geMoldInsight/docs/topics/ai/AI_ENGINE_DESIGN.md

# AI 智能引擎设计文档

> 文档定位：**AI 能力方向的设计性/专题性文档**。
> 本文描述的是 AI 引擎的设计设想与能力规划，不作为当前实现状态的权威说明。当前状态见 [../../STATUS.md](../../STATUS.md)，当前架构边界见 [../../ARCHITECTURE.md](../../ARCHITECTURE.md)，后续路线见 [../../ROADMAP.md](../../ROADMAP.md)。
## 一、AI 引擎架构

### 1.1 整体架构
```
┌─────────────────────────────────────────────────────────┐
│                    AI 智能引擎                           │
├─────────────────────────────────────────────────────────┤
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────────┐  │
│  │  参数推荐器   │  │  缺陷预测器   │  │  成本估算器     │  │
│  │ • 工艺参数    │  │ • 熔接痕     │  │ • 模具成本      │  │
│  │ • 材料选择    │  │ • 缩痕       │  │ • 加工时间      │  │
│  │ • 模具设计    │  │ • 翘曲       │  │ • 材料成本      │  │
│  └─────────────┘  └─────────────┘  └─────────────────┘  │
├─────────────────────────────────────────────────────────┤
│                    AI 模型层                             │
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────────┐  │
│  │  大语言模型    │  │  机器学习    │  │  专家系统       │  │
│  │ • GPT-4      │  │ • 回归模型    │  │ • 规则引擎      │  │
│  │ • 本地LLM    │  │ • 分类模型    │  │ • 知识库        │  │
│  └─────────────┘  └─────────────┘  └─────────────────┘  │
├─────────────────────────────────────────────────────────┤
│                   数据层                                 │
│  ┌─────────────┐  ┌─────────────┐  ┌─────────────────┐  │
│  │  几何数据     │  │  工艺数据库   │  │  历史案例库     │  │
│  │ • STP特征    │  │ • 材料参数    │  │ • 成功案例      │  │
│  │ • 网格数据    │  │ • 机器参数    │  │ • 失败案例      │  │
│  └─────────────┘  └─────────────┘  └─────────────────┘  │
└─────────────────────────────────────────────────────────┘
```

## 二、功能模块设计

### 2.1 参数推荐器 (ParameterRecommender)

#### 输入数据
- 产品几何特征（体积、表面积、壁厚等）
- 材料类型（ABS、PP、PC等）
- 生产要求（产量、质量等级）

#### 输出参数
```python
{
    "injection_pressure": 80.0,      # 注塑压力 (MPa)
    "injection_speed": 50.0,         # 注塑速度 (mm/s)
    "mold_temperature": 60.0,        # 模具温度 (°C)
    "melt_temperature": 230.0,       # 熔体温度 (°C)
    "cooling_time": 25.0,            # 冷却时间 (s)
    "packing_pressure": 40.0,        # 保压压力 (MPa)
    "packing_time": 10.0             # 保压时间 (s)
}
```

#### 推荐算法
1. **基于规则的初始推荐** - 使用材料数据库和几何规则
2. **机器学习优化** - 基于历史数据的回归模型
3. **LLM智能调整** - 使用大语言模型进行参数微调

### 2.2 缺陷预测器 (DefectPredictor)

#### 预测缺陷类型
- **熔接痕 (Weld Lines)** - 流道交汇处
- **缩痕 (Sink Marks)** - 厚壁区域
- **翘曲 (Warpage)** - 冷却不均匀
- **气穴 (Air Traps)** - 排气不良

#### 预测模型
```python
class DefectPredictionModel:
    def predict_weld_lines(self, geometry, process_params):
        """预测熔接痕位置和严重程度"""
        
    def predict_sink_marks(self, wall_thickness, cooling_params):
        """预测缩痕风险"""
        
    def predict_warpage(self, geometry, material, process_params):
        """预测翘曲变形"""
```

#### 特征工程
- 几何特征：壁厚分布、流长比、投影面积
- 工艺特征：注射速度、压力曲线、温度分布
- 材料特征：收缩率、粘度、热传导系数

### 2.3 成本估算器 (CostEstimator)

#### 成本构成分析
```python
{
    "mold_cost": {
        "material_cost": 15000,      # 材料成本
        "machining_cost": 30000,     # 加工成本
        "design_cost": 8000,         # 设计成本
        "standard_parts": 5000       # 标准件成本
    },
    "production_cost": {
        "cycle_time": 45.0,          # 周期时间 (s)
        "machine_rate": 120.0,       # 机台费率 (元/小时)
        "material_cost_per_part": 0.8 # 单件材料成本
    },
    "total_cost": 58000              # 总成本
}
```

## 三、AI 模型选型

### 3.1 大语言模型 (LLM)

#### 云端方案
- **OpenAI GPT-4** - 高精度，需要网络连接
- **Azure OpenAI** - 企业级，数据安全
- **百度文心一言** - 中文优化，本地化服务

#### 本地方案
- **Llama 2/3** - 开源，可本地部署
- **ChatGLM** - 中文优化，轻量级
- **Qwen系列** - 阿里开源，性能优秀

### 3.2 机器学习模型

#### 回归模型（参数预测）
- **XGBoost** - 高性能，可解释性较好
- **LightGBM** - 快速训练，内存效率高
- **随机森林** - 稳定，抗过拟合

#### 分类模型（缺陷预测）
- **支持向量机 (SVM)** - 小样本效果好
- **神经网络 (NN)** - 复杂模式识别
- **集成学习** - 结合多个模型优势

### 3.3 专家系统

#### 规则库设计
```python
# rules/injection_molding_rules.py

MATERIAL_RULES = {
    "ABS": {
        "melt_temp_range": [200, 240],
        "mold_temp_range": [40, 80],
        "shrinkage": 0.005
    },
    "PP": {
        "melt_temp_range": [200, 280],
        "mold_temp_range": [20, 80],
        "shrinkage": 0.016
    }
}

GEOMETRY_RULES = {
    "thin_wall": {"max_thickness": 2.0, "min_thickness": 0.5},
    "thick_wall": {"max_thickness": 10.0, "min_thickness": 2.0},
    "flow_length_ratio": 150  # 流长比限制
}
```

## 四、数据管道设计

### 4.1 数据采集

#### 几何特征提取
```python
class GeometryFeatureExtractor:
    def extract_basic_features(self, stp_file):
        """提取基础几何特征"""
        features = {
            "volume": self.calculate_volume(),
            "surface_area": self.calculate_surface_area(),
            "bounding_box": self.get_bounding_box(),
            "center_of_mass": self.get_center_of_mass()
        }
        return features
    
    def extract_advanced_features(self, mesh):
        """提取高级几何特征"""
        features = {
            "wall_thickness_distribution": self.analyze_wall_thickness(),
            "curvature_analysis": self.analyze_curvature(),
            "undercut_detection": self.detect_undercuts()
        }
        return features
```

#### 工艺数据收集
- 注塑机参数记录
- 质量检测数据
- 生产环境数据

### 4.2 数据预处理

#### 特征工程
```python
# features/feature_engineering.py

class MoldFeatureEngineer:
    def create_engineering_features(self, raw_features):
        """创建工程特征"""
        engineered = {
            "flow_length_ratio": raw_features["flow_length"] / raw_features["wall_thickness"],
            "projected_area_volume_ratio": raw_features["projected_area"] / raw_features["volume"],
            "complexity_index": self.calculate_complexity()
        }
        return engineered
```

#### 数据标准化
- 数值特征标准化
- 类别特征编码
- 缺失值处理

## 五、API 接口设计

### 5.1 REST API 端点

```python
# src/api/ai_routes.py

@ai_bp.route('/api/ai/analyze', methods=['POST'])
def analyze_mold_design():
    """AI分析模具设计"""
    data = request.get_json()
    
    # 调用AI引擎
    result = ai_engine.analyze_design(
        geometry=data['geometry'],
        material=data['material'],
        requirements=data['requirements']
    )
    
    return jsonify(result)

@ai_bp.route('/api/ai/predict-defects', methods=['POST'])
def predict_defects():
    """预测缺陷风险"""
    data = request.get_json()
    
    prediction = defect_predictor.predict(
        design=data['design'],
        process_params=data['process_params']
    )
    
    return jsonify(prediction)
```

### 5.2 实时推理服务

#### 模型服务化
```python
# src/services/ai_service.py

class AIService:
    def __init__(self):
        self.parameter_model = load_parameter_model()
        self.defect_model = load_defect_model()
        self.llm_client = setup_llm_client()
    
    async def get_recommendations(self, input_data):
        """获取AI推荐"""
        # 并行调用多个模型
        tasks = [
            self.parameter_model.predict(input_data),
            self.defect_model.predict(input_data),
            self.llm_client.analyze(input_data)
        ]
        
        results = await asyncio.gather(*tasks)
        return self.aggregate_results(results)
```

## 六、实施计划

### 6.1 第一阶段：基础AI功能（2-3周）
1. 集成LLM API实现参数推荐
2. 开发基于规则的专家系统
3. 创建基础的数据采集管道

### 6.2 第二阶段：机器学习模型（3-4周）
1. 收集训练数据
2. 训练参数预测模型
3. 开发缺陷预测算法

### 6.3 第三阶段：优化完善（2-3周）
1. 模型性能优化
2. 用户反馈集成
3. 持续学习机制

## 七、性能指标

### 7.1 模型评估指标
- **参数推荐准确率** > 85%
- **缺陷预测召回率** > 90%
- **推理响应时间** < 3秒
- **系统可用性** > 99.5%

### 7.2 业务价值指标
- **模具设计时间减少** 30%
- **试模次数减少** 50%
- **产品质量提升** 20%
- **生产成本降低** 15%

## 八、风险控制

### 8.1 技术风险
- **模型准确性** - 多模型集成，人工审核
- **数据质量** - 数据清洗和验证流程
- **系统稳定性** - 熔断机制和降级策略

### 8.2 业务风险
- **用户接受度** - 渐进式推广，培训支持
- **知识产权** - 数据脱敏，合规使用
- **成本控制** - 按需使用，优化资源配置

---
*文档版本：v1.0*  
*创建日期：2026-02-17*