看见 “OK” 背后的缺陷
Aletha 源自希腊语 Alḗtheia，意为“揭示真相” —— 让隐藏的问题浮出水面
Aletha 识别规则式系统容易漏掉的 False OK：虚拧、滑牙、错牙等问题可能通过扭矩角度窗口，却已经在完整曲线形态上发生偏离。Aletha 将这些发现转化为可追溯、可复盘、可改进的生产运营结果。
传统控制器主要检查最终扭矩角度窗口。窗口之内，虚拧、滑牙、错牙仍可能落在规格范围内并被判定为 OK，但整条扭矩角度曲线的形态已经异常。这类 False OK 是隐蔽的过程质量风险。
固定窗口只看
最终落点
Aletha 读取完整曲线
它从曲线形态中发现“看起来合格、实际有风险”的 False OK，这正是 Aletha 的价值所在。
黄色 = 可疑（波动 / 黏滑），红色 = NOK；三条曲线最终都指向目标扭矩。
正常拧紧通常经历三个清晰阶段：快速旋入 → 贴合 → 弹性区。当顺序异常时，它会在进入弹性区前停滞并反复出现虚假贴合，需要数倍转角才能达到目标扭矩。最终扭矩仍可能通过，但 Aletha 能从曲线形态中识别异常。曲线为示意，坐标为相对值。
Aletha 将每一次 False OK 转化为结构化、可追溯，并绑定到具体过程实例的结果：事件、根因标签和证据曲线。它能释放多少价值，取决于客户自身的管理闭环能力。
客户现场中的实际用法
确认异常后触发隔离 / 复检；高频异常点可沉淀为操作员培训材料，帮助纠正手法。
根因反馈到工艺参数调整，如拧紧策略、PSET、贴合面和防错设计，从源头消除问题。
异常可按工位、班次、团队归因，并纳入质量 KPI，让责任和改善更可度量。
异常模式回流到工艺和产品设计，推动结构、紧固方案和目标扭矩优化。
异常可关联到紧固件或来料批次，反馈供应商并锁定问题批次。
基于真实正常曲线维护标准参数库，减少误改参数和参数漂移。
检测结果绑定到过程实例并形成事件记录，问题发生时可将召回或排查范围缩到最小。
这些只是已验证的起点。Aletha 输出的是结构化结果，后续可以由运营成熟的客户继续孵化更多自己的质量与生产管理场景。
市场上既有拧紧工具厂商提供的数据 / 质量工具，也有本土工业平台。它们各有优势，但很少有一个系统能同时具备下面四项能力。
可接入任意品牌拧紧系统 / MES 的曲线数据，用一个平台覆盖工厂内不同品牌、不同产线的拧紧工具。
围绕工厂 × 车间 × 产线 × 车型 × 设备 × 工艺六个维度，为每个过程实例建立独立模型，形成更精确的正常基线，从而实现更低的误报率和漏检率。
无需人工标注，也不需要先写规则；接入历史正常曲线后，系统会自动完成建模。新车型或工艺升级后，也能自动覆盖，减少人工重新配置。
检测结果和专家标注会沉淀到本体知识库；私有化部署的 Agent 不只做检测，还能给出可能原因和处置建议。
Aletha 直接连接你已经拥有的拧紧数据，无需新增硬件、无需改变产线、无需停线。完成一次性数据集成后，建模、校准、检测和事件记录都可以自动运行。
连接现有拧紧数据源或现场平台
使用既有正常曲线作为建模基础
为每个过程实例建立独立模型
通过影子模式完成试运行验证
异常自动记录，并回流到知识库
| 现场已有系统 | 它在线上管理什么 | 能力边界在哪里 | Aletha 在其之上增加什么 |
|---|---|---|---|
| 拧紧控制器 | 实时 OK / NOK 判定 | 主要检查扭矩角度窗口；窗口内的曲线形态异常可能滑过 | 识别窗口内 False OK |
| 拧紧数据平台 / 质量软件 | 曲线采集、SPC 和报表 | 看到统计和趋势，但通常绑定自家工具，粒度多停留在 3D | 供应商中立接入，6D 过程实例检测 |
| SPC / 控制图 | 过程分布和漂移 | 不读取单条曲线形态，依赖人工规则 | 单曲线、免规则的形态检测 |
| MES / 质量追溯 | 记录、追溯、报表 | 记录数据，但自身不负责发现异常 | 将检测结果记录为事件，并回流到追溯链路 |
客户净收益 = 可避免的质量风险损失（A）− 年度系统投入（B）。Aletha 在问题演变成返工、索赔、停线、召回和品牌损失之前，识别规则式检查漏掉的 False OK。默认值只是中性场景占位，实际测算应替换为你的现场数据。
关于测算口径。 模型：可避免损失 A = 可拦截问题车辆数（年产量 × 异常流出概率 × Aletha 拦截率）× 单车损失 ×（1 + 品牌与隐性损失倍数）；客户净收益 C = A − 年度系统投入 B。默认值是内部中性场景假设，不代表报价或承诺收益。异常流出概率和拦截率应结合现场 / 质保数据校准；品牌与隐性损失倍数属于估算，数值越高，对外表达越应谨慎。
从一条产线和若干关键安全拧紧点开始。
使用你的历史数据直接运行检测。
无需停线，在数周内完成闭环验证。