
工业现场不缺数据,缺的是"把数据变成公式"的那座桥。PySR(Python Symbolic Regression)用遗传编程搜索数学表达式,输出的不是黑盒模型,而是一串能直接抄进 Excel、PLC、组态软件的公式。这篇按 MES 和 ERP 两类场景拆它的用法与边界。
原理:进化搜索公式树
传统回归是人假设公式形式再拟合参数;PySR 反过来——给数据,算法自己组合加减乘除、sin、log、sqrt,进化出最优结构。流程五步:随机生成几千条公式树;拟合数据算误差;误差小的存活;存活的互相交换片段、随机变异;重复几十代收敛。
核心代码短得意外:
from pysr import PySRRegressor
model = PySRRegressor(
niterations=50,
binary_operators=['+', '-', '*', '/'],
unary_operators=['sin', 'log', 'sqrt'],
maxsize=15,
)
model.fit(X, y) # X: 工艺参数, y: 当班良率
print(model.equations_[["complexity", "loss", "equation"]])

MES 场景:良率公式的反直觉发现
某汽车零部件厂机加工车间,六轴数据(转速、进给、切深、冷却液、刀具时长、批次)对良率。PySR 给出的帕累托前沿里,最有价值的是复杂度 10 的那行:良率损失 ∝ 刀具时长² ÷ 切削深度——切得越深,刀具寿命该按比例缩短。原来"固定 40 分钟换刀"的 SOP 在精加工(切深 0.5mm)下其实 60 分钟才需要换,粗加工(2mm)30 分钟就该换。调整策略后刀具消耗降 15%,良率反升 0.8%。这个公式直接写进 MES 的换刀提醒逻辑,不部署任何模型服务——符号回归的工程价值正在于此:可解释、可嵌入、零推理依赖。
ERP 场景与适用边界
离散制造的订单交付周期分析同理:把产品类型、工序排队数、物料齐套时间喂进去,得到可复核的周期估算公式,比黑盒预测更容易让计划部门买账。
但边界要说清楚,三条不适用:数据信噪比太低时(传感器漂移、人工录入错误多),进化搜索会拟合噪声,产出的"公式"看起来漂亮实则无物理意义;非平稳过程(工艺频繁切换、原料批次剧变)下历史公式会快速失效;目标本身受未记录变量支配时,任何表达式都救不了。
增量提醒(原文未给的验收三步):公式上线前必须做——物理合感性检查(每个变量系数符号能否用工艺机理解释,解释不了的就是疑似过拟合);留出集验证(按时间切分而非随机切分,用最近一个月数据验证,MAE 相对基线改善 ≥10% 才算有效);外推测试(把输入推到历史范围边界外 10%,公式输出不应发散或变号)。三步全过才允许写进控制系统——工厂里的公式出错是真停线,不是演示翻车。
一句话总结:PySR 的正确打开方式不是"替代机器学习",而是在需要公式形态知识的场景里,用搜索代替老师傅的经验总结。
这套流程我在车间侧看过一次落地:公式贴在产线看板上,老师傅看得懂,也敢照着调。

评论0