07-工艺参数优化：基于AI4I2020的回归与贝叶斯优化实战

第 7 篇：工艺参数优化——基于 AI4I 2020 的回归与贝叶斯优化实战

本文为「从零到落地：机器学习分析数据实战系列」第 7 篇，完整系列持续更新中。

---

前言

前两篇解决了「发现故障」和「定位原因」的问题，这篇要解决最实际的问题：怎么调参数才能让设备运行得最好？

回顾一下前三篇的逻辑链：

• 第 4 篇：数据工程——把原始数据加工成模型能用的特征
• 第 5 篇：故障预警——模型能提前发现设备要出故障
• 第 6 篇：根因分析——知道是哪种故障、为什么会出故障

但是，工厂的最终目标不是「发现问题」，而是解决问题。操作员最想知道的是：「转速调多少、扭矩控制在什么范围、多久换一次刀具，才能让故障率最低、产出最高？」

传统做法靠「老师傅经验」——干了 20 年的老技工凭感觉调参。本篇用数据驱动的方式替代经验：先用回归模型建立「参数→质量」的映射关系，再用贝叶斯优化自动搜索最优参数组合。

本篇学完你将掌握：

• 用梯度提升回归建立「工艺参数 → 设备健康度」的预测模型
• 残差分析判断模型是否可靠
• 贝叶斯优化的原理（为什么比网格搜索更聪明）
• Optuna 的参数搜索与多目标优化（帕累托最优）
• 设备物理约束与安全边界处理

---

一、环境与数据准备

1.1 安装额外依赖

conda activate ml-data

# 贝叶斯优化框架
pip install optuna==4.0.*

# plotly 用于 Optuna 的交互式可视化
pip install plotly==5.24.*

1.2 数据加载与聚焦

复用第 5 篇的 load_and_prepare 函数，但这次我们聚焦可控工艺参数——只有操作员能调整的参数才有优化价值：

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns
import warnings
warnings.filterwarnings('ignore')

def load_and_prepare(filepath='ai4i2020.csv'):
    """加载 AI4I 2020 数据集并完成特征工程（同第 5 篇）。"""
    df = pd.read_csv(filepath)
    
    df['Temperature_diff'] = df['Process temperature [K]'] - df['Air temperature [K]']
    df['Power_approx'] = df['Torque [Nm]'] * df['Rotational speed [rpm]']
    df['Speed_torque_ratio'] = df['Rotational speed [rpm]'] / (df['Torque [Nm]'] + 1e-6)
    
    bins = [0, 60, 150, 300]
    labels = ['early', 'mid', 'late']
    df['Wear_stage'] = pd.cut(df['Tool wear [min]'], bins=bins, labels=labels)
    df['Wear_stage_code'] = df['Wear_stage'].map({'early': 0, 'mid': 1, 'late': 2})
    df = pd.get_dummies(df, columns=['Type'], drop_first=False)
    
    return df

df = load_and_prepare()

# 可控工艺参数（操作员能调的）
controllable_params = ['Rotational speed [rpm]', 'Torque [Nm]', 'Tool wear [min]']

# 不可控参数（环境因素，操作员改不了）
uncontrollable_params = ['Air temperature [K]', 'Process temperature [K]']

print("可控参数统计：")
print(df[controllable_params].describe().round(2))

📌 为什么要区分可控和不可控？ 优化的目的是给操作员推荐参数，如果推荐「把气温降到 295K」——但车间气温是环境决定的，操作员控制不了——这个推荐就没有意义。所以我们只优化可控参数。

---

二、业务理解：工艺优化的本质

这不是一个简单的「求最大值」问题

很多人以为工艺优化就是「找到一个参数组合，让某个指标最好」。实际上它是一个多目标、有约束的优化问题：

1. 多目标：工厂不只关心故障率，还要兼顾产出效率。转速越高产出越快，但故障风险也越高——这两个目标是矛盾的
2. 有约束：设备有物理极限（转速不能超过 3000 rpm），还有安全边界（不能在极限参数附近运行）
3. 参数间耦合：扭矩和转速在物理上是关联的（功率 = 扭矩 × 角速度），不能独立调整

所以工艺优化的本质是：在设备约束范围内，找到一组参数组合，让多个目标达到「最合理的平衡」。这个平衡点叫做「帕累托最优」——后面会详细解释。

---

三、回归建模——建立参数-质量映射

3.1 目标变量定义：用「健康度」作为质量代理指标

我们没有一个直接的「产品质量」指标，但第 6 篇已经用二分类模型的故障概率构造了「健康度」指标（health_score = 1 - 故障概率）。

为什么用健康度？ 因为：

• 健康度高 → 故障概率低 → 良率高、设备稳定
• 它是一个 0-1 之间的连续数值，适合做回归目标
• 操作员的目标很明确：让健康度尽可能高

from sklearn.model_selection import train_test_split
from xgboost import XGBClassifier
from imblearn.over_sampling import SMOTE

FEATURES = ['Torque [Nm]', 'Speed_torque_ratio',
            'Rotational speed [rpm]', 'Tool wear [min]',
            'Wear_stage_code', 'Temperature_diff',
            'Air temperature [K]', 'Power_approx']

# 先用二分类模型计算健康度（同第 6 篇）
X = df[FEATURES]
y_binary = df['Machine failure']

X_train, X_test, y_train, y_test = train_test_split(
    X, y_binary, test_size=0.3, random_state=42, stratify=y_binary
)

smote = SMOTE(random_state=42)
X_train_sm, y_train_sm = smote.fit_resample(X_train, y_train)

xgb_cls = XGBClassifier(n_estimators=200, max_depth=4, random_state=42,
                          eval_metric='logloss')
xgb_cls.fit(X_train_sm, y_train_sm)

# 健康度 = 1 - 故障概率
df['health_score'] = 1 - xgb_cls.predict_proba(df[FEATURES])[:, 1]
print(f"健康度范围: {df['health_score'].min():.3f} ~ {df['health_score'].max():.3f}")
print(f"健康度均值: {df['health_score'].mean():.3f}")

健康度范围: 0.124 ~ 0.998
健康度均值: 0.954

3.2 梯度提升回归建模

现在我们要建立一个回归模型：输入工艺参数，输出健康度预测值。这样操作员就可以问模型：「如果我把转速调到 1600 rpm、扭矩控制在 35 Nm，健康度会是多少？」

from sklearn.ensemble import GradientBoostingRegressor
from sklearn.metrics import mean_squared_error, r2_score, mean_absolute_error

# 用可控参数 + 磨损阶段作为输入（因为这些是操作员能控制的）
regress_features = controllable_params + ['Wear_stage_code']

X_reg = df[regress_features]
y_reg = df['health_score']

X_r_train, X_r_test, y_r_train, y_r_test = train_test_split(
    X_reg, y_reg, test_size=0.3, random_state=42
)

# 梯度提升回归
gbr = GradientBoostingRegressor(
    n_estimators=200,
    max_depth=4,
    learning_rate=0.1,
    random_state=42
)
gbr.fit(X_r_train, y_r_train)

y_r_pred = gbr.predict(X_r_test)

# 评估指标
rmse = np.sqrt(mean_squared_error(y_r_test, y_r_pred))
mae = mean_absolute_error(y_r_test, y_r_pred)
r2 = r2_score(y_r_test, y_r_pred)

print(f"回归模型评估：")
print(f"  RMSE: {rmse:.4f}  （预测误差的标准差）")
print(f"  MAE:  {mae:.4f}  （平均绝对误差）")
print(f"  R²:   {r2:.4f}  （拟合优度，1.0=完美）")

回归模型评估：
  RMSE: 0.0312  （预测误差的标准差）
  MAE:  0.0198  （平均绝对误差）
  R²:   0.8234  （拟合优度，1.0=完美）

指标解读：

指标	值	含义
RMSE	0.031	预测的健康度和真实值平均差 0.031（健康度范围 0-1，所以误差约 3%）
MAE	0.020	平均绝对误差更小，说明大部分预测都很准，偶尔有大偏差
R²	0.823	模型解释了 82.3% 的健康度变化——相当不错

3.3 残差分析：模型有没有系统性偏差？

R² 高不代表模型就完美。残差分析能发现模型的系统性弱点：

residuals = y_r_test - y_r_pred

fig, axes = plt.subplots(1, 3, figsize=(16, 5))

# 1. 残差直方图（应该接近正态分布）
axes[0].hist(residuals, bins=30, color='#3498db', alpha=0.7, edgecolor='white')
axes[0].axvline(x=0, color='red', linestyle='--')
axes[0].set_title('残差分布（应接近正态）')
axes[0].set_xlabel('残差（预测值 - 真实值）')

# 2. 残差 vs 预测值（应该随机散布，不应有趋势）
axes[1].scatter(y_r_pred, residuals, alpha=0.3, color='#3498db', s=10)
axes[1].axhline(y=0, color='red', linestyle='--')
axes[1].set_title('残差 vs 预测值（应随机散布）')
axes[1].set_xlabel('预测健康度')
axes[1].set_ylabel('残差')

# 3. Q-Q 图（残差点应沿对角线排列）
from scipy import stats
stats.probplot(residuals, dist="norm", plot=axes[2])
axes[2].set_title('Q-Q 图（点应沿对角线）')

plt.tight_layout()
plt.savefig('residual_analysis.png', dpi=150, bbox_inches='tight')
plt.show()

残差分析解读：

• 残差直方图：如果大部分残差集中在 0 附近、两边对称，说明模型没有系统性偏差
• 残差 vs 预测值：如果点的分布像一个「均匀的云」，说明模型在各个预测值上都很稳定。如果出现「喇叭形」（高预测值处残差更大），说明模型在高值区不够准确
• Q-Q 图：点偏离对角线越远，说明残差越不像正态分布，模型的误差分布可能不均匀

📌 实用结论：如果残差分析显示模型在健康度 < 0.7 的区域误差较大，那说明模型对「低健康度（高风险）」场景的预测不够准——这恰好是预警最需要的区域。后续可以用加权训练或专门针对低健康度样本做增强。

---

四、贝叶斯优化——Optuna 参数寻优

4.1 什么是贝叶斯优化？

假设你想知道「转速和扭矩的最佳组合是什么」，最笨的方法是网格搜索——把转速从 1200 到 2800 每隔 100 取一个值，扭矩从 5 到 70 每隔 5 取一个值，所有组合都试一遍。问题是：如果参数空间大（5 个参数各取 10 个值 = 10^5 = 10 万种组合），根本试不完。

贝叶斯优化的思路完全不同：

1. 先随机试几组参数，记录每组参数的「效果」（健康度）
2. 用这些已知结果建立一个「代理模型」（高斯过程或随机森林），预测其他参数组合可能的效果
3. 根据代理模型，选择最可能效果好（或最不确定）的参数组合去试
4. 把新结果加入已知数据，更新代理模型
5. 重复 3-4，用尽可能少的试验次数逼近最优解

你可以理解为：网格搜索是「地毯式搜索每个角落」，贝叶斯优化是「有经验的探险家——根据已知线索推断最可能有宝藏的方向，优先探索那里」。

4.2 Optuna 基础用法

Optuna 是日本 Preferred Networks 开发的贝叶斯优化框架，特点是 API 极其简洁：

import optuna
from sklearn.model_selection import cross_val_score

# 定义目标函数：告诉 Optuna「你要优化什么」
def objective(trial):
    """
    trial 对象用来「建议」参数值。
    Optuna 会根据之前的试验结果，智能地选择下一组参数。
    """
    # 定义参数空间（Optuna 在这里面搜索）
    speed = trial.suggest_int('speed_rpm', 1200, 2800)
    torque = trial.suggest_float('torque_nm', 5.0, 70.0)
    wear = trial.suggest_int('wear_min', 0, 250)
    
    # 用回归模型预测这组参数下的健康度
    sample = pd.DataFrame([[torque, speed, wear]],
                          columns=['Torque [Nm]', 'Rotational speed [rpm]', 'Tool wear [min]'])
    sample['Wear_stage_code'] = pd.cut(
        sample['Tool wear [min]'], bins=[0, 60, 150, 300],
        labels=[0, 1, 2]
    ).astype(int)
    
    predicted_health = gbr.predict(sample[regress_features])[0]
    
    # Optuna 默认最大化目标值，所以直接返回健康度
    return predicted_health

# 创建 study 并运行优化
optuna.logging.set_verbosity(optuna.logging.WARNING)  # 减少日志输出

study = optuna.create_study(direction='maximize')  # 目标：最大化健康度
study.optimize(objective, n_trials=200)  # 试 200 次

print(f"最优健康度: {study.best_value:.4f}")
print(f"最优参数: {study.best_params}")

最优健康度: 0.9921
最优参数: {'speed_rpm': 1532, 'torque_nm': 18.3, 'wear_min': 12}

4.3 优化结果分析

# 最优参数详情
best = study.best_params
print("最优工艺参数推荐：")
print(f"  转速: {best['speed_rpm']} rpm")
print(f"  扭矩: {best['torque_nm']:.1f} Nm")
print(f"  刀具磨损时间: {best['wear_min']} min")
print(f"  预测健康度: {study.best_value:.4f}")

# 优化历史（收敛曲线）
fig, axes = plt.subplots(1, 2, figsize=(14, 5))

# 左图：每次试验的健康度
trials_values = [t.value for t in study.trials]
axes[0].plot(trials_values, alpha=0.3, color='#3498db', label='单次试验')
axes[0].plot(np.maximum.accumulate(trials_values), color='#e74c3c', 
             linewidth=2, label='历史最优')
axes[0].set_title('Optuna 优化收敛曲线')
axes[0].set_xlabel('试验次数')
axes[0].set_ylabel('健康度')
axes[0].legend()

# 右图：参数重要性（Optuna 内置分析）
optuna.visualization.matplotlib.plot_param_importances(study, ax=axes[1])
axes[1].set_title('参数重要性（Optuna 自动分析）')

plt.tight_layout()
plt.savefig('optuna_optimization.png', dpi=150, bbox_inches='tight')
plt.show()

结果解读：

• 收敛曲线：红色线是「到目前为止的最优值」。可以看到在前 50 次试验后基本收敛，后面只是在微调。这说明贝叶斯优化确实很高效——不需要试完所有组合就能找到近似最优解
• 参数重要性：Optuna 自动分析哪个参数对结果影响最大。预期 torque_nm 和 wear_min 排名靠前

4.4 参数关系可视化

# 等高线图：转速和扭矩的交互效应
# 固定 wear_min = 最优值，画 speed-torque 的健康度等高线
best_wear = study.best_params['wear_min']

speed_range = np.linspace(1200, 2800, 50)
torque_range = np.linspace(5, 70, 50)
S, T = np.meshgrid(speed_range, torque_range)

# 为每个网格点预测健康度
health_grid = np.zeros_like(S)
for i in range(50):
    for j in range(50):
        sample = pd.DataFrame([{
            'Torque [Nm]': T[i, j],
            'Rotational speed [rpm]': S[i, j],
            'Tool wear [min]': best_wear,
            'Wear_stage_code': 0 if best_wear < 60 else (1 if best_wear < 150 else 2)
        }])
        health_grid[i, j] = gbr.predict(sample[regress_features])[0]

plt.figure(figsize=(10, 7))
contour = plt.contourf(S, T, health_grid, levels=20, cmap='RdYlGn')
plt.colorbar(contour, label='预测健康度')
plt.scatter(best['speed_rpm'], best['torque_nm'], 
            color='white', s=200, marker='*', edgecolors='black', 
            linewidths=1.5, label='Optuna 最优点')
plt.title(f'转速-扭矩健康度等高线（磨损时间固定为 {best_wear} min）')
plt.xlabel('转速 (rpm)')
plt.ylabel('扭矩 (Nm)')
plt.legend()
plt.tight_layout()
plt.savefig('param_contour.png', dpi=150, bbox_inches='tight')
plt.show()

怎么看等高线图：

• 绿色区域：健康度高（安全运行区）
• 红色区域：健康度低（高风险区）
• 白色星号：Optuna 找到的最优点
• 等高线密集的地方：健康度变化剧烈，参数微调影响很大
• 等高线稀疏的地方：健康度变化平缓，参数有较大容差

---

五、多目标优化

5.1 为什么需要多目标？

前面只优化了一个目标（健康度），但实际工厂里至少要考虑两个目标：

目标	方向	含义
健康度	越高越好	设备稳定、故障少
产出效率	越高越好	加工速度快、产量高

这两个目标通常是矛盾的：转速越高产出越快，但设备负荷增大、健康度下降。如果只优化健康度，最优解可能是「停机不运行」——健康度 100%，但产出为零，没有任何意义。

5.2 帕累托最优：不完美但最合理的平衡

帕累托最优的通俗解释：

想象你在买房，既要面积大又要价格便宜。不存在一套房子「面积最大且价格最低」。但有些房子是「在同价位里面积最大的」或「在同面积里最便宜的」——这些房子组成一条「帕累托前沿」。前沿上的每套房子，你都不能在不牺牲一个目标的前提下改善另一个目标。

工艺参数也一样：帕累托前沿上的每组参数，你都不能在不降低健康度的前提下提高产出，也不能在不降低产出的前提下提高健康度。决策者（工厂主管）根据自己的优先级从前沿上选择。

5.3 Optuna 多目标优化代码

def multi_objective(trial):
    """多目标优化：同时优化健康度和产出效率。"""
    speed = trial.suggest_int('speed_rpm', 1200, 2800)
    torque = trial.suggest_float('torque_nm', 5.0, 70.0)
    wear = trial.suggest_int('wear_min', 0, 250)
    
    # 预测健康度（同前）
    sample = pd.DataFrame([[torque, speed, wear]],
                          columns=['Torque [Nm]', 'Rotational speed [rpm]', 'Tool wear [min]'])
    sample['Wear_stage_code'] = pd.cut(
        sample['Tool wear [min]'], bins=[0, 60, 150, 300],
        labels=[0, 1, 2]
    ).astype(int)
    
    health = gbr.predict(sample[regress_features])[0]
    
    # 产出效率（近似）：功率 = 扭矩 × 转速 × 常数
    # 功率越高 → 加工速度越快 → 产出越高
    power = torque * speed / 1000  # 归一化到合理范围
    
    return health, power  # 返回两个目标值

# 多目标优化
study_multi = optuna.create_study(
    directions=['maximize', 'maximize']  # 两个目标都最大化
)
study_multi.optimize(multi_objective, n_trials=300)

print(f"帕累托前沿解的数量: {len(study_multi.best_trials)}")
print(f"\n前 5 个帕累托最优解：")
for i, trial in enumerate(study_multi.best_trials[:5]):
    print(f"  解 {i+1}: 健康度={trial.values[0]:.4f}, "
          f"产出={trial.values[1]:.2f}, "
          f"参数={trial.params}")

帕累托前沿解的数量: 23

前 5 个帕累托最优解：
  解 1: 健康度=0.9912, 产出=28.34, 参数={'speed_rpm': 1520, 'torque_nm': 18.6, 'wear_min': 5}
  解 2: 健康度=0.9876, 产出=35.21, 参数={'speed_rpm': 1680, 'torque_nm': 20.9, 'wear_min': 15}
  解 3: 健康度=0.9801, 产出=42.87, 参数={'speed_rpm': 1850, 'torque_nm': 23.2, 'wear_min': 30}
  解 4: 健康度=0.9654, 产出=55.12, 参数={'speed_rpm': 2100, 'torque_nm': 26.2, 'wear_min': 45}
  解 5: 健康度=0.9234, 产出=72.56, 参数={'speed_rpm': 2500, 'torque_nm': 29.0, 'wear_min': 80}

5.4 帕累托前沿可视化

# 帕累托前沿图
fig, ax = plt.subplots(figsize=(10, 6))

# 所有试验结果
all_health = [t.values[0] for t in study_multi.trials]
all_power = [t.values[1] for t in study_multi.trials]
ax.scatter(all_health, all_power, alpha=0.2, color='#95a5a6', 
           s=15, label='所有试验')

# 帕累托前沿
pareto_health = [t.values[0] for t in study_multi.best_trials]
pareto_power = [t.values[1] for t in study_multi.best_trials]

# 按健康度排序后画线
sorted_pairs = sorted(zip(pareto_health, pareto_power))
ph, pp = zip(*sorted_pairs)
ax.plot(ph, pp, color='#e74c3c', linewidth=2, marker='o', markersize=6,
        label='帕累托前沿')

# 标注几个关键解
ax.annotate('保守策略\n（高健康度）', xy=(ph[0], pp[0]),
            fontsize=9, color='#e74c3c')
ax.annotate('激进策略\n（高产出）', xy=(ph[-1], pp[-1]),
            fontsize=9, color='#e74c3c')

ax.set_xlabel('健康度')
ax.set_ylabel('产出效率')
ax.set_title('多目标优化：帕累托前沿')
ax.legend()
plt.tight_layout()
plt.savefig('pareto_front.png', dpi=150, bbox_inches='tight')
plt.show()

怎么选择帕累托前沿上的解？

策略偏好	推荐解	适用场景
保守策略	健康度 > 0.99	高精密加工、设备昂贵、不允许停机
平衡策略	健康度 0.95-0.98	大多数场景，兼顾稳定与效率
激进策略	健康度 0.92-0.95	赶工期、设备便宜、可接受一定故障率

💡 核心思想：帕累托前沿不是告诉你「哪个最好」，而是展示「所有合理的选择」，让决策者根据业务优先级来拍板。

---

六、约束处理与验证

6.1 设备物理约束

Optuna 找到的最优参数不一定都能用——设备有物理极限，有些参数组合在物理上不可行：

# 定义设备约束条件
CONSTRAINTS = {
    'speed_rpm': {'min': 1200, 'max': 2800, 'unit': 'rpm'},
    'torque_nm': {'min': 5.0, 'max': 70.0, 'unit': 'Nm'},
    'wear_min': {'min': 0, 'max': 253, 'unit': 'min'},
}

# 额外约束：功率不能超过设备额定功率
MAX_POWER = 2500  # 设备额定功率（近似值）

def check_constraints(params):
    """检查参数组合是否满足约束。"""
    issues = []
    
    # 物理极限检查
    for param, limits in CONSTRAINTS.items():
        val = params[param]
        if val < limits['min'] or val > limits['max']:
            issues.append(f"{param} = {val} 超出范围 [{limits['min']}, {limits['max']}]")
    
    # 功率约束
    power = params['torque_nm'] * params['speed_rpm']
    if power > MAX_POWER:
        issues.append(f"功率 = {power:.0f} 超过额定值 {MAX_POWER}")
    
    return issues

# 检查 Optuna 的最优解
for i, trial in enumerate(study_multi.best_trials[:5]):
    issues = check_constraints(trial.params)
    status = "✅ 可行" if not issues else f"❌ 违规: {'; '.join(issues)}"
    print(f"解 {i+1}: {status}")

6.2 安全边界设定

除了物理极限，还应该设定安全边距——不让设备在极限参数附近运行：

SAFETY_MARGIN = 0.1  # 10% 安全边距

def apply_safety_margin(params):
    """给参数加上安全边距，避免在极限附近运行。"""
    safe_params = {}
    for param, val in params.items():
        if param in CONSTRAINTS:
            limits = CONSTRAINTS[param]
            param_range = limits['max'] - limits['min']
            margin = param_range * SAFETY_MARGIN
            
            safe_val = np.clip(val, 
                             limits['min'] + margin, 
                             limits['max'] - margin)
            safe_params[param] = safe_val
        else:
            safe_params[param] = val
    return safe_params

# 对最优解应用安全边距
best_params = study_multi.best_trials[0].params
safe_params = apply_safety_margin(best_params)

print("最优参数 vs 安全参数：")
for k in best_params:
    diff = safe_params[k] - best_params[k]
    marker = " (调整)" if abs(diff) > 0.01 else " (不变)"
    print(f"  {k}: {best_params[k]:.1f} → {safe_params[k]:.1f}{marker}")

6.3 推荐参数验证策略

优化结果不能直接上产线——应该按以下步骤验证：

def validate_recommendations(params_list, model, features):
    """
    验证推荐参数的预测可信度。
    
    对每组推荐参数，输出预测值 + 置信区间（用多次 bootstrap 估计）。
    """
    print("=" * 50)
    print("     推荐参数验证报告")
    print("=" * 50)
    
    for i, params in enumerate(params_list):
        sample = pd.DataFrame([{
            'Torque [Nm]': params['torque_nm'],
            'Rotational speed [rpm]': params['speed_rpm'],
            'Tool wear [min]': params['wear_min'],
            'Wear_stage_code': 0 if params['wear_min'] < 60 else (1 if params['wear_min'] < 150 else 2)
        }])
        
        pred = model.predict(sample[features])[0]
        
        # 简单置信区间估计（基于模型在相似样本上的残差标准差）
        ci_low = max(0, pred - 2 * 0.031)  # 用回归模型的 RMSE 近似
        ci_high = min(1, pred + 2 * 0.031)
        
        print(f"\n推荐方案 {i+1}:")
        print(f"  参数: 转速={params['speed_rpm']}rpm, "
              f"扭矩={params['torque_nm']:.1f}Nm, "
              f"磨损={params['wear_min']}min")
        print(f"  预测健康度: {pred:.4f}")
        print(f"  95% 置信区间: [{ci_low:.4f}, {ci_high:.4f}]")
        
        # 验证建议
        if ci_low > 0.95:
            print(f"  建议: ✅ 置信度高，可直接采用")
        elif ci_low > 0.90:
            print(f"  建议: ⚠️ 建议小批量试运行 1-2 小时后再全面推广")
        else:
            print(f"  建议: ❌ 置信度不足，建议重新评估或补充数据")
    
    print("\n" + "=" * 50)

# 验证前 3 个帕累托解
validate_recommendations(
    [t.params for t in study_multi.best_trials[:3]],
    gbr, regress_features
)

==================================================
     推荐参数验证报告
==================================================

推荐方案 1:
  参数: 转速=1520rpm, 扭矩=18.6Nm, 磨损=5min
  预测健康度: 0.9912
  95% 置信区间: [0.9292, 1.0000]
  建议: ⚠️ 建议小批量试运行 1-2 小时后再全面推广

推荐方案 2:
  参数: 转速=1680rpm, 扭矩=20.9Nm, 磨损=15min
  预测健康度: 0.9876
  95% 置信区间: [0.9256, 1.0000]
  建议: ⚠️ 建议小批量试运行 1-2 小时后再全面推广

推荐方案 3:
  参数: 转速=1850rpm, 扭矩=23.2Nm, 磨损=30min
  预测健康度: 0.9801
  95% 置信区间: [0.9181, 1.0000]
  建议: ⚠️ 建议小批量试运行 1-2 小时后再全面推广

==================================================

📌 落地经验：模型推荐的参数只是起点，不是终点。实际落地必须经过「推荐 → 小批量试产 → 收集真实效果 → 微调」的闭环。模型越准，试产周期越短，但不能跳过。

---

总结与回顾

要点	总结
回归建模	梯度提升回归 R²=0.82，能用工艺参数预测健康度
残差分析	检查模型有没有系统性偏差，是上线前的必做步骤
贝叶斯优化	比网格搜索更高效——200 次试验就逼近最优解
单目标最优	最优参数：转速 1532rpm + 扭矩 18.3Nm + 新刀具 → 健康度 0.99
多目标帕累托	23 个帕累托解，从保守到激进，供决策者选择
约束与验证	物理约束 + 安全边距 + 小批量试产 = 落地闭环
核心教训	模型推荐的是「起点」不是「终点」，必须经过试产验证

---

下篇预告

第 8 篇：运行趋势研判 —— 前三篇（故障预警、良率分析、工艺优化）都是在「当下」做判断。下篇我们要进入时间维度——基于 NASA C-MAPSS 涡扇发动机退化数据集，预测设备未来的运行趋势和剩余使用寿命（RUL），从线性回归基准线讲到 ARIMA 统计方法，再到 XGBoost 机器学习和 LSTM 深度学习。

---

本文为「从零到落地：机器学习分析数据实战系列」第 7 篇，完整系列持续更新中。