要点速览
- 合成金刚石产量和质量长期依赖操作员对六面顶压机的人工调参，结果不稳定，也难以规模化复制。
- 英科铸数将 神经网络、遗传算法和 Faster R-CNN 视觉检测用于每一炉次的参数优化。
- 项目中的关键发现是：温度和压力，而不是冷却水，才是晶体质量的主要驱动因素。
- 减少现场调参后，工程师可以远程管理约 500 台六面顶压机，并提升生产一致性。
合成金刚石生产对精度极其敏感，每提升一个百分点的效率，都可能转化为可观的经济价值。但在很长一段时间里，关键工艺仍依赖个体操作员对六面顶压机的人工判断和经验调节。经验当然重要，但它也带来难解释、难复制、难规模化的问题。
从人工判断到 AI 精准控制
英科铸数希望用数据替代不可复制的直觉。通过神经网络、遗传算法和 Faster R-CNN 视觉检测，系统学习工艺参数与生产结果之间的关系，并针对每一炉次动态调整参数。这样，石墨柱能够更接近最优形态，而不是依赖固定配方或单个操作员的经验。
概念验证：小范围测试带来的大洞察
在一次聚焦的概念验证中，项目得到了最有价值、也最出人意料的结论：与过去的经验判断不同，真正主导晶体质量的是温度和压力，冷却水的影响并没有此前认为的那么大。这个发现直接改变了后续控制策略，也让团队重新理解了影响质量波动的关键变量。
全规模落地：让自动化覆盖更多设备
验证完成后，方案从少量压机扩展到设备集群。由于不再依赖现场逐台调参，工程师可以远程管理更多设备。该部署覆盖约 500 台六面顶压机，在减少人工负担的同时，让产出更稳定、更一致。
约 500 台
纳入 AI 驱动控制的六面顶压机规模
温度 + 压力
被识别为影响晶体质量的关键因素
远程
减少现场调参，实现规模化远程管理
背后的平台：DPlus
支撑这套能力的是 DPlus 平台。它负责采集生产数据、运行优化算法，并把依赖操作员经验的调参过程，转化为可重复、可追踪、可持续改进的数据驱动控制。类似能力也正是 数据科学数字专家 Oscar 在非标、难建模工艺中发挥价值的方式。
总结
这件事的启示不只适用于合成金刚石。凡是高度依赖专家经验的工艺，想要规模化，就需要先找出真正起作用的变量，再让算法在每台设备、每次生产中稳定地守住这些变量。