结论先说:调机参数能被检索,只取决于两个前提:同一机型族至少有五十条带结果的记录,参数表的列名三年内没有大改。做法是把每行记录拆成工况指纹、参数组、结果三段,数值列单独写进元数据做区间过滤,只有描述现象的文字走向量检索,查询时先用机型、材料、厚度把候选压到几十条,再在范围内做语义匹配,输出参数区间与出处批次而不给单点最优值。人力上一名工艺工程师加一名会写 Python 的工程师,两三周能跑通一个机型族,不需要添硬件。最容易踩的坑是把 Excel 整表按行切片丢进向量库,数字被切成孤立词元,问这个件打多少压力,召回的是语义相近但料厚差一倍的记录,用两次就没人再打开。
非标设备与工贸企业的调机记录大多长这样:一张 Excel,几十列,前几列是日期、设备号、模具号,中间是材料牌号、料厚、环境温湿度,往后是温度、压力、速度、保压时间、冷却时间,最后两列是当班良率与备注。老师傅离职时这张表留在共享盘里,新来的工艺员打开看半天,仍然要打电话问人。问题不在表不全,而在于表里的信息从来没有被组织成可以提问的结构:在什么条件下、用了什么参数、结果如何。
向量检索为什么啃不动参数表
把一行参数拼成一句话再嵌入,看起来最省事,实际是最常见的失败起点。嵌入模型对 0.6、85、12 这类数字几乎没有区分能力,它们被分词器切成孤立词元,语义上与 0.8、95 之间没有稳定距离。更麻烦的是单位:同样写作 0.6,一处是兆帕,一处是巴,向量空间里完全无法察觉,而工程上两者差十倍。
纯关键词同样不行。搜压力 0.6,会同时命中 0.6 兆帕的注射压力和 0.6 秒的保压时间,前者是参数,后者是时间。参数检索的要害不在语义相似,而在数值范围与条件相等:机型要对、材料要对、厚度要落在区间里、结果要合格。这些恰好是结构化查询擅长、向量库不擅长的事。
一个容易漏掉的细节:主流向量库的数值比较只接受整数与浮点数。Chroma 的 where 过滤器里,大于、大于等于、小于、小于等于这四个比较符仅对 int 与 float 生效。如果入库时把料厚写成字符串 1.2,过滤会退化成字符串比较,9 会被判为大于 10。官方文档里有明确说明,但很少有人在校验列类型这一步上真的动手检查。
所以正确的关系不是二选一,而是分工:结构化字段负责把候选范围压到几十条,向量负责在这几十条里挑出与当前现象最接近的。顺序反过来,先做全库语义召回再筛条件,等于让模型在一堆无关记录里找规律,召回率再高也没用。
三元组建模:工况指纹、参数组、结果
先把一行记录拆成三段,后面的所有工作都围绕这三段展开。拆得对不对,直接决定三个月后还有没有人用。
第一步,列分类。把参数表按用途分成四类:标识列是日期、设备号、模具号、批次;条件列是材料牌号、料厚、环境温湿度、机台吨位;参数列是温度、压力、速度、时间;结果列是良率、周期、缺陷类型、备注。分不清的先归条件列,宁可多过滤。
第二步,冻结单位字典。每个参数列绑定一个标准单位,巴与公斤力每平方厘米统一换算到兆帕,一兆帕等于十巴,约等于十点二公斤力每平方厘米;速度统一到毫米每秒,时间统一到秒。换算系数写进配置文件而不是写进代码,后面要改才不疼。
第三步,定义工况指纹。取六到八个条件字段,按固定顺序拼成一行规范化文本,例如注塑机 180T、PP-T20、料厚 2.0、一模两腔、常温。这行文本既是嵌入的对象,也是人工核对时的凭据。
第四步,参数组存成 JSON。整组参数序列化后放文档正文,同时把三到五个高频参数冗余写进元数据,留作区间过滤。冗余是为了查得快,不是为了替代原始记录。
第五步,结果打标。良率高于基线记 ok,低于基线记 ng,介于两者之间记 edge。缺了这一列,后面的推荐只会偏向成功案例,区间会系统性偏乐观。
第二步,冻结单位字典。每个参数列绑定一个标准单位,巴与公斤力每平方厘米统一换算到兆帕,一兆帕等于十巴,约等于十点二公斤力每平方厘米;速度统一到毫米每秒,时间统一到秒。换算系数写进配置文件而不是写进代码,后面要改才不疼。
第三步,定义工况指纹。取六到八个条件字段,按固定顺序拼成一行规范化文本,例如注塑机 180T、PP-T20、料厚 2.0、一模两腔、常温。这行文本既是嵌入的对象,也是人工核对时的凭据。
第四步,参数组存成 JSON。整组参数序列化后放文档正文,同时把三到五个高频参数冗余写进元数据,留作区间过滤。冗余是为了查得快,不是为了替代原始记录。
第五步,结果打标。良率高于基线记 ok,低于基线记 ng,介于两者之间记 edge。缺了这一列,后面的推荐只会偏向成功案例,区间会系统性偏乐观。
这套结构的额外好处是可解释。工艺员看到答案时,能顺着指纹核对材料与料厚是否真的一致,而不是接受一个黑箱给出的数字。知识库在这里的角色是缩小搜索范围,不是替人做决定。
入库脚本:先读表,再归一,最后写元数据
下面这段脚本用 openpyxl 的只读模式读表。只读模式不解析样式与公式,几万行的工艺台账在普通笔记本上也能跑完,这是处理历史 Excel 的常规做法,缺点是单元格里的公式只返回缓存值。
from openpyxl import load_workbook
import json, chromadb
UNIT = {'bar': 0.1, 'kgf/cm2': 0.0980665, 'MPa': 1.0}
def to_mpa(value, unit):
return round(float(value) * UNIT[unit], 4)
wb = load_workbook('调机记录.xlsx', read_only=True, data_only=True)
ws = wb.active
rows = ws.iter_rows(values_only=True)
header = [str(h).strip() for h in next(rows)]
col = {name: i for i, name in enumerate(header)}
client = chromadb.PersistentClient(path='./kb')
collection = client.get_or_create_collection('mold_params')
docs, metas, ids = [], [], []
for n, row in enumerate(rows, start=2):
if row[col['料厚']] is None:
continue
thickness = float(row[col['料厚']])
pressure = to_mpa(row[col['注射压力']], 'bar')
fingerprint = '注塑机 {0}T | {1} | 料厚 {2} | {3}'.format(
row[col['机台吨位']], row[col['材料牌号']],
thickness, row[col['模腔数']])
group = {'注射压力_MPa': pressure,
'料筒温度_C': float(row[col['料筒温度']]),
'保压时间_s': float(row[col['保压时间']])}
docs.append(fingerprint + ' 参数组 ' + json.dumps(group, ensure_ascii=False))
metas.append({'machine_ton': int(row[col['机台吨位']]),
'material': str(row[col['材料牌号']]),
'thickness': thickness,
'pressure_mpa': pressure,
'yield_rate': float(row[col['良率']]),
'verdict': 'ok' if float(row[col['良率']]) >= 0.96 else 'ng'})
ids.append('mold-{0}'.format(n))
collection.add(documents=docs, metadatas=metas, ids=ids)
两处细节值得说。一是 verdict 的阈值不要写死在脚本里,它应来自质量部门给的基线,不同产品族基线不同,写死后换产品就要改代码。二是 thickness 必须是浮点数,一旦某个单元格混进 1.2mm 这样的文本,整列会变成字符串,后面所有区间过滤都会失真,所以入库前要用一次类型检查把脏值挑出来单独处理,而不是让程序默默跳过。
查询侧:先缩小范围,再做语义匹配
正确的查询顺序与直觉相反:先结构化,后向量。用户问这个 PP 件料厚两毫米、表面有缩痕、压力往哪调,先按材料、厚度区间、结果标记把候选压到几十条,再用问题文本在这批候选里做语义匹配。
where = {'$and': [
{'material': {'$eq': 'PP-T20'}},
{'thickness': {'$gte': 1.8}},
{'thickness': {'$lte': 2.2}},
{'verdict': {'$eq': 'ok'}},
]}
hits = collection.query(
query_texts=['料厚 2.0 表面缩痕 压力调整'],
n_results=8, where=where, include=['documents', 'metadatas'])
返回结果不要直接交给大模型自由发挥,用固定模板约束输出:命中几条同类记录、参数落在什么区间、良率分布如何、每条记录的日期与批次是什么。让模型只做归纳与措辞,不做数值推断。给区间不给点值是这里的核心纪律:八条记录的压力分别落在 62 到 71 兆帕,答案应该是六十二到七十一,集中在六十六附近,而不是最佳压力六十八点五。后者看起来精确,实际上没有任何依据,一旦被打不好,信任就没有第二次。
还有一条容易被忽略:把命中条数一并输出。只命中两条时,任何区间都不该被当成建议,答案里应显式写明样本不足、仅供参考。很多人把这类提示当废话,真正用过几次的人知道,它决定了工艺员会不会在关键件上照着试。
三件事必须在上线前定死
单位字典:谁维护、多久复核一次、变更后旧数据是否重算。建议冻结在配置文件里,任何改动都走变更记录,否则半年后没人说得清某列到底是巴还是兆帕。
失败记录入库:只收良率合格的记录,参数区间必然偏高,工艺员按推荐值试一次打不好,就再也不用了。ng 记录的价值不低于 ok 记录,它划定了边界。
版本与作废:工艺变更后旧参数组标记为 superseded 而不是删除,默认检索只查现行版,需要对比时才放开。这条决定了知识库能不能回答上次改了工艺之后为什么变好。
权限:模具参数与配方是核心资产,按项目或客户划可见范围,跨主体一律硬隔离,主体内部再按岗位做行级过滤,不要指望一条 where 条件包打天下。
失败记录入库:只收良率合格的记录,参数区间必然偏高,工艺员按推荐值试一次打不好,就再也不用了。ng 记录的价值不低于 ok 记录,它划定了边界。
版本与作废:工艺变更后旧参数组标记为 superseded 而不是删除,默认检索只查现行版,需要对比时才放开。这条决定了知识库能不能回答上次改了工艺之后为什么变好。
权限:模具参数与配方是核心资产,按项目或客户划可见范围,跨主体一律硬隔离,主体内部再按岗位做行级过滤,不要指望一条 where 条件包打天下。
四件事里最容易被跳过的是失败记录。它不产生好看的报表,却决定了推荐值敢不敢用。一个实用的做法是把 ng 记录与缺陷类型绑定,缩痕、飞边、烧焦各自成组;工艺员提问时直接问缩痕该往哪个方向调,系统按缺陷类型同时召回失败与成功两组记录,对比才有意义。只给成功样本,等于把一个只有正例的分类器交给现场。
版本这条还有一层价值:非标件的工艺经常在小步调整,同一个模具号下会有五六版参数。如果把历史版本全部混在一起做相似度召回,结果是一锅粥。带上 process_version 与 effective_date 两个字段,检索时默认只取现行版,需要追溯时才显式放开,这是把工艺变更管理真正接进检索链路的唯一办法。
验收只看三个数
数值型问题答准率:抽四十道真实提问,答案里的参数区间是否覆盖老师傅认可的取值,允许上下浮动一成。低于七成不要对外宣称可用。
区间覆盖率:随机抽五十个工况,有多少能召回五条以上同类记录。覆盖率低于四成的工况,先补数据再谈检索,不要用更复杂的模型掩盖数据稀疏。
回访认可率:上线一个月后回访十名工艺员,问按推荐值试过几次、成了几次。这个数比任何离线指标都实在。
区间覆盖率:随机抽五十个工况,有多少能召回五条以上同类记录。覆盖率低于四成的工况,先补数据再谈检索,不要用更复杂的模型掩盖数据稀疏。
回访认可率:上线一个月后回访十名工艺员,问按推荐值试过几次、成了几次。这个数比任何离线指标都实在。
参数矩阵的价值不是让机器替人调机,而是把上次类似件怎么做这件事从电话里搬到可查的地方。它与工艺文件、图纸的检索是一体两面,合起来才构成完整的制造知识底座,具体形态可以参考制造业知识库方案,底层检索链路与私有 AI 知识库的思路一致。上邦在非标与工贸项目里通常先做一个机型族、两三周跑通闭环,再横向复制,避免一次性铺开导致单位与口径失控。
参考来源
Chroma 官方文档 Where Filters(数值比较符仅接受 int 与 float,逻辑组合使用 $and 与 $or,元数据缺少该键的记录不会被返回) - docs.trychroma.com。openpyxl 官方文档 Optimised Modes(read_only 只读模式与 data_only 的取值行为) - openpyxl.readthedocs.io。GB/T 19001-2016 质量管理体系 要求 8.5.1 条款(受控条件包括可获得成文信息、实施监视测量活动) - 全国标准信息公共服务平台。