制造业数字化转型走到今天，瓶颈早已不在“有没有数据”，而在“数据怎么用”。很多企业上了MES、ERP、SCADA，系统越买越多，但车间里真正能指导决策的模型却寥寥无几。雾遇科技（上海）有限公司在最近一次汽车零部件产线项目中，就遇到了这样典型的“数据富矿、模型贫瘠”局面。

问题出在哪：数据不缺，缺的是“可解释的关联”

客户是华东一家铝合金压铸件厂商，产线每天产生超过80万条工艺参数记录，包括模温、压射速度、真空度、合金成分等。但质量部门只能靠事后抽检和老师傅经验判断不良率。我们进场后做了快速诊断，发现三个核心痛点：一是参数间耦合关系完全靠猜，二是良率波动无法提前预警，三是工艺调整缺乏量化依据。说白了，数据躺在服务器里，但没有人把物理过程“翻译”成数学语言。

建模思路：不是堆算法，而是先做特征工程

雾遇科技（上海）有限公司的项目组没有急着上深度学习。我们花了近两周时间跟车间工艺员逐条核对参数定义，剔除传感器漂移和停机伪数据，最终保留37个有效特征。基于梯度提升树和贝叶斯优化，建立了压射阶段缺陷概率预测模型，同时用SHAP值解释每个参数对缺陷的贡献方向——这比单纯追求准确率重要得多，因为现场工程师需要知道“为什么”才能信任模型。

模型上线后，对气孔类缺陷的提前识别准确率达到91.7%，比原有人工抽检方式提前了约40秒发出预警。别小看这40秒——它足够让操作员调整第二模的压射参数，直接减少废品。项目运行三个月，综合良率从87.2%提升到93.5%，每年节省的原料和返工成本大约在260万元左右。

落地过程中的三个关键教训

• 数据治理比建模更耗时：近30%的时间花在清洗异常值和统一时间戳上，这很正常，别指望跳过。
• 模型要“可回退”：我们保留了规则引擎作为兜底，当模型置信度低于阈值时自动切回传统控制逻辑，避免极端情况失控。
• 培训必须跟上：给一线班组长做了三轮可视化看板培训，让他们能看懂“特征贡献度”而不是只看红灯绿灯。

雾遇科技（上海）有限公司的核心能力在于把人工智能应用开发和智能算法研发落到具体产线上，而不是停留在演示demo层面。这次项目里，我们将数据建模分析与工艺知识深度融合，最终输出的数字化方案不仅包含模型本身，还有一套参数调优SOP和异常响应机制——这才是制造业客户真正能持续用起来的东西。

复盘整个项目，最深的体会是：制造业数据建模的价值不在于模型多复杂，而在于它是否改变了现场决策习惯。下一步，我们计划把这一套方法复制到压铸行业的其他工序（如热处理、机加工），同时尝试引入在线学习机制，让模型能跟随模具磨损周期自动更新。数字化转型没有终点，但每一次把“未知”变成“已知”，都是实打实的竞争力。