📐 参数识别与分类

KPP · 可控/不可控 · 连续/离散

🎯 核心任务： 从工艺波动中识别关键工艺参数 (KPP)，并按可控性及数据类型分类，结合影响因子分析锁定优化杠杆。

🔍 关键工艺参数 (KPP) 识别 Critical Process Parameters

定义：对产品质量属性或工艺性能有显著影响的参数（如温度、压力、浓度、转速）。
识别方法：风险分析 (FMEA)、灵敏度分析、历史数据相关性、DOE 筛选实验。
输出：KPP 清单 + 影响方向 + 规格限。

📊 参数分类矩阵可控/不可控 · 连续/离散

分类维度	类型	说明	工艺实例	影响因子强度
可控性	可控	可通过执行器/操作调整的参数	加热功率、进料速度、搅拌转速	⭐⭐⭐⭐ 直接优化
可控性	不可控	环境扰动、原料批次差异、设备老化	环境湿度、原料粘度、冷却水温度	⭐⭐⭐ 需补偿/鲁棒设计
数据类型	连续	实数范围内连续取值	温度 (℃)、压力 (bar)、pH 值	⭐⭐⭐⭐ 适合回归/响应面
数据类型	离散	有限个取值或类别	搅拌档位 (1/2/3)、催化剂类型、批次号	⭐⭐⭐ 适合方差分析/分类

⚙️ 影响因子分析框架 Cause & Effect · 优先级

鱼骨分类 · 影响因子优先级

🧪 实战代码片段 Python · 参数分类与影响评分

# 参数识别与分类示例 (伪代码 / Python风格)
工艺参数 = {
    '反应温度':   {'可控': True,  '连续': True,  '影响分': 9.2},
    '搅拌速度':   {'可控': True,  '连续': True,  '影响分': 7.8},
    '催化剂浓度': {'可控': True,  '连续': True,  '影响分': 8.5},
    '原料批次':   {'可控': False, '离散': True,  '影响分': 6.1},
    '环境湿度':   {'可控': False, '连续': True,  '影响分': 4.3},
}

# 筛选关键工艺参数 (KPP) 阈值 ≥ 7.5
KPP = {k: v for k, v in 工艺参数.items() if v['影响分'] >= 7.5}
print("🔑 关键工艺参数 (KPP):")
for name, attr in KPP.items():
    print(f"   {name} | 可控:{attr['可控']} 连续:{attr['连续']} 影响分:{attr['影响分']}")

# 输出影响因子排序
排序列表 = sorted(工艺参数.items(), key=lambda x: x[1]['影响分'], reverse=True)
print("\n📊 影响因子 Pareto 排序:")
for i, (n, a) in enumerate(排序列表, 1):
    print(f"   {i}. {n} (score: {a['影响分']})")

📋 参数识别与分类标准流程

STEP 1 — 列出所有潜在工艺参数 (头脑风暴 + 历史数据)。
STEP 2 — 筛选 KPP：基于风险矩阵或灵敏度分析 (阈值影响分 > 7)。
STEP 3 — 分类打标：可控/不可控，连续/离散。
STEP 4 — 影响因子分析：主效应图、Pareto 图、相关性热图。
STEP 5 — 输出参数分类表 + 优化优先级。

🔴 高影响 (≥8)
温度、浓度、压力

🟡 中影响 (5~8)
搅拌、进料速度

🟢 低影响 (<5)
环境光、微小振动