如何用工业数据分析质量问题

    昨天，有朋友问我利用工业数据进行质量分析的方法。办理入住手续的时候匆匆见了一面。我对他讲了条原则：发挥人的长处、利用人的知识；弥补人的不足、针对人的盲点。这个说法比较抽象，又多解释了几句：

    质量问题其实有不同的种类。有的是批次性发生的、有的是零星发生的；有的是量化指标的质量问题（如强度），有的是缺陷型问题。类似的分类会有很多。多种类型的缺陷同时发生时，会有更多的分类。对数据分析的人来说，这些都是重要的知识。因为它们可以给我们后续的工作很多有益的启发。

    如果缺陷是批量发生的，背后一般会对应某个事件的发生：如设备有故障、来料批次有问题、特殊的产品类型、某一批人的操作等等。如果是零散发生的，则可能由某个工艺后来料因素不稳定导致的。如果是量化指标问题，有可能通过来料、工艺或控制优化来解决，如果是偶发性缺陷型质量问题，则要关注原料或者设备......这些信息有了，再结合你对生产机理的认识，重点去找可能的原因。

    分析缺陷原因，有点像探案推理。要一个个去排除可能性。如果数据相对完整、分析逻辑比较清楚，排除过程可以让机器去做，从而大大提高分析效率。如果数据条件不好，能否“破案”就是个概率问题：或许运气好，或许运气不好。如果你不甘心于“不破案”，可能就要做某些试验，而不是仅仅依靠现场已有的数据。但做哪些试验、分析什么，还是要依赖经验。否则，比人试验一次发现答案，你试验100次还没找到原因。会把现场搞疯了。

    指标性质量稳定度不高，是个普遍存在的问题。但对数据分析师来说，缺乏必要的数据，却是个普遍存在的现象。遇到这样的问题，传统的数据分析思路未必有很大的作用：数据分析能发现的问题，人家往往老早就知道。

    多数情况下，工艺人员会把关键的工艺参数管得比较严、让波动范围尽量小。这时，产品性能指标不稳定，常常来自于某些看不到的因素：比如检测或者测量过程的随机误差及系统性波动、生产设备的健康状态等。另外，工艺参数稳定，并不等于生产过程稳定——有些工艺参数只表征了某些代表点的工艺，而不是整个生产过程的工艺。这些重要的因素，常常是工艺技术人员的盲区。

    遇到这种问题，直接表征工艺过程的数据可能不能帮助我们发现问题。我们需要间接影响或表征因素工艺或设备状态的数据来帮助我们分析问题。争取先找到间接证据，再去找本质原因。

    这类质量问题的原因找到后，往往需要通过改进检测、控制甚至设备来改进。这时，企业是否具备改进检测、控制、设备的能力，就会变得非常重要：如果不具备这样的能力，企业的产品质量就会遭遇“天花板”、看到问题却提不上去，只能生产二流产品，或者要受制于人。