1. 课程导入与全景认知
在离散制造与流程制造并存的集团型企业中，质量数据往往分散在不同工厂的测量设备、检测工位、实验室信息管理系统（LIMS）以及各厂自建的SPC数据库中。Hexagon作为覆盖计量硬件（如三坐标测量机、激光跟踪仪、便携式关节臂、蓝光扫描仪）与软件平台（如PC-DMIS、Q-DAS、eMMA、HxGN SDx等）的解决方案提供方，其多工厂质量数据协同治理的核心命题，不是"再买一套系统"，而是让分布在不同地域、不同产线、不同标准下的质量数据，能够被统一采集、统一口径、统一追溯，并最终支撑集团级的质量决策。
业务背景：为什么多工厂质量数据难以协同
假设某集团在苏州、成都、墨西哥三地设有工厂，分别生产同一平台的三种结构件。苏州工厂使用PC-DMIS编写三坐标测量程序，检测报告以PDF和CSV双轨保存；成都工厂使用Q-DAS进行过程能力分析，数据存在本地MySQL中；墨西哥工厂则依赖设备厂商自带的测量软件，数据以专有格式落盘。当集团质量部需要回答"过去三个月该平台关键孔位的位置度CPK在三个工厂之间是否存在显著差异"时，实际面临的障碍包括：
- 数据源异构：同一特征在不同工厂的命名不同，如"定位孔1"在苏州叫
LOC_HOLE_01，在成都叫P1，在墨西哥叫Hole_A。 - 测量系统差异：三坐标、关节臂、扫描仪的输出坐标系、基准建立方式、探测策略不同，原始坐标值不可直接比较。
- 时间基准不一致：各厂MES时钟未统一，同一批次零件的检测时间戳可能相差数小时，影响趋势对齐。
- 权限与合规：部分工厂的数据受当地数据驻留法规约束，不能直接上传至集团云。
这些障碍决定了协同治理必须同时解决"技术连通"和"语义统一"两个层面的问题。技术连通关注接口、协议、传输与存储；语义统一关注特征命名、基准定义、公差标准、单位制与判定规则。二者缺一，数据即使汇聚到同一张表，也无法产生可信的跨厂对比结论。
核心挑战：从"数据可见"到"结论可信"
很多企业第一步会搭建一个数据湖或报表平台，把各厂CSV汇总进来，但很快发现：报表能看，结论不敢用。原因在于质量数据的可信度依赖于测量链路的完整性。一个典型的位置度检测结果，其可信度取决于：基准要素是否按图纸定义建立、探测点是否覆盖有效区域、测头半径补偿是否正确、温度补偿是否启用、滤波与拟合算法是否一致。如果这些参数在各厂不统一，那么即使数值都进了同一张表，跨厂比较仍然是无意义的。
因此，本课程将协同治理的挑战归纳为四条主线：数据采集标准化、特征语义映射、跨厂过程能力对齐、集团级质量追溯。这四条主线不是并列的，而是层层递进：没有采集标准化，语义映射就失去物理基础；没有语义映射，过程能力对齐就变成数字游戏；没有过程能力对齐，追溯就无法定位到真正的变异源。
课程目标与学习地图
本课程的目标不是让学员记住Hexagon某个软件按钮的位置，而是建立一套可落地的协同治理方法论，并能在自己的工厂环境中识别差距、设计路径、验证效果。具体而言，完成课程后学员应能够：
- 描述多工厂质量数据协同的四个层次及其依赖关系，判断本企业当前所处阶段。
- 设计跨厂特征命名映射表与基准对齐规则，使不同测量设备输出的数据具备可比性。
- 使用Q-DAS或等效工具完成跨厂过程能力对比，并识别测量系统变异与过程变异。
- 规划一条从单厂试点到集团推广的协同治理实施路径，包含数据接口、权限与合规考量。
课程整体按"认知—标准—连接—分析—治理—推广"六个阶段展开，共30章。前5章建立全景认知与术语体系；第6至12章聚焦数据采集标准化与语义映射；第13至20章进入跨厂数据连接、过程能力对齐与追溯；第21至26章讨论治理机制、权限合规与组织协同；第27至30章以综合案例和复盘收束。每章均围绕一个可验证的交付物或判断能力设计，避免停留在概念介绍。
需要特别说明的是，协同治理的起点不是技术选型，而是对"质量数据"本身的重新定义。在单厂语境下，质量数据是检测结果；在多厂协同语境下，质量数据是"带有测量上下文的结果"，上下文包括设备、程序、基准、环境、操作者和时间。缺少上下文的数值，在跨厂比较中不具备证据效力。本课程后续所有方法，都围绕如何保留、传递和验证这些上下文展开。