4、AI模型输出解析：学习工业AI模型（如预测性维护、质量预测）的输出形式（分类、回归、概率）及其与生产过程的映射关系
工业AI模型的价值不在于模型本身，而在于其输出能否被PLC控制系统、MES执行层和质量管理系统准确理解并转化为可执行动作。在工业数据闭环中，模型输出是连接“数据洞察”与“物理动作”的关键桥梁。本章聚焦三类最核心的模型输出形式——分类、回归和概率，深入解析其数学含义、工业语义以及如何与PLC状态、质量记录建立精确映射。理解这些映射关系，是避免“模型准确但现场无效”这一常见困境的前提。
4.1 核心原理：三类输出形式的数学本质与工业语义
工业AI模型的输出形式由任务类型决定，不同输出形式对应不同的信息粒度和决策逻辑。理解其数学本质是建立正确映射的前提。
| 输出类型 | 数学本质 | 典型算法 | 工业语义 | 决策特点 |
|---|---|---|---|---|
| 分类 | 离散标签，输出属于某个类别的判定结果 | 随机森林、XGBoost、CNN分类 | 设备状态（正常/异常）、产品等级（合格/返工/报废） | 确定性决策，直接映射PLC状态位 |
| 回归 | 连续数值，输出一个实数值预测 | 线性回归、LSTM、GRU | 剩余寿命（小时）、质量指标（Ra值、尺寸偏差） | 量化决策，需设定阈值或映射到模拟量 |
| 概率 | 属于各别类的置信度，输出0~1之间的数值向量 | Softmax输出、逻辑回归、贝叶斯网络 | 故障概率、合格概率、风险评分 | 风险决策，需设定门限并考虑误报/漏报代价 |
在实际工业场景中，三类输出往往组合使用。例如，预测性维护系统可能先输出“故障概率=0.87”（概率），再根据阈值判定为“高风险”（分类），同时预测“剩余寿命=125小时”（回归）。PLC需要接收的是最终的动作指令，而中间的概率和回归值则用于维护策略优化。
4.2 判断方法：从模型输出到PLC动作的映射流程
将模型输出映射到PLC状态和质量记录，需要遵循一套标准化的操作流程。以下是经过多个项目验证的五步映射法：
- 输出类型识别：明确模型输出是分类、回归还是概率，确定其数据格式（整数、浮点数、向量）和取值范围。
- 阈值/规则定义：为连续值（回归、概率）设定业务阈值。例如，故障概率>0.8为“高风险”，0.5~0.8为“中风险”，<0.5为“低风险”。阈值需结合历史误报率和漏报率进行优化。
- PLC地址映射：将分类结果映射到PLC的DB块或M区地址。例如，DB100.DBX0.0表示“设备正常”，DB100.DBX0.1表示“设备异常”，DB100.DBX0.2表示“设备故障”。
- 时间戳对齐：模型推理结果必须携带时间戳，并与PLC扫描周期（通常10~100ms）对齐。对于慢变过程（如轴承磨损），可接受秒级延迟；对于快变过程（如振动突变），需亚秒级响应。
- 质量记录关联：将模型输出与当前批次号、产品序列号绑定，写入质量数据库。建议使用OPC UA或MQTT协议，将模型输出同时推送到PLC（实时控制）和MES（质量追溯）。
4.3 案例拆解：注塑机质量预测模型的输出映射实战
某汽车零部件工厂的注塑车间，生产保险杠蒙皮。原有质量检测依赖人工目检和抽检，不良率约8%。工厂部署了基于注塑机参数（模温、注射压力、保压时间、冷却时间）的质量预测模型，输出形式为“合格概率”和“预测缺陷类型”。
初始现象与目标：模型在实验室准确率达92%，但上线后现场不良率仅从8%降至6.5%，未达预期。分析发现，模型输出未与PLC联动，操作员看到概率值后凭经验判断，响应滞后且不一致。
关键输入数据：模型输出为每个产品一个概率向量：P(合格)=0.93，P(缩痕)=0.04，P(飞边)=0.02，P(其他)=0.01。同时输出回归值：预测收缩率=0.82%。
分析判断过程：项目组重新设计了映射逻辑：
- 将P(合格)≥0.90映射为“放行”，PLC输出Q0.0=1，绿灯亮，产品自动流入下一工位；
- 将0.70≤P(合格)<0.90映射为“复检”，PLC输出Q0.1=1，黄灯亮，产品进入复检缓冲区；
- 将P(合格)<0.70映射为“拦截”，PLC输出Q0.2=1，红灯亮，产品自动剔除至废品箱。
实际操作步骤：在PLC程序中增加一个功能块FB_QualityGate，接收来自边缘网关的模型输出（通过Modbus TCP写入），内部执行阈值比较，输出三个状态位。同时，将预测收缩率0.82%与SPC控制图联动，当连续5件产品收缩率预测值超过0.85%时，PLC自动调整保压时间参数（设定值+0.2秒）。
结果对比：实施映射后，不良率从6.5%进一步降至3.2%。更重要的是，质量记录的完整性从70%提升至100%，每个产品都有模型预测值、PLC动作记录和最终质检结果的三方关联。
风险与代价：初期因阈值设置过严，导致复检率高达25%，增加了人工成本。通过两周的数据积累，将复检阈值从0.80调整为0.70，复检率降至12%，同时未出现漏检率上升。
4.4 常见误区与总结复盘
在多个工业AI项目中，以下误区反复出现，值得特别警惕：
总结：AI模型输出解析的核心在于“翻译”和“桥接”。翻译是指将数学输出转换为业务语言，桥接是指将模型结果无缝接入PLC控制逻辑和质量管理系统。一个优秀的工业AI系统，其模型输出必须满足三个标准：确定性（PLC能明确执行）、可追溯性（质量记录能关联）、可调整性（阈值和规则能在线优化）。在实际部署中，建议采用“边缘网关+PLC+数据库”的三层架构，边缘网关负责模型推理和输出格式化，PLC负责实时控制，数据库负责质量追溯，三者通过标准协议（OPC UA、Modbus TCP、MQTT）互联，形成完整的工业AI数据闭环。