压接力监测的 AI 解释：哪些证据支持“判得对”，哪些支持“看得懂”

收到一条“缺股”告警，屏幕同时把压接曲线的一段标成红色。这能帮助工程师从哪里开始检查，却还没有回答两个问题：这件产品是否真的缺股，以及红色区域是否能帮助人作出正确处置。

本篇面向正在评估 AI 压接力监测的质量或工艺工程师。我们以 Hofmann 等人的一项公开研究为例，把分类结果、模型解释和人的使用效果分开读，给出可直接用于技术评审的分母与比较条件。论文发表于2026年3月31日，正式记录版本标注为4月10日；它是一项已有研究的专题研读。原论文

先分清三个要验收的对象

三者可以逐步建立联系，但不能互相代替。本文的评审建议是：先看错误发生在什么方向，再看解释的验证方式，最后看使用者完成了什么实际任务。下面分别用论文已有证据走一遍。

从一条曲线到四段颜色，模型做了什么

这项研究使用随机森林，把预处理后的压接力曲线分为正常、缺股、绝缘层压入三类。随机森林由多棵决策树组成，各树根据输入特征作判断，再汇合为模型输出。研究中的输入是曲线上连续的采样点，而不是先由人挑出的一个峰值。随后，SHAP 的 TreeExplainer 为各采样点计算对某一类别输出的贡献。论文第3节；随机森林官方说明

可以把这条处理链读成：

1. 采集与预处理→
2. 随机森林输出类别→
3. TreeSHAP 解释该类别的输出→
4. 按工艺阶段汇总→
5. 在原曲线上显示颜色

这是一条方法关系示意。分类发生在显示颜色之前；颜色没有增加一次独立的质量检验。

现行压接力监控也不能一概视为只会比较单个峰值。论文引用的 BB07i4 原厂说明包含参考曲线比较、漂移处理和多组参考设置。本文研读的贡献是把学习得到的分类与阶段解释连起来；论文并未提供足以量化“优于所有传统监控”的统一对照。BB07i4 原厂说明

论文把曲线划为对中、卷入、压缩、回弹四段。它们分别对应端子翼开始接触并对齐压头、翼部向导体卷入、导体与端子被压实，以及压头回程后的弹性恢复。研究采用的分界索引为75、150、345、500。这些是该数据处理中的位置，不能直接当成另一台设备的时间、行程或通用切分参数。论文第2.1、3.5节及式4

阶段汇总也有一个容易忽略的细节：论文式6对阶段内的 SHAP 值取均值，然后归一化形成色带。它没有把四段各自变成“失效概率”，也不是简单地把每段绝对贡献全部相加。

举一个纯算术示例：同一阶段两个点的贡献分别为 +0.02 和 -0.02，带符号均值是0，绝对值均值是0.02。前者保留推动和抵消的关系，后者描述贡献幅度；两种汇总回答不同问题。这个例子不是论文测量值。阅读或复现色图时，应同时保留所解释的类别、符号、汇总方式和颜色归一化规则，否则“最红”究竟表示什么会发生变化。

TreeSHAP 解释的是模型输出相对其基准值如何变化；还需要指定如何处理相互依赖的输入特征。连续曲线点彼此相关，因此软件版本、背景数据和相关性处理选项也属于解释条件。不能只保存一张色图，然后把同样颜色当作跨版本不变的指标。TreeExplainer 官方说明

95.9% 应该拆成哪些错误

研究记录了1,617条曲线，来自两种导线与端子配对，涉及0.50 mm²与0.35 mm²导线。缺股和绝缘层压入样本由研究者有意制备；数据随机分成1,293条训练样本和324条测试样本。它不是按真实产线缺陷发生比例抽取的一批出货记录。论文第3.2节

作者报告三分类准确率为95.9%。这里的对错是相对作者标签而言；人为制备的缺陷标签与按产品要求判定的不合格状态仍需区分。读这个数时，先按错误流向拆开：

表中百分比是按原文计数计算并四舍五入后的描述值，分母分别是标注正常样本数和标注缺陷样本数。它们不等于总体错误率，也不等于模型判为正常后的不良比例。混淆矩阵应明确哪一轴是参考标签、哪一轴是预测类别；否则同一个格子很容易被读成另一个问题。论文第4.1节；混淆矩阵定义

原文报告值与上述文字计数之间还有一处小差异：6 + 4 + 3 = 13次错判，以324为总数重算，三分类准确率约为96.0%，与作者写出的95.9%并不完全一致。因此这里保留作者报告值，并把错误计数和分母另列，不把两者声称为严格一致的复算结果。

对质量评审而言，更关键的是不能将两个缺陷类别之间的误判，和缺陷被模型判成正常混在一起。前者影响诊断方向，后者关系到模型的缺陷检出能力。若只合并成正常/缺陷两类，缺陷之间那3次互判就不再算错，得到的指标会改变；这也说明不同分类任务的准确率不能直接比较。

扰动试验支持了什么

为了检查阶段解释是否有用，研究者把指定阶段置零、替换为随机值或删除，再按相同训练方法重训模型。单段、两段和三段组合共形成42个扰动模型，与未扰动的基线比较。这里比较的是“失去这一段信息后重新训练的模型还能做到什么”，不是只把原模型输入涂黑一次。论文第3.7、4.2节

表4中，单独扰动压缩阶段时，三种处理的准确率均为0.861，低于作者报告的0.959基线。单独扰动卷入或回弹阶段时，相应结果均为0.954。这给出了一个具体支持：在该数据与比较方法下，压缩阶段包含较难由其余区域补偿的分类信息。

这项试验没有直接证明红色区域是缺陷的物理成因。重训后性能的下降会同时受删除信息量、其他阶段能否补偿、模型与划分方式影响。论文也承认各阶段采样点数量不相等。长阶段被删去后损失更大，不能只凭下降幅度就宣布每个点都更重要。

如果下一步要比较两种解释方法，可提出更有针对性的追加试验：让它们各自选出相同数量的点或相同长度的区间，再使用一致的替换方式、训练设置与测试集比较。这个建议用于减少“删得更多”的混杂，不是论文已经完成的结果。

工程师认同阶段解释，不等于操作效果已经改善

论文的人因部分邀请两位工艺专家，对已标明质量类别的曲线评价各阶段影响，再与可视化结果作定性比较。这能检查解释是否和专业知识大致相符。它没有提供多班次操作员的盲测正确率、告警处置时间，或加入色带前后的错误操作变化。论文第4.3节

两种问题可以这样分开做：

• 要检查阶段解释是否合理，可以请工程师说明某种缺陷预计影响哪段曲线，再比较模型突出的位置。
• 要检查界面是否帮助处置，应让使用者处理不知道答案的记录，分别观察看原曲线、看类别提示、再看阶段解释时如何判断。记录“无法判断”也有意义，不能强迫每次给出一个原因。

后一种比较最好固定样本难度与可用信息，并处理先后顺序带来的学习影响。否则第二次答得更快，可能只是已经见过同一条曲线。对于被漏过或被错分的样本，也要保留解释画面：一张清楚的解释仍可能解释了一个错误预测。

现在能拿到什么，迁移时还缺什么

论文提供公开全文，并指向 Harvard Dataverse 的 Crimp Force Curve Dataset，以及介绍采集、标签与技术验证的 Scientific Data 数据论文。当前数据入口为V3.0，完整数据有2,439条曲线，与本文研究使用的1,617条子集不同。数据同时保留人工标注与CFM判定，两者有不一致记录；评估前应明确采用哪套参考标签，并用项目适用的方法判断实际合格状态。公开材料可用于离线方法评估，数据入口不等于已验证的在线监控软件。数据集 DOI；数据说明论文

另有作者公开的 cfc-analysis 代码库，此处固定到2025年8月22日的提交 cf20535，包含数据预处理、验证与绘图文件。它为数据理解提供了入口，不能据此认定2026年这篇研究的完整随机森林、TreeSHAP与界面代码已经开放。

本次没有下载并执行完整数据集，也没有取得并运行这篇 SHAP 研究的完整训练、切分和可视化代码包。要主张精确复现，仍需核对：

• 数据版本及实际选用的样本ID；
• 预处理与缩放范围；
• 训练/测试分配、随机种子；
• 依赖版本、SHAP选项；
• 阶段边界与显示规则；

只按文中参数重新训练一次，不能默认得到同一结果。

若评估对象变成新的端子、导线或设备，可以沿下面的次序准备证据。这是评估建议，不是生产放行条件。

1. 先确定参考标签如何得到。 缺股与绝缘层压入如何制备、怎样确认，轻微异常与可接受状态如何划界，要和样本ID一起保存。标签混淆时，提升模型分数不能解决质量定义的问题。
2. 把新条件留给真正的外部测试。 想证明跨批次使用，就按批次留出；想证明换设备或端子后可用，就留出对应条件。随机拆分同一来源的数据，只回答其中一部分问题。未知缺陷也不能被三分类结果自动覆盖。
3. 和现行监控在同一批样本上比较。 分别数相对参考标签的正常误报、缺陷漏过与缺陷类型指错，保留实际分母；不要拿论文准确率和另一批工件的报警率相比。产品缺陷比例变化时，还应单独检查预测为缺陷和正常的两组样本中各有多少经项目方法确认的异常。
4. 最后评估解释是否改变了行动。 给定现有处置流程，检查色带能否减少错误检查方向，或帮助工程师识别模型不可靠的情况。若只有阶段解释更合直觉，结论就停在解释合理性，继续保留人的处置验证。

准备技术评审时，最有用的第一页可以只有三行：新条件下的错误流向和分母；解释经过怎样的扰动比较；使用者实际完成过什么判断任务。研究中的随机森林、TreeSHAP和阶段色带，为这三行中的前两行提供了一种可研究的组合；第三行还需要在目标工作场景中补上。

继续准备压接质量评审，可读压接高度、拉力与截面分别能说明什么，把过程曲线与成品检验的用途分开；更多前沿研读与落地手册见资源库。

来源与阅读说明

主要研究：Hofmann, B., Bründl, P., Nguyen, H. G. 与 Franke, J.，Transparent machine learning for crimp force monitoring using phase-based SHAP explanations，Industrial Artificial Intelligence 4, 2 (2026)，DOI: 10.1007/s44244-026-00028-6。本文依据公开全文独立撰写中文研读与评估建议，未转载原图；原论文采用 CC BY 4.0 许可。本文中的算术示例与追加试验建议不是作者实测结果，也不代表 MTTJ 完成了复现或产线验证。

资料读取日期：2026年10月7日。后续若作者发布代码、修订结果或出现独立跨设备验证，应优先更新实现条件与迁移判断。

本文由 AI 辅助资料整理与撰写。