流程制造业中的偏差分析

创作时间:

作者:

@小白创作中心

流程制造业中的偏差分析

引用

来源

https://www.dataparc.com/zh/blog/deviation-analysis-process-manufacturing/

偏差分析是流程制造工厂进行故障排除的重要手段。通过系统地分析生产过程中的数据，可以快速识别问题根源，提高生产效率和产品质量。本文将详细介绍偏差分析的具体步骤和方法，并通过实际案例展示其应用过程。

偏差分析是全球各地流程制造工厂进行的一种常规故障排除形式。当速度至关重要时，强大的偏差检测系统以及对结果数据进行良好分析的流程对于快速解决问题至关重要。
一个配置得当的偏差检测系统几乎可以让参与制造过程的所有人协同工作，迅速识别出意外生产问题的根本原因。

偏差分析：回顾数据

在开始分析之前，让我们先回顾一下我们生成的数据。
下面的示例展示了我们使用 dataPARC过程数据分析软件生成的数据，但如果您在自己的自定义 Excel 工作簿中进行此操作，分析过程将是相似的。

选择标签

这里是我们识别出的标签。在本例中，我们只需将显示图形中的整个过程区域拖过来，它们就全部出现在我们的应用程序中。我们也可以手动添加标签，甚至可以从历史数据库导出数据并将其倒入电子表格中。

我们从与问题工艺相关的 363 个标签中提取了数据。

良好数据

接下来是我们的“良好”数据。我们的流程高效运行时的数据。您会看到这里的值是为期一个月的平均值。

制造流程平稳运行时一个月的平均数据。

不良数据

这是我们的问题数据。已缩小至我们首次发现存在问题的特定两天期间。

不良数据

偏差检测方法

但在开始分析之前，让我们先回顾一下我们生成的数据。
下面的示例展示了我们使用 dataPARC过程数据分析软件生成的数据，但如果您在自己的自定义 Excel 工作簿中进行此操作，分析过程将是相似的。

选择标签

良好数据

接下来是我们的“良好”数据。我们的流程高效运行时的数据。您会看到这里的值是为期一个月的平均值。

制造流程平稳运行时一个月的平均数据。

不良数据

这是我们的问题数据。已缩小至我们首次发现存在问题的特定两天期间。

不良数据

再次强调，您可以参考我们关于异常检测方法的文章以获取更多详细信息，但在接下来的部分，我们将使用四种不同的分析方法尝试查明问题。
我们将使用的四种偏差检测方法是：
2. 绝对变化 (%Chg) –最简单的偏差检测形式。将某个值与平均值比较。
4. 可变性 (COVChg) –数据相对于平均值的变化程度或数据分布的离散程度。
6. 标准差 (SDCgh) –控制图的标准指标。衡量数据随时间变化的程度。
8. 多参数 (DModX) –先进的偏差检测指标，展示预期值与实际数据之间的差异，以评估工艺整体健康状况。范围通常与速率相关。
在下图中，您将看到每种计算方法对应的偏差值。红色表示正值变化，蓝色表示负值变化。

我们的四种偏差检测方法。红色表示值的正向变化，蓝色表示值的负向变化。
因此，如果我们正在寻找制造过程中的问题点，首先要做的是开始查看偏差值。
通过按不同的检测方法排序，我们可以开始识别一些模式，并真正缩小潜在问题标签的列表。仅初步按偏差值排序，就排除了除约十几项标签外的所有可疑标签。
现在，让我们关注那些大多数模型显示高偏差值的标签。这为我们提供了开始故障排查的起点。

应用偏差分析

例如，这里有我们的冷却水标签，在四个模型中有三个显示出相当高的偏差值。它是主要问题。

因此，让我们对其进行分析，仔细看看。
在我们的偏差检测应用程序中，我们只需选择该标签并点击“趋势图”按钮，就可以调出冷却水标签的数据趋势。
观察趋势图，它明显上升，并偏离了“良好”运行条件。但我们同时也了解我们的工艺。我们知道冷却水来自河流，也知道河水温度随季节波动。因此，我们将河流温度标签加入趋势图中，果然-看起来这只是季节性变化。
将我们的冷却水温度标签与河流温度标签配对。不，那不是问题所在！
所以，冷却水并不是主要问题。我们下一步可以研究什么？这个 6X dT 标签显示出多处高变异迹象，代表了萃取系统第六段的温度变化。

这看起来像是问题的源头。
很可能是我们的问题标签。与团队其他成员一起集思广益，我们可以很快得到旁证来确认或否定近期是否在这个工艺部分进行了维护。如果仍不清楚，我们可以像处理冷却水标签那样，将其与趋势联系起来，看看是否确实看到这个标签值出现了一些异常行为。