在高端制造领域，一个零件从图纸到成品，需要经历“选哪台机床、花多少时间”的工艺决策。传统方式依赖老师傅经验，不仅耗时，且难以保证最优。山东大学机械工程学院的研究团队，用机器学习为这一过程装上了“工艺大脑”——设备选型准确率高达95.1%，工时预测平均误差仅9.8%，为离散制造车间迈向“自适应、自决策”的智能生产提供了关键技术支撑。

一、制造工艺设计的“经验之困”

在复杂零部件加工中，工艺设计人员面临两大核心问题：选择哪台设备加工，以及预计加工需要多长时间。这两个问题直接决定了排产计划的科学性与生产效率的高低。

然而，在传统制造执行系统(MES)中，工艺设计高度依赖人工经验，存在三大痛点：

设备选型不精准：人工选型易忽略设备实时状态与工件特征的复杂匹配关系，导致“大马拉小车”或能力不足;

工时预测误差大：工时受材料、刀具、设备状态等多因素影响，经验公式估算误差常超过20%，造成排产混乱;

历史数据难利用：车间积累了海量工艺数据，但缺乏有效手段从中挖掘规律，形成“数据丰富但知识贫乏”的窘境。

二、科创亮点：为制造系统装上“工艺大脑”

2026年3月，山东大学机械工程学院、高效洁净机械制造教育部重点实验室联合德州大陆架石油工程技术有限公司的研究团队，在《Mechanics & Industry》期刊发表研究成果，首次构建了基于机器学习的工艺设计方法，系统解决了设备选择与工时预测的智能化问题。

亮点一：生成对抗网络(GAN)破解“数据不平衡”难题

在真实制造场景中，设备故障记录、异常加工数据往往远少于正常运行数据，这种“类别不平衡”问题会导致机器学习模型对少数类(故障类)的识别能力严重不足。

研究团队引入生成对抗网络(GAN)，通过生成器与判别器的博弈学习，合成高质量、高保真的设备状态数据，有效扩充少数类样本。实验表明，经过GAN数据增强后，模型对设备状态的识别覆盖度显著提升，为后续选型决策奠定了数据基础。

亮点二：随机森林(RF)实现高精度设备选型

设备选型是一个典型的多维特征映射问题——工件材料、几何特征、尺寸公差、表面质量要求，与机床的功率、精度、工装能力之间存在复杂的非线性关系。

研究团队采用随机森林(RF)算法，构建了基于“工艺树”的选型决策模型。RF通过集成多个决策树的投票结果，有效避免了单棵决策树的过拟合问题，同时天然支持多维特征的交互挖掘。

关键数据：在真实生产数据集上验证，设备选型准确率达到95.1%，F1值达94.3%。

亮点三：多层感知机(MLP)实现工时高精度预测

工时预测的挑战在于其强非线性——加工时间不仅取决于工件尺寸，还与材料硬度、刀具磨损、冷却条件、设备老化状态等隐变量密切相关。

研究团队采用多层感知机(MLP)，构建了深度神经网络模型，学习从输入特征(工件材料、加工特征、设备参数、工艺参数)到实际加工时间的非线性映射。

关键数据：在验证集上，平均绝对百分比误差(MAPE)为9.8%，决定系数R²达90.2%，表明模型能够解释工时变异的90%以上，远超传统经验公式的预测能力。

亮点四：完整技术链条——“数据增强-特征提取-模型决策”闭环

三项技术并非简单叠加，而是形成完整的智能化工艺设计闭环：

数据层：GAN解决数据不平衡，扩充少数类样本;

特征层：构建“工艺树”结构，将产品特征与工艺能力结构化表达;

决策层：RF完成设备选型，MLP完成工时预测;

反馈层：实际加工数据持续回流，支持模型迭代优化。

三、技术内涵：从“经验驱动”到“数据驱动”的范式跃迁

该研究的深层价值在于将工艺设计从“老法师的经验”转化为“算法的计算”。传统工艺设计依赖工艺员对设备能力的认知、对工时经验的记忆，这种隐性知识难以复制、难以传承。

而机器学习模型通过挖掘历史数据中的规律，将工艺设计知识显性化、模型化、可复用化。当新的零件图纸到来，系统能够：

自动匹配最优设备：基于工件特征与设备状态的相似性计算，推荐最合适的加工资源;

精准预测加工时间：基于历史加工数据的模式匹配，输出高置信度的工时估计;

持续自我进化：每次实际加工后的数据反馈，都会用于模型的再训练与优化。

四、应用前景：从“单点优化”到“全局智能”

1. 集成至MES系统，提升车间排产智能化

该研究成果可直接嵌入现有制造执行系统(MES)。当生产计划下达时，系统自动完成设备推荐和工时估算，为高级计划与排程(APS)模块提供高质量输入，大幅提升排产合理性和应对插单的响应速度。

2. 支持“自适应调度”，应对制造不确定性

在离散制造中，设备故障、急单插入等不确定性事件频繁发生。该技术可支持快速重选设备、重新估算工时，为动态调度提供实时决策支持。

3. 构建企业工艺知识库，保护核心经验

将优秀工艺员的经验固化到模型中，形成企业专属的工艺知识库，避免因人员流动导致核心工艺能力流失。

4. 推动制造智能化国家标准建设

研究团队指出，该方法可在现有MES系统基础上，推动建立制造行业智能化工艺设计标准，为智能制造系统的标准化、模块化发展提供参考。

五、产业意义：为高端制造装上“算法引擎”

这项研究的核心价值在于用数据科学重新定义了制造工艺设计的能力边界。当设备选型准确率突破95%、工时预测误差收窄至10%以内，意味着车间管理人员可以从繁琐的经验决策中解放出来，专注于更高层次的生产优化。

正如论文所总结：“本研究为工艺设计智能化提供了一种行之有效的解决方案，显著提升设备选择和工时预测的准确性，为未来智能制造系统的可预测性、自适应性与优化决策能力奠定了关键技术基础。”

当制造系统学会“自己选设备、自己算工时”，高端制造的“工艺大脑”正从科幻走向现实。

来源：山东大学机械工程学院、高效洁净机械制造教育部重点实验室、德州大陆架石油工程技术有限公司；作者：Lei Yin, Qi Gao(尹磊、高琦)；题目：Machine learning-based method to improve equipment selection and time prediction accuracy；发表于：Mechanics & Industry(2026年3月5日)。