3.2 制造业：质检与预测性维护

3.2 制造业：质检与预测性维护

制造AI的两大经典落点是视觉质检（机器替人目检瑕疵）与预测性维护（提前预报设备故障）。本节审计两者的成色：过杀与漏检的成本平衡点、换型重训的隐性成本、以及预测性维护项目常见的死法。

产线上的两个百分比

工厂车间里衡量质检AI只有两个百分比：漏检率和过杀率。漏检是把不良品放走，代价是客诉、退货甚至整批召回；过杀是把良品拦下，代价是返工、复检人力和产能损失。这两个百分比天然打架——把阈值收紧，漏检下降、过杀上升。和第2.1节信贷的交换表同构，只是这里的分母是每小时两万件的流量，平衡点挪动零点几个百分点，一年就是几十万到几百万的差额。

审计质检系统先要拿到这张交换表，然后问一句：当前操作点是谁定的、多久复核一次。产线的真实缺陷率会随供应商批次、刀具磨损、季节湿度漂移，操作点不跟着动，系统就会慢慢失效。

def quality_cost(miss_rate, overkill_rate, throughput=20000,
                 defect_rate=0.02, miss_cost=200, rework_cost=8):
    """质检年成本模型（单班产线，示意口径）。
    miss_cost: 一件不良品流出的综合损失；rework_cost: 一件良品被误拦的成本。"""
    hours_per_year = 24 * 300
    escaped = throughput * defect_rate * miss_rate * hours_per_year
    overkilled = throughput * (1 - defect_rate) * overkill_rate * hours_per_year
    return escaped * miss_cost + overkilled * rework_cost

# 两种操作点的对比
loose = quality_cost(miss_rate=0.10, overkill_rate=0.005)   # 宽松：漏检多
tight = quality_cost(miss_rate=0.02, overkill_rate=0.03)    # 收紧：过杀多
print("宽松操作点年成本: %.0f 万元" % (loose / 10000))
print("收紧操作点年成本: %.0f 万元" % (tight / 10000))
# 把 miss_cost 从 200 调到 2000（比如流入医疗或汽车供应链），
# 最优操作点会大幅左移——同一个模型，客户不同，阈值完全不同。
​

这段代码还揭示了质检AI的真实价值来源：不只是"看得比人准"，而是把操作点调到每个客户、每个批次的最优点上——人工质检做不到如此精细的动态平衡。

换型重训：被低估的维护成本

视觉质检上线只是开始。产线每三个月换一次型号，新产品外观不同，模型要重新采图、标注、训练、验证；灯光改造、相机更换、传送带提速，都会让成像分布变化。一家工厂一年换四次型，就是四次完整的模型迭代周期。第1.3节的账本在这里显形：很多质检项目的账面赢利，是在假设"模型永远不需要重训"的前提下算出来的。审计时要单列一行"每次换型的重训成本与停线窗口"，再重新算回收期。

def payback(saving_per_month=80000, build_cost=350000,
            retrain_cost=60000, retrains_per_year=4):
    """含维护成本的回收期（月）。"""
    net_monthly = saving_per_month - retrains_per_year * retrain_cost / 12
    return build_cost / net_monthly

print("无维护成本口径: %.1f 个月回本" % (350000 / 80000))
print("含换型重训口径: %.1f 个月回本" % payback())
# 典型输出：4.4 个月 vs 8.6 个月——差出一倍。
# 供应商的方案书几乎永远用第一个数字。
​

预测性维护的三种死法

预测性维护（用振动、温度、电流数据提前预报设备故障）是制造业AI提案里的常客，落地率却出奇地低。复盘下来死法大致三种。第一种死于数据：设备三年没坏过一次，故障样本为零，模型没有正例可学——这不是算法问题，是问题的物理性质。第二种死于标签：传感器数据浩如烟海，但"哪次停机算真故障"的标注要靠老师傅的维修工单，而工单文字潦草、口径不一。第三种死于组织：模型提前三天预报了故障，维修排程却排不进窗口，预报落空几次后一线不再相信系统。

import random

def anomaly_detector(series, window=4, k=2.5):
    """最简单的滑动窗口异常检测：偏离历史均值 k 倍标准差报警。
    预测性维护的多数价值，其实这类基线方法就能拿到大半。"""
    alarms = []
    for i in range(window, len(series)):
        base = series[i-window:i]
        mu = sum(base) / window
        sd = (sum((x - mu) ** 2 for x in base) / window) ** 0.5
        if abs(series[i] - mu) > k * sd:
            alarms.append(i)
    return alarms

random.seed(5)
vibration = [random.gauss(1.0, 0.08) for _ in range(40)]
vibration += [1.1, 1.3, 1.8, 2.4]           # 轴承劣化：缓慢爬升再突变
hits = anomaly_detector(vibration)
print("报警位置:", hits)
# 基线方法在第 44 个采样点附近报警，留出了响应窗口。
# 审计要点：任何复杂模型都要先和这个基线比，赢不了基线就没有上线理由。
​

这引出预测性维护的审计铁律：先问故障频率和样本量，再问有没有维修工单的结构化标签，最后问预报给谁、他有权调动检修资源吗。三问有一个答不上来，项目就还不到立项的时候。

结果、解读与变式

背景（两个百分比的平衡）、操作（成本模型、回收期修正、基线检测器）、结果（维护成本让回本周期翻倍、三种死法清单）完整。解读：制造AI的成色公式是把第3章总公式具体化——高频决策乘单位省钱额，再减去换型维护成本。变式：半导体晶圆缺陷分类、焊接质量在线监控、注塑参数优化都是同构场景，共同点是有明确的物理基线和可量化的不良成本。下一节从产线走向车轮，看调度问题里的组合爆炸。