Files

T

2026-09-01 18:05:18 +08:00

11 KiB

Raw Blame History

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，当前架构边界见 ../../ARCHITECTURE.md，后续路线见 ../../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

{
    "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)
}

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

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

{
    "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

# 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

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

# 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

# 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

# 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）

集成LLM API实现参数推荐
开发基于规则的专家系统
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）

收集训练数据
训练参数预测模型
开发缺陷预测算法

6.3 第三阶段：优化完善（2-3周）

模型性能优化
用户反馈集成
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

11 KiB Raw Blame History

AI 智能引擎设计文档

一、AI 引擎架构

1.1 整体架构

二、功能模块设计

2.1 参数推荐器 (ParameterRecommender)

输入数据

输出参数

推荐算法

2.2 缺陷预测器 (DefectPredictor)

预测缺陷类型

预测模型

特征工程

2.3 成本估算器 (CostEstimator)

成本构成分析

三、AI 模型选型

3.1 大语言模型 (LLM)

云端方案

本地方案

3.2 机器学习模型

回归模型（参数预测）

分类模型（缺陷预测）

3.3 专家系统

规则库设计

四、数据管道设计

4.1 数据采集

几何特征提取

工艺数据收集

4.2 数据预处理

特征工程

数据标准化

五、API 接口设计

5.1 REST API 端点

5.2 实时推理服务

模型服务化

六、实施计划

6.1 第一阶段：基础AI功能（2-3周）

6.2 第二阶段：机器学习模型（3-4周）

6.3 第三阶段：优化完善（2-3周）

七、性能指标

7.1 模型评估指标

7.2 业务价值指标

八、风险控制

8.1 技术风险

8.2 业务风险

11 KiB

Raw Blame History