螺栓扭矩质量预测：从曲线特征到风险预警

业务目标

系统根据螺栓拧紧记录和扭矩曲线，使用机器学习实时判断扭矩质量状态，识别四类质量风险，并将异常记录推送给现场工程师。

数据采集

后端使用 Python 开发。定时任务每小时从生产 MySQL 数据库抽取螺栓拧紧记录和扭矩曲线明细，写入中间表，形成稳定的训练与推理数据入口。

特征工程

使用 NumPy、Pandas 完成清洗和特征处理。结合业务规则提取扭矩曲线波动次数、掉底异常、拧紧状态和扭矩类别等特征，再完成特征编码、归一化和统一训练数据集构建。

模型训练与推理

训练阶段对比多种机器学习方法，并使用 TensorFlow 构建多层感知机进行风险分级预测。模型部署后按小时处理新增扭矩数据，复用训练阶段的数据处理流程并输出四类质量风险。

预警闭环

后台筛选预测为 Risk 的记录，自动发送邮件给工程师。预警信息保留对应的螺栓记录和特征数据，支持异常追溯、人工确认和质量闭环管理。