工业时序大模型驱动的压铸质量在线监测

大模型驱动的对抗式半监督训练，用少量破坏性检测样本 + 海量产线传感数据，在线预测大型压铸件各区域力学性能

工业时序大模型半监督学习先进压铸可解释推理

项目概述

大型压铸件力学性能依赖破坏性试验（测一件废一件），带标签样本极少；同一零件不同区域性能差异显著，黑盒模型难以进入安全关键决策。本项目提出大模型驱动的对抗式半监督训练框架，实现压铸成型质量的在线感知。

少量标签下的力学性能预测（降低破坏性检测成本）

刻画同一零件不同区域的性能差异

预测附带根因推理过程与工艺优化建议

强化学习（GRPO）使大模型从少量检测样本学习传感数据到力学性能的映射；训练裁判模型区分真实与预测结果，两者对抗共同进化；海量产线传感数据参与半监督训练。

1
两类数据源对齐
一侧是海量产线传感时序（压射曲线、温度场、真空度等），一侧是极少量破坏性试验得到的各区域力学性能标签——先建立两者的样本级对齐。
2
强化学习冷启动（GRPO）
用 GRPO 让工业时序大模型从少量带标签样本中初步学会"传感数据 → 各区域力学性能"的预测，并输出推理过程而非黑盒数值。
3
对抗式半监督共进化
训练裁判模型区分"真实检测结果"与"大模型预测结果"；大模型学习骗过裁判，裁判学习识别破绽，两者对抗迭代，把海量无标签传感数据的价值压榨出来。
4
输出预测 + 根因推理 + 工艺建议
各区域性能预测附带推理链，可追溯到具体工艺参数，直接支撑压铸工艺优化决策。