1. 质量数据预测与风险预警工程导论
在制造与服务现场，质量数据早已不是“事后检验记录”的代名词。产线上的扭矩曲线、注塑机的模腔压力、SMT 回流焊的炉温、售后系统的故障工单、供应商来料的批次检测值，这些数据在时间轴上连续产生，隐含着设备劣化、工艺漂移、批次波动与潜在失效的早期信号。质量数据预测与风险预警工程，研究的正是如何把这些信号从“事后可见”变成“事前可判”，让质量管控从被动拦截转向主动干预。
课程定位：连接质量工程与数据工程
本课程处在质量管理、统计方法与数据工程的交叉位置。它不替代 SPC、FMEA、MSA 等经典质量工具，而是回答一个更靠前的问题：当数据以高频、多源、带噪声的形式持续涌入时，如何构建一条从数据采集到风险输出的可运行链路。学完本课程，应能独立完成“明确预警对象—选择特征与模型—设定阈值与规则—验证误报漏报—上线并迭代”的完整闭环，而不是停留在调用某个算法库的层面。
课程的核心产出不是模型本身，而是可被现场使用的预警能力。一个 AUC 很高的模型，如果每天产生 200 条无人处理的告警，工程价值为零；一个简单阈值规则，如果能提前 4 小时锁定 80% 的异常批次，就是有效工程。因此本课程始终以“预警是否被响应、是否减少损失”作为最终评价尺度。
四个核心概念
- 质量数据：按产生方式可分为过程参数（温度、压力、速度）、检测数据（尺寸、电性能）、状态数据（振动、电流）和结果数据（合格率、缺陷数）。预测建模主要依赖前三类，结果数据用于标签与验证。
- 预测：在时间维度上估计未来一段窗口内质量状态的概率或数值，例如“未来 2 小时该焊点虚焊概率升至 0.7”。预测必须有明确的时间窗和对象粒度。
- 风险：预测结果与后果严重度的组合。同样 0.7 的概率，出现在安全件与外观件上，处置优先级完全不同。风险 = 发生可能性 × 后果影响。
- 预警：把风险转化为可执行动作的触发机制，包含阈值、分级、通知对象与响应时限。预警不是“报警”，而是“带处置路径的信号”。
工程边界：能做什么，不能做什么
预测与预警工程有清晰的适用边界。适合的场景通常具备三个条件：过程存在可观测的渐进变化、异常有可追溯的历史样本、干预动作能在损失发生前执行。反之，若异常是瞬时随机冲击、历史数据中从未出现过该类失效、或发现后也无法调整工艺，则预测模型难以产生实际价值。
还需明确三类边界。其一是数据边界：传感器精度、采样频率、时间同步误差决定了预测的时间分辨率上限。其二是因果边界：相关特征不等于因果机制，模型给出的是风险提示而非物理解释，根因分析仍需工艺知识。其三是责任边界：预警系统输出建议，最终停机、放行、返工的决策权仍在授权人员，系统不得替代质量责任判定。
典型应用场景
在离散制造中，常见场景包括：注塑工艺的尺寸超差预警、焊接虚焊风险预测、装配扭矩衰减趋势预警、设备轴承劣化导致的加工精度漂移预警。在流程行业，典型如化工反应釜温度异常趋势预警、批次纯度下降预测。在供应链侧，可用于来料批次质量风险分级与供应商交付质量趋势预警。在售后侧，可基于早期故障工单预测批量性缺陷的扩散风险。
这些场景的共同结构是：多源信号输入 → 特征提取 → 风险评分 → 分级预警 → 处置反馈。下图给出该课程的整体技术架构与数据流关系，可作为后续各章节的定位参照。
整体技术架构与工程闭环
架构自左向右分为四层。数据源层负责接入过程、检测、状态与结果四类数据；数据治理层完成清洗、时间对齐、缺失值处理与标签构建，这一层往往占据项目 60% 以上的工作量；预测建模层根据预警对象选择趋势外推、分类或时序模型；预警决策层把模型输出转化为风险评分、分级阈值与处置动作。橙色虚线表示反馈回路：现场处置结果与误报记录必须回流，用于修正标签、调整阈值和重训模型，否则系统会随工况漂移而迅速失效。
底部闭环给出工程实施的五个关键动作。以注塑尺寸超差预警为例：预警对象定为“关键尺寸 CPK 低于 1.0 的批次”，时间窗设为提前 2 小时；特征选取模腔压力峰值、保压时间、料筒温度滑动均值与标准差；模型先用逻辑回归建立基线，再评估是否引入梯度提升；阈值按风险评分划分三级——黄色提示、橙色预警、红色停机；验证阶段用近三个月历史批次做回溯，统计提前触发率与误报率，若误报率高于 15% 则回到特征与阈值环节调整。只有走完这一圈，模型才具备上线条件。