数据采集与预处理
传感器与数据源选型
在注塑生产线中，尺寸异常检测需要高密度、低噪声的数据源来支撑后续分析。常用传感器包括高分辨率工业相机、激光/光学测量单元、触发型外径测量仪以及机台自带的伺服编码器数据。传感器的分辨率、采样频率和稳定性直接决定了检测的灵敏度与误警率。对于不同模具和工艺，需选择与公差带匹配的传感器组合，以确保毫米级到微米级的尺寸信息均可捕获。
为了实现可扩展的检测体系，建立一个统一的数据接入接口非常关键。数据源可以来自视觉测量、激光测距、X射线扫描或离线轮廓点云等，系统应将各源数据规范化为统一的时间戳、单位与坐标系，以便后续对齐与融合。数据一致性是全流程可靠性的底层保障。
# 示例：从串口或网络获取原始测量数据的初始接入框架（伪代码）
# 该代码展示如何将不同传感器的原始字段统一转为统一结构
def read_sensor(stream):raw = stream.read()# 解析不同来源的字段if isinstance(raw, bytes):raw = raw.decode('utf-8')payload = parse_raw(raw) # 解析成 dict: {'timestamp': ..., 'x': ..., 'y': ..., 'z': ..., 'source': 'camera'}standardized = {'ts': payload['timestamp'],'diameter': payload.get('diameter_mm', None),'feature_vector': payload.get('features_mm', []),'source': payload['source']}return standardized
数据接入与格式化
数据管道的鲁棒性直接影响后续模型的训练与评估。应实现缓冲、去重、时序对齐和缺失值处理等关键步骤，确保同一批次的测量在同一时间窗内有完整的特征信息。对注塑件的尺寸数据，通常需要将长度、宽度、厚度、圆度、平行度等特征统一单位，形成高质量的特征集，用于后续的异常检测。缺失值与异常值清洗是初步清洗阶段的重要环节。
在初步清洗后，建议做到数据版本化与元数据记录：记录采集设备、模具编号、批次、工艺参数（如温度、压力、保压时间）等，以便关联分析与追溯。数据版本化有利于回放与离线评估。
数据标定与特征工程
数据标定与单位统一
要实现稳定的注塑尺寸异常检测，首先要进行数据标定，包括相机畸变矫正、量具的零点标定以及跨设备的单位统一。通过定期标定，可以将不同传感器的测量结果精确对齐到统一的毫米单位，减少系统性偏差对检测结果的干扰。几何标定误差越低，后续异常检测的鲁棒性越高。
标定流程应包含模具安装位置的基准建立、外径与圆度的对齐，以及轮廓点云的尺度归一化。通过记录标定参数，可以在每次换模或更换传感器后快速回溯与 recalibrate，确保长期稳定性。
特征工程与尺度对齐
尺寸特征通常包括外径、内径、厚度、圆度、平行度、同轴度等。特征向量的设计应覆盖模具的关键几何约束，且具备良好的区分能力。对注塑件来说，时间序列上的变化也可能揭示工艺异常，因此引入时序特征（如滑动窗口的均值、方差、趋势项）有助于提升检测灵敏度。尺度对齐确保不同批次、不同模具在统一尺度下比较。
以下示例代码展示了如何从轮廓点云中提取简单的几何特征，并进行归一化处理，作为后续模型的输入特征。特征向量化是模型效果的关键。
import numpy as np
from sklearn.preprocessing import StandardScaler# 假设输入为轮廓点云的简单特征（直径、偏心率、圆度等）
def extract_features(points):xs = np.array([p[0] for p in points])ys = np.array([p[1] for p in points])max_x, min_x = xs.max(), xs.min()max_y, min_y = ys.max(), ys.min()diameter = np.hypot(max_x - min_x, max_y - min_y) # 简单外接直径近似area = np.pi * (diameter/2)**2# 简化的圆度与偏心率示例cx, cy = xs.mean(), ys.mean()dist = np.sqrt((xs - cx)**2 + (ys - cy)**2)circularity = (np.pi * (diameter/2)**2) / (area + 1e-6)eccentricity = (dist.max() - dist.min()) / (dist.max() + dist.min() + 1e-6)features = np.array([diameter, area, circularity, eccentricity])return features# 标准化示例
X = np.array([extract_features([(1,2),(3,4),(5,2)]) for _ in range(100)])
scaler = StandardScaler().fit(X)
X_norm = scaler.transform(X)
异常检测模型与评估
模型选择与训练流程
对于注塑尺寸异常检测，无监督/半监督方法更符合实际场景，因为新模具或新批次往往缺乏带标签的数据。Isolation Forest、One-Class SVM、Autoencoder 等方法在工业尺寸检测中被广泛使用。训练阶段需用历史正常样本进行建模，设置合适的污染率以控制误报率。模型的鲁棒性取决于特征质量与数据分布的一致性。
在评估阶段，除了传统指标外，结合生产线的实际代价，优先关注召回率与误警成本，以免错检导致产线停机，亦或频繁报警影响运维效率。可通过交叉验证与滚动窗口评估，确保模型对时间变化的适应性。
from sklearn.ensemble import IsolationForest
import numpy as np# 假设 X_train 为历史正常尺寸特征向量，X_test 为待检测样本
model = IsolationForest(n_estimators=200, contamination=0.01, random_state=42)
model.fit(X_train)pred = model.predict(X_test) # -1 表示异常，1 表示正常
# 转换成布尔标签
is_anomaly = (pred == -1)
此外，结合指标如<F1分数、ROC-AUC等，可以全面评估检测性能。下面是一个简单的评估框架示例：评估报告帮助维护人员快速定位问题点。
from sklearn.metrics import classification_report
# 真实标签 y_true、预测标签 pred_anomaly（布尔）
print(classification_report(y_true, pred_anomaly.astype(int))))
全流程数据流水线与自动化报警
实时数据流与批处理的结合
将数据流水线打造成端到端的从采集到存储再到分析的一体化系统，是实现注塑尺寸异常检测的核心。实时流（如 MQTT、Kafka）用于事件驱动报警与短时异常监控，批处理用于历史回放与离线模型更新。数据分层处理既能满足低延迟报警，又能提供详尽的历史数据支持。
在实时环节，建议将检测模型部署在边缘设备或近端服务器，确保低时延的异常判断与快速报警。批处理层则负责数据清洗、特征再计算、模型重新训练与参数锁定，确保系统长期稳定运行。
报警规则与通知机制
报警规则应以阈值触发与模型判定结果双重判断为主，减少误报。遇到异常时，自动向运维或质控人员发送通知，包含时间戳、件号、模具编号、异常特征等关键信息，以利于现场快速处置。通知的可靠性直接影响生产效率。
常见的通知手段包括邮件、短信、企业聊天机器人以及工业物联网网关的Webhook。以下示例展示了一个基于Webhook的告警实现，便于接入已有的告警平台。
import requestsdef alert_via_webhook(payload, url='https://alert.example.com/webhook'):headers = {'Content-Type': 'application/json'}resp = requests.post(url, json=payload, headers=headers, timeout=5)return resp.status_code# 示例：触发一个尺寸异常告警
payload = {'system': 'InjectionMoldingLine1','timestamp': '2025-08-24T12:34:56Z','part_id': 'PN-7284','severity': 'CRITICAL','message': '尺寸异常检测触发，外径偏离超出公差范围'
}
alert_via_webhook(payload)
import paho.mqtt.client as mqttdef publish_alert(topic, message, broker='mqtt-broker.local', port=1883):client = mqtt.Client()client.connect(broker, port, 60)client.publish(topic, payload=message)client.disconnect()# 示例：通过MQTT发布警报
publish_alert('factory/line1/alerts', 'PN-7284 尺寸异常：外径超出公差')
部署、维护与可持续性
容器化与边缘部署
将数据采集、特征计算、模型推理和报警服务打包成容器化应用，便于在边缘设备上部署，减少网络依赖并提升系统鲁棒性。通过边缘计算，可以在现场实现低延迟的异常检测与即时报警，从而降低产线停机时间。
在实际落地中，建议使用轻量化的推理框架和模型压缩技术，以适应资源受限的边缘设备。确保模型体积与推理速度匹配现场硬件能力。
模型更新与数据回放
生产环境在模具更换、工艺调整或原材料批次变化后，需要进行增量学习或离线重新训练，以维持检测效果。实现一个完整的数据回放机制，能够将历史数据逐批回放至新模型，验证新模型的稳定性，确保版本化管理与可追溯性。
数据仓库应保存原始测量数据、标定参数、特征向量与模型版本，方便未来的根因分析与持续改进。对于注塑尺寸异常检测而言，持续的模型迭代是提高良率的关键环节。
