汽车后地板压铸质量在线预测（小米合作）

时间: 2025
标签: 压铸质量预测 · 策略优化 · 半监督学习 · 红外热像

汽车底盘这类压铸的安全件，好不好过去只能靠”破坏性测试”——把件砸坏了测强度，成本高、也没法每件都测。这个项目和小米合作，用真实的汽车后底盘压铸数据训练模型，让它在不砸件的情况下在线预判质量好坏，尤其把”该拦却没拦下来”的漏检压得很低。在能用的标签很少的条件下，做到总体基准准确率 48.6%、有界召回率 91%（对应极低漏检），超过 9 个基线，还能给出一句句能读懂的故障判断理由。这也是一作论文《Label-Scarce Fault Diagnosis and Property Prediction in Forming Processes》（Applied Soft Computing 在投）的工程落地面。

图 1　两阶段策略优化框架：容差感知 GRPO 冷启动 → WGAN-GP 判别器引导半监督对齐，健康流形奖励回流形成协同进化环（自绘）。

背景

压铸件的力学性能（UTS/YS/EL）此前只能靠破坏性测试抽检，成本高、无法在线覆盖全量。可标注的破坏性测试件年均不过百，而无标签件上千——这是一个典型的标签稀缺、且漏检代价极高的安全关键场景。

方法

系统输入 26 维特征（10 项工艺参数 + 16 维红外热像自编码特征），预测 9 个区域的 UTS/YS/EL，分两阶段训练：

阶段 1 · 容差感知 GRPO：把工程容差（如 ε_UTS=8 MPa）直接写进奖励、重罚危险的高估；无需专家推理链、也无需独立 critic 网络，用少量标注件完成监督冷启动；
阶段 2 · WGAN-GP 半监督对齐：判别器从 1000+ 无标签件学习”健康流形”，其真实度分数作为无标签样本的强化学习奖励，与策略网络构成协同进化环。

模型底座为 DeepSeek-R1-Distill-Qwen-14B + LoRA，输出逐步故障推理（如从热像冷点模式推断潜在气孔根因）。

结果

总体基准准确率 48.6%、总体有界召回率 91%，超越 Linear Regression / RF / SVM / MLP / DNN / 1D CNN / Transformer / Self-Training / WGAN-GP 共 9 个基线；
单任务：UTS 84.0% / 98.6%、YS 76.4% / 97.9%、EL 61.8% / 93.8%（准确率 / 有界召回）；
消融显示阶段 2 判别器引导带来 +2.77 pp 总体准确率、+2.8 pp 总体召回。

这个项目里我用到 / 练出的能力

把**强化学习策略优化（GRPO）**落到真实工业数据，而不是仿真基准；
小样本 / 无标签场景的半监督设计：用 WGAN-GP 判别器从上千无标签件学”健康流形”当奖励；
面向安全关键、漏检代价极高场景的指标口径设计与可解释故障推理输出。

我的角色

论文第一作者，负责方法设计（Methodology）、验证（Validation）与可视化（Visualization）；与小米 AI Lab 团队合作完成数据与工程验证。

论文条目见论文页。

← 返回项目时间线