参数（不是设定值，这点很重要，传感器的实际读数才有用）、最后成品的检测结果，全部整理出来，一共三百一十七组，删了传感器故障的异常值，剩三百零二组。
我们没搞那些花里胡哨的大模型，就用了个梯度提升树，把孔隙率当预测目标，让模型自己算每个参数的影响权重。
机器学习工艺参数影响权重排序图
结果出来的时候我们都愣了。原来我们盯了大半年的保温温度，影响权重排第五，真正排在第一的，是加压时机和预浸料含水率的匹配关系。我们原来定的规则是凝胶点后60秒加压，模型给的结论是，提前到凝胶点后20秒，而且含水率每升0.1%，加压时间再提前8秒。
这个区间我们原来根本没试过。不敢试啊，试早了树脂流太多，零件缺胶，废一件小一千块。那为啥模型敢给？因为它把所有历史数据里那些我们当初试错瞎调出来的零散数据，都拼起来了，那些我们当初觉得做废了没用的数据，其实都是有效样本。
照着模型给的参数做了第一块样件，切出来测孔隙率，0.8%，远低于要求的2%，强度也达标。当时整个现场都静了两秒，然后有人吹了个口哨。
踩过的坑，和没跨过的边界
踩过的坑，和没跨过的边界
当然不是一帆风顺。一开始啥变量都往模型里扔，连生产的日期、班组编号都放进去了，结果模型过拟合，实验室算出来准得离谱，一到产线就瞎给参数，废了两块料才反应过来，把无关变量全部砍掉，最后只留了11个跟原材料、工艺直接相关的变量，一下就稳了。
现在跑了快八个月，良率稳定在估算91%左右，比原来的平均72%涨了快二十个点。调新批次参数的时间，从原来的10天缩到2天，不用天天熬夜做试验了。
不过话说回来，现在还是有搞不定的地方。碰到预浸料树脂含量偏差超过2%的极端批次，模型的预测误差直接翻三倍，根本没法用。因为训练数据里本来就没这种情况，你不能怪模型，原材料进厂本来就该卡规格，极端情况本来就得人工调。还有，冬天车间开空调除湿，模型的误差总比夏天闷湿的时候高一点点，我们到现在也没找到是哪个隐变量没加进去，可能是模具表面的温度梯度？还是预浸料存放一周后的水分变化？还在试。
网上说什么一键优化全自动，都是哄人的。真到产线，你得先给模型划好安全边界，超出工艺允许范围的参数，直接砍掉，不能让它瞎出主意。产线停一小时损失几万块，赌不起。
它就是个工具。把你原来散在各个试验本、生产记录里的零碎经验攒起来，把你不敢随便试的参数区间，给你划出个大概的方向。原来你蒙着眼睛摸石头，半个月才能摸到路，现在给你开了个手电筒，路还是得你自己走。对吧。
免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。如有侵权请联系删除。
文章名称：复合材料热压成型的机器学习工艺优化：从试错到收敛
文章链接：https://yqhljx.com/list_11/4137.html
