1. 质量数据分群与批次对比工程导论

在制造与流程工业中，质量数据往往不是均匀的一团，而是由若干“天然群体”叠加而成：不同原料批次、不同设备、不同班次、不同工艺窗口，甚至同一台设备在不同维护周期内的状态差异，都会让测量值呈现多峰、偏移或方差分层。如果把这些数据混在一起做统计过程控制（SPC）或能力分析，得到的均值、标准差与过程能力指数（Cp/Cpk）会被群体间的差异“稀释”或“放大”，从而掩盖真实问题。本课程要解决的核心问题就是：如何把质量数据按合理的群体结构拆开，并在批次之间做可解释、可复现的对比，最终把对比结论转化为工程动作。

课程目标与核心问题

本课程的目标不是单纯讲聚类算法，而是建立一套“分群—对比—归因—验证”的工程闭环。具体包括四个能力层次：

• 识别群体结构：判断数据中是否存在批次、设备、时间等分层因素，避免把混合分布误读为过程失控。
• 构建分群方案：根据业务语义与统计证据，选择合适的分群变量（批次号、机台、班次、工艺参数区间等），而不是盲目让算法决定一切。
• 执行批次对比：在可比条件下比较均值、方差、分布形状与不良率，量化差异大小与置信程度。
• 形成工程结论：把统计差异映射到具体工序、参数或物料，输出可执行的改善或监控策略。

围绕这些目标，课程反复追问三个核心问题：群体边界从哪里来？ 批次差异是真实偏移还是抽样波动？ 对比结论能否指导下一批的生产？ 这三个问题贯穿后续所有章节。

工程价值与典型应用场景

分群与批次对比的工程价值，体现在它能把“整体合格”拆解为“哪一批、哪台机、哪个时段出了问题”。例如某注塑件关键尺寸的总体 Cpk 为 1.33，看似达标；但按机台分群后发现 3 号机 Cpk 仅 0.95，而 1、2 号机均在 1.6 以上。若不分群，3 号机的风险会被平均掉。典型场景包括：

• 多机台/多产线对比：识别设备间系统性偏移，支撑复制最优机台参数。
• 原料批次追溯：把成品质量波动回溯到供应商批次或入库时间。
• 工艺变更验证：对比变更前后批次的分布与不良率，判断改善是否显著。
• 异常批次筛查：在大量批次中快速定位离群批次，缩小排查范围。
• 监控策略分层：为不同群体设置差异化控制限，减少误报警与漏报警。

整体技术路线

本课程的技术路线可以概括为一条从数据到决策的主链：数据准备 → 群体识别 → 分群建模 → 批次对比 → 归因验证 → 监控落地。数据准备阶段要明确分析单元（如“一个生产批次”）、关键质量特性（CTQ）与分层变量；群体识别阶段通过分布形态、方差齐性、主成分或聚类探索潜在结构；分群建模阶段确定分群键与边界规则；批次对比阶段计算均值差、方差比、不良率差及置信区间；归因验证阶段结合工艺知识与追加抽样确认原因；监控落地阶段把分群规则写入 SPC 或质量看板。

下面用一张关系图展示这条技术路线中各环节的输入、输出与判断关系，帮助建立整体框架。

从“整体统计”到“分层统计”的思维转变

传统做法常把一段时间内的所有数据合并计算，得到一个“总体”结论。但质量数据的生成机制决定了它天然带有层级：批次嵌套于设备，设备嵌套于产线，时间又嵌套于班次。忽略层级会导致两类错误：一是把群体间差异误判为过程波动，造成过度调整；二是把群体内波动误判为正常，漏掉真实异常。因此，本课程强调先建立“分析单元”的概念——每一个批次、每一台设备、每一个班次都是一个可对比的单元，统计量应在单元内部计算，再在单元之间比较。

例如，某涂布工序厚度数据按批次分组后，批次内标准差约为 0.8 μm，而批次间均值差异可达 3 μm。若合并计算，总标准差约 2.1 μm，Cpk 被压低；但真正需要关注的是批次间均值漂移，而不是批次内波动。分群之后，监控策略应改为“批次均值控制图 + 批次内极差控制图”，而不是单一的整体控制图。

本课程的学习路径

后续章节将沿着技术路线逐步展开：先讲数据准备与分层变量设计，再讲群体识别与分群算法，然后进入批次对比的统计方法，最后落到归因验证与监控落地。每一节都会给出可操作的参数、示例数据与判断依据，帮助读者把方法直接应用到自己的质量数据上。学习时建议始终带着三个问题：我的分析单元是什么？分群依据是否可解释？对比结论能否指导下一批生产？