把车间的注塑工艺参数喂进大模型：一次小样本微调的落地记录

车间里沉淀了十几年的工艺卡，绝大多数是纸面或者 Excel 里的一行行参数：料温、模温、射出压力、保压时间、冷却时间。老师傅凭经验调机，经验在脑子里，人一走就断档。这次尝试用两百多条历史记录做一次轻量微调，看看模型能不能学出一点可用的规律。

一、先想清楚要模型回答什么

最开始的设想是"输入产品图纸，输出全套工艺参数"，试了两天就放弃了：参数之间强耦合，产品结构又千差万别，样本根本不够。改成更窄的问题后才有意义：给定机台吨位、材料牌号、模具穴数、产品重量，给出料温区间和保压时间的建议值，并说明依据。

问题一旦收窄，样本质量立刻变得可控：同一种材料在同一台机器上的历史记录可以直接比对，异常值也能看出来。

二、数据清洗比训练本身花的时间多

两百多条记录，清洗掉了将近三成。主要三类问题：

• 单位不统一：有的表里料温写 230，有的写 230℃；保压时间有的按秒、有的按 0.1 秒。
• 缺失与占位：空值被填成 0 或者 "-"，直接进训练就是把"0 度料温"当成真实工况。
• 结果未标注：早期记录只有参数没有良率，这类样本只能用于语言建模，不能用于效果评估。

清洗后留下 148 条带良率标注的记录，统一成 JSON 结构，一条样本长这样：

{
  "machine": "HTF-160",
  "material": "PP-T30",
  "cavity": 4,
  "weight_g": 38.5,
  "params": {"melt_temp": 225, "mold_temp": 45, "hold_pressure": 62, "hold_time": 3.2},
  "yield_rate": 0.97
}

三、LoRA 微调：参数量小到可以在一张卡上跑完

基座选的是开源的中文小参数模型，用 LoRA 只训练低秩旁路，可训练参数不到全量的 1%。这样做的直接好处是：显存需求从"需要 A100"降到"单卡 24G 就够"，训练二十分钟出结果，改一版数据重训的成本可以接受。

关键超参就三个：r=8、lora_alpha=16、学习率 2e-4。样本量这么小的情况下，r 再大只会更快过拟合。

四、评估不能只看 loss

训练 loss 降到 0.4 的时候，模型给出的参数已经很"像"历史记录了，但那是记忆不是泛化。真正的评估要拿没进训练集的 20 条记录做留出验证，看三件事：

• 料温建议值是否落在该材料的合理窗口内（PP 通常 200–240℃）；
• 保压时间与产品壁厚的比例是否符合经验公式的量级；
• 模型能不能说清"为什么建议这个值"，而不是只吐数字。

第一版模型的料温建议有 6 条超出窗口，追查发现是训练集里混进了两台机器单位标错的数据。修完再训，超窗口降到 1 条。

五、上线判断：先当助手，不要当决策者

现在这套东西的定位很明确：调机的时候给一个参考区间，师傅可以采纳也可以推翻，采纳与否都记一笔。跑了三周，采纳率大概六成，被推翻的多是薄壁件——这类样本本来就少。

如果一开始就让它自动下发参数，第一次超窗口就会失去现场信任。小样本微调能做的是把老师傅的经验固化成可检索、可对比的知识，而不是替代判断。这条路走通之后，再谈扩展到别的机台和材料，才有依据。