基于人工智能的多阶段制造系统质量预测建模研究

本文针对多阶段制造系统（MMS）中质量特性（QC）预测的挑战，研究了利用机器学习算法进行质量预测的方法。研究人员在飞机发动机零件生产的MMS中，仅使用过程中的检测数据，应用偏最小二乘回归（PLSR）、支持向量机（SVR）、随机森林（RF）等多种算法，成功预测了后续阶段（包括最终检测阶段）的QC值。结果表明，所选模型能够有效预测QC，为主动质量控制和生产流程优化提供了数据驱动工具，有助于减少对工人经验的依赖，降低废品率和返工成本。该研究为MMS的质量管理提供了新思路，具有重要的工程应用价值。

在现代制造业中，多阶段制造系统（Multi-Stage Manufacturing Systems, MMS）如同一条精密运转的流水线，每个环节都紧密相连。飞机发动机零件、半导体组件等复杂产品的生产往往需要经历数十个加工阶段。然而，这种连续性也带来了一个棘手难题：前道工序产生的微小偏差，会像多米诺骨牌一样在后续阶段不断传递和放大，最终导致产品质量不达标。传统上，工厂依赖工人的经验对生产过程进行调整，但人为判断的主观性常常导致调整过度或不足，反而增加了过程的不稳定性。如何才能提前预知产品质量，变被动补救为主动干预？这正是智能制造领域亟待突破的关键问题。

近日发表在《Machine Learning with Applications》上的一项研究，为这一难题提供了创新解决方案。由蒙特利尔综合理工学院（École Polytechnique Montréal）的Luis Fernando Agredano Gonzalez和Soumaya Yacout共同完成的研究，探索了仅利用生产过程中的检测数据，而不依赖复杂的工艺参数或传感器读数，来预测多阶段制造系统中关键质量特性（Quality Characteristics, QC）的未来表现。这项研究的意义在于，它开辟了一条低成本的预测路径，制造商无需大规模改造现有设备或增装昂贵传感器，即可实现前瞻性的质量控制。

研究人员聚焦于一个生产飞机发动机零件的真实MMS，该过程包含20个阶段，涉及约300个尺寸质量特性。他们与多学科团队合作，筛选出56个关键QC以及三个关键阶段（两个连续中间阶段q和q+1，以及最终检测阶段Q）作为分析对象。为了解决生产过程中常见的样本追溯难题，研究团队专门组织了4个受控批次的生产，对70个零件进行唯一标识并全程记录检测数据，最终获得了266个在所有三个阶段均有完整检测记录的零件数据。

在技术方法上，本研究系统地比较了八种机器学习回归算法：偏最小二乘回归（PLSR）、主成分回归（PCR）、线性核支持向量回归（SVR Linear）、径向基核支持向量回归（SVR RBF）、k最近邻（KNN）、随机森林（RF）、XGBoost以及深度前馈神经网络（DFFNN）。研究设计了三种预测策略：策略一（Models_q,q+1）使用阶段q的QC预测阶段q+1的56个QC；策略二（Models_q+1,Q）使用阶段q+1的QC预测最终阶段Q的QC；策略三（Models_q,Q）直接使用阶段q的QC预测阶段Q的QC，这种策略最具挑战性也最具前瞻价值。数据预处理包括标准化、缺失值填补（KNN方法）以及主成分分析（PCA）降维。模型优化采用随机搜索（RF、XGBoost）和网格搜索（其他算法）结合10折交叉验证，以均方根误差（RMSE）为主要评估指标，并辅以决定系数（R²）、平均绝对误差（MAE）以及两个工程指标：误差相对于数据变异的百分比（%EV）和误差相对于公差范围的百分比（%ET）。

数据描述揭示过程特征

探索性数据分析显示，不同生产批次（Lot）的零件在PCA图中呈现聚集模式，尤其Lot 1与其他批次明显分离，提示可能存在独特的工艺或材料变异。部分QC的分布呈现双峰或离散特征， violin图直观展示了测量仪器可能存在的精度限制，这为后续模型解释提供了重要背景。

预测模型性能卓越

三项建模策略均显示出良好的预测能力。策略一的平均R²为0.73，平均%ET仅为2%；策略二表现更优，平均R²达0.80，平均%ET为1.8%；策略三虽挑战最大，仍达到平均R² 0.75，平均%ET 2.2%。值得注意的是，82%（策略一）、84%（策略二）和80%（策略三）的模型R²超过0.60，预测值与实际值紧密贴合。误差分析表明，大部分模型的预测误差远小于公差范围，具备工程应用价值。

线性模型表现突出

算法比较发现，PLSR成为最频繁被选中的最佳算法（占27.38%），其次是线性核SVR（21.42%）和PCR（19.64%）。这一结果暗示，在该MMS中，多数QC与前阶段QC之间的关系更接近线性模式。而随机森林、XGBoost等复杂集成学习方法以及深度神经网络在此次小样本场景中未显优势，可能与参数过多易过拟合有关。不过，对某些特定QC，SVR_RBF等非线性模型脱颖而出，表明系统中确实存在局部非线性关系。

个别QC预测挑战与启示

研究也坦诚面对挑战：QC1-QC5在策略一和三中预测效果差（R²近0），而在策略二中表现良好（R²≥0.79），说明这些特性主要受阶段q+1的工艺参数影响，而非前序QC。另一些QC（如QC36、QC38等）在所有策略中预测均不佳，其测量值变化范围极小，提示测量系统本身的分辨率可能不足，信号被噪声淹没。

这项研究的结论清晰而有力：在多阶段制造系统中，仅利用历史检测数据预测未来质量特性是可行且有效的。这不仅为制造商提供了无需额外硬件投资的质量预测方案，更重要的是，它使提前发现缺陷、优化生产流程成为可能。当75%的QC可以实现可靠预测时，企业便可考虑减少某些阶段的物理检测频次，将资源集中于更高价值的环节。同时，数据驱动的决策辅助减少了主观判断的波动，使生产过程更加稳定可控。

当然，研究团队也指出了未来方向：扩大数据集将有助于验证更复杂模型的潜力；整合工艺参数可能解决某些“顽固”QC的预测难题；提升测量系统精度则能从根本上改善数据质量。这项研究犹如为智能制造点亮了一盏探照灯，照亮了从“经验驱动”到“数据驱动”质量管控的转型之路。随着工业大数据技术的不断成熟，这种基于人工智能的预测模型有望成为未来工厂的“标准配置”，推动制造业向高效、精准、低耗的更高境界迈进。