利用知识蒸馏的主动检测以实现制造过程中具成本效益的故障预测

为何及早发现次品很重要

从智能手机到电动汽车，我们依赖由数千个微小零件构成的复杂产品。如果少数零件出现缺陷，可能导致昂贵的返工、产品召回，甚至对客户产生安全风险。因此制造商进行大量测试以尽早发现问题——但最彻底的测试往往也是最慢、成本最高的。本文探讨工厂如何利用人工智能预测哪些产品可能会失效，同时将检测成本控制在可接受范围内。

两类工厂检查

在现代生产线上，并非每件产品都接受同等程度的检查。对每件产品都会施加的简单、快速测试被称为基础检测。更详细的测试可能需要专用设备或苛刻条件，由于成本高和耗时久，通常仅对较小样本施行；这类称为高级检测。能够预测未来故障的计算模型在同时见到基础和高级检测结果时表现更好，但这意味着需要更多昂贵检测的数据。仅依赖基础检测结果的模型使用成本更低，但通常准确性较差。

教一种廉价检测像昂贵检测那样“思考”

研究人员将机器学习中的知识蒸馏思想应用于制造环境。首先，他们训练一个高级模型，该模型可以同时访问基础和高级检测数据，并学习预测每件产品是否最终会在终检中失效。接着，他们训练一个只看低成本检测数据的基础模型——但在训练过程中，引导它的学习使其预测模仿高级模型。实际上，基础模型被教导去逼近高级模型的更丰富判断，同时在投产时仍只依赖廉价的测量结果。

决定何时花更多钱做检测

在以此方式改进基础模型后，作者将其嵌入主动检测框架。每件产品首先接受基础检测并由升级后的基础模型评估，模型同时给出其判断的置信度。如果模型有信心某件物品明显良好或明显不良，工厂可以跳过昂贵的高级检测。只有预测不确定的物品才被送去做高级检测并由高级模型评估。这种选择性策略旨在把昂贵检测保留给那些检测能带来最大改善的产品。

在芯片制造中检验该方法

为检验该方法在实践中的效果，团队分析了来自一家半导体制造商的真实数据。在芯片生产中，晶圆会经过许多电性测试；有些在每枚芯片上都做，而另一些在严苛条件下仅对一部分芯片施加。作者使用两类不同的机器学习算法构建了基础和高级预测模型，并比较了有无知识蒸馏训练的模型。他们还考察了多种衡量预测不确定性的方法以决定哪些芯片应接受高级检测，并使用一种反映模型区分良品与次品能力的标准得分来评估性能。

更低成本下的更好质量

实验表明，经过知识蒸馏训练的基础模型在准确性上持续优于普通基础模型，在一个数据集中甚至略胜于完整的高级模型。当这些增强后的基础模型与主动检测策略结合时，工厂可以在将远少数量的产品送入昂贵检测的情况下，达到几乎等同于对每件产品执行高级检测的故障检测性能。通俗地说，该方法使制造商能够更早、更可靠地发现更多缺陷，而无需对所有物品都进行最高级别的检验，为更高质量和更低生产成本提供了切实可行的路径。

引用: Heo, J., Son, M. & Shim, J. Active inspection with knowledge distillation for cost-effective fault prediction in manufacturing process. Sci Rep 16, 8613 (2026). https://doi.org/10.1038/s41598-026-39412-8

关键词: 制造质量, 故障预测, 检测成本, 知识蒸馏, 半导体生产