工艺参数优化的一个可落地做法：用贝叶斯优化替代人工试错

厂里调工艺参数，最常见的做法是老师傅凭经验拧：温度加五度看看，压力降一点再试试。一次实验动不动几个小时，原料和能耗都是成本，试个十几轮产线就受不了了。这篇记录一个我们实际用过的替代方案：贝叶斯优化（Bayesian Optimization），它解决的问题很具体——实验次数很少、单次实验很贵、参数空间连续的黑盒优化。

为什么不用网格搜索和随机搜索

网格搜索在三维参数空间每维取 10 个点就是 1000 次实验，产线上根本不可能。随机搜索好一些，但完全不利用历史实验结果——第 20 次实验和第 1 次一样瞎。贝叶斯优化的核心区别在于：它每做完一次实验就更新一个代理模型（通常是高斯过程），用模型预测"哪个参数组合最可能改进"，下一次实验直接打在最值得试的点上。经验上，同样的改进幅度，实验次数通常能压到随机搜索的 1/3 甚至更少。

一个最小可跑的示例

以注塑工艺为例，要优化三个参数：料筒温度、保压压力、保压时间，目标是不良率最低。用 scikit-optimize，几十行代码就能跑：

from skopt import gp_minimize
from skopt.space import Real

# 参数空间：按工艺卡的允许范围来
space = [
    Real(180.0, 240.0, name="barrel_temp"),   # 料筒温度 °C
    Real(40.0, 80.0, name="hold_pressure"),   # 保压压力 MPa
    Real(3.0, 12.0, name="hold_time"),        # 保压时间 s
]

def run_experiment(params):
    """在产线上实际跑一次，返回不良率（%）。
    离线验证阶段可以替换成仿真或历史数据拟合的函数。"""
    temp, pressure, t = params
    reject_rate = production_trial(temp, pressure, t)  # 占位：真实实验
    return reject_rate

# n_calls=25：总实验预算 25 次，前 8 次随机探索
result = gp_minimize(
    run_experiment,
    space,
    n_calls=25,
    n_initial_points=8,
    acq_func="EI",       # Expected Improvement 采集函数
    random_state=42,
)

print(f"最优参数: 温度={result.x[0]:.1f}°C, "
      f"保压={result.x[1]:.1f}MPa, 时间={result.x[2]:.1f}s")
print(f"最低不良率: {result.fun:.2f}%")

工程落地的几个注意点

1. 先离线验证再上产线。 把历史生产记录（参数 → 良率）拿出来，拟合一个代理函数，先在离线环境跑一遍优化流程，确认收敛行为和实验次数合理，再进真实产线。直接拿产线试，出了批量不良没人担得起。

2. 参数范围给保守一点。 空间边界就按工艺卡的安全范围设，不要为了让算法"自由探索"放宽。高斯过程在边界附近照样会建议试探点。

3. 噪声要当回事。 同一组参数跑两次，不良率可能差一两个点——产线噪声客观存在。gp_minimize 有 noise 参数，或者干脆每个建议点重复跑 2~3 次取均值再喂回去，会稳很多。

4. 实验预算提前定死。 和生产主管说清楚：这轮优化最多占用多少次试产、多少原料。贝叶斯优化好在随时停都有当前最优解，25 次预算跑了 15 次被叫停，手里的结果照样能用。

5. 约束条件单独处理。 有些参数组合是禁区（比如高温配长时间会降解材料），不要让算法自己撞出来。简单做法是在目标函数里给禁区返回一个很大的惩罚值；更规范的做法是用带约束的采集函数。

边界说清楚

贝叶斯优化适合的是参数维度低（一般 10 维以内）、单次实验贵、没有梯度信息的场景。如果你的问题是几十上百个参数、或者一次仿真只要几秒钟，那上进化算法或者直接暴力随机搜索反而更划算。工具没有银弹，匹配问题才是正事。

我们实际用下来的体感是：它最大的价值不是找到的那个最优点比老师傅强多少，而是把试错过程变得有计划、有记录、可复现——每次实验为什么选这个参数组合，代理模型里写得明明白白，这比"凭感觉"好管理得多。