scenario l4 / 中长期 · 科学研究侧
服役寿命预测 Agent
蠕变、疲劳、腐蚀——数据极稀缺但极昂贵，靠物理约束把外推可靠性做出来
数据可得性
中低
所需数据是否已在手、能否直接用于建模
工程难度
中高
从可行性验证到稳定上线的工程风险
实时性要求
低
需要秒级响应，还是天级出报告
评级为面向学习者的教学性判断，用于横向比较场景特点，不构成采购或投资建议。
涉及工序 / 1 道 · 高亮项点击可跳章节
业务痛点，讲人话
客户真正想知道的从来不是"屈服强度多少"，而是："这个零件在我的工况下能用多久？"
回答这个问题要跨越一道巨大的鸿沟：
- 你能测的是几千小时的试验数据
- 你要预测的是十万小时的服役行为
一条 10 万小时的蠕变曲线要跑十一年多。没有任何企业能等。所以工程上只能做较短时间的试验，然后外推。
这是一个明确的分布外外推问题——而且赌注很大：航空发动机、核电、压力容器，预测错了后果严重。
三种失效，三种数据困境
蠕变——高温下随时间缓慢变形直至断裂。数据少而贵，必须外推。工程上有拉森-米勒参数这类参数化外推方法，可作为物理先验。
疲劳——反复加载下断裂。特点是离散度极大：同批试样寿命可能相差数倍。因为它对缺陷极度敏感——一个内部夹杂就可能是裂纹起源点。
腐蚀——与环境反应劣化。加速试验与真实环境的相关性一直有争议，所以长期实地挂片数据不可替代。
ai engineer's view
小样本 + 强先验
样本量以百计，纯数据驱动必然过拟合。用机理方程约束模型形式，用少量长周期数据校准参数——这是唯一可行的路线。
外推可靠性 ≈ OOD 泛化
用一千小时的数据预测十万小时。这不是插值是外推，置信区间比点估计重要得多。给一个点值而不给区间，在这个场景里是不负责任的。
疲劳预测必须输出分布
同批试样寿命差数倍是材料固有特性，不是模型误差。工程上用 S-N 曲线加存活率描述。把固有离散度当成模型误差去优化，是常见的建模错误。
加速试验 ≈ 用合成数据训练
与真实分布的差距始终是最大不确定性来源。合成数据能补量，但补不了分布偏移。
数据长什么样
data shape / 本场景吃哪几类数据
熔炼/热处理/轧制/等静压工艺记录、力学性能、蠕变疲劳腐蚀长周期数据、失败案例
瓶颈：无统一实体定义、散落个人手中、失败数据普遍未留存、密级分类复杂
冶金机理专业模型、CALPHAD 热力学与相图库、CFD/FEM 仿真结果、数字孪生生成数据
瓶颈：模型未工具化封装、没有统一调用接口——对 Agent 而言等于不存在
金相图像、SEM/EBSD/TEM、XRD 谱图、光谱数据
瓶颈：标注强依赖专家；不同标准体系的评级口径不统一
样例结构 / 教学示意，非真实产线数据
# 蠕变试验数据集：少而精（教学示意）
creep_dataset:
material: "…"
n_specimens: 47 # ★ 全部样本量——只有几十条
total_test_hours: 210000 # 累计试验时长（几十年积累）
longest_single_test_h: 32000 # 最长的一条也只有三万多小时
#
specimens:
- id: "CR-XXXX"
temp_c: 650
stress_mpa: 380
rupture_time_h: 12400
elongation_pct: 8.2
censored: false # ★ 关键：有些试验还在跑，是右删失数据
- id: "CR-XXXX"
temp_c: 700
stress_mpa: 300
rupture_time_h: 28900
censored: true # 还没断，只知道 >= 28900 h
#
# 要预测的目标
extrapolation_target:
temp_c: 650
stress_mpa: 250
horizon_h: 100000 # ★ 比最长试验还长 3 倍
required_output: "分布，不是点值"
#
# 建模要点：
# · 右删失数据必须用生存分析处理，直接丢掉会引入严重偏倚
# · 物理先验（如拉森-米勒参数）约束外推形式，防止模型在域外乱跑
# · 输出必须是带置信区间的分布注意 censored 字段：还在跑的试验是「右删失」样本——你只知道它至少活了这么久。这类数据在这个领域占比不低，处理不当会系统性高估或低估寿命。
实施建议
把物理模型作为模型结构，而不是特征。
常见的错误做法是：把拉森-米勒参数算出来当成一个输入特征，然后照常上梯度提升。这样做外推时物理约束并不生效——模型仍然可以在域外给出任意值。
正确做法是让物理关系决定模型的函数形式，数据只用来标定其中的参数。这样即使外推到域外，输出仍然满足物理约束。
把不确定性量化作为一等输出。
工程师需要的是"在 95% 置信下寿命不低于 X"，不是"预测寿命 Y"。前者能用于设计裕度，后者不能。
优先做军工/核电这类明确客户的方向。
这些领域的特点是：对寿命评估有强需求、愿意为可靠性付费、且有长期数据积累的传统。
必懂概念 / 6 张
ai engineer's view / 换成你熟悉的说法
小样本 + 强先验
一条蠕变曲线要跑上万小时。样本量以百计，纯数据驱动必然过拟合——用机理方程约束模型形式，用少量长周期数据校准参数。
外推可靠性 ≈ 分布外泛化
你要用一千小时的数据预测十万小时的行为。这是明确的 OOD 问题，置信区间比点估计重要得多。
长期挂片数据 ≈ 无法复现的珍稀数据集
海洋腐蚀挂片、长期蠕变试验，都是时间买来的资产，无法用算力补。
延伸学习
相关场景