3、质量记录体系：质量记录的格式、存储方式及其在MES中的角色
在工业AI数据闭环中，质量记录是连接物理世界与数字模型的“标尺”。没有准确、完整、可追溯的质量数据，PLC状态参数与模型输出便失去了验证基准。质量记录体系不仅是事后检验的档案，更是驱动工艺优化、设备预测性维护和良率提升的核心数据资产。本节将深入剖析质量记录（SPC、缺陷检测、良率数据）的常见格式、存储架构，以及其在制造执行系统（MES）中的关键角色与流转逻辑。
3.1 质量记录的核心类型与数据格式
质量记录体系并非单一数据表，而是由多种异构数据源构成的复杂信息集合。在工业AI数据闭环中，理解这些数据的格式差异是建立有效关联的前提。根据数据产生的方式和用途，可将其划分为三大核心类型：SPC（统计过程控制）数据、缺陷检测记录和良率统计数据。
3.1.1 SPC数据：过程波动的量化记录
SPC数据是质量记录中最具实时性和连续性的部分，它直接反映生产过程中关键质量特性（CTQ）的波动情况。常见格式包括：
- 计量型数据：连续数值，如尺寸、温度、压力、重量等。通常以
设备ID + 时间戳 + 参数名称 + 数值的结构存储。例如：CNC_03 | 2025-06-18 14:23:55.123 | 主轴温度 | 45.6°C。 - 计数型数据：离散分类，如合格/不合格、缺陷数量、通过/失败。典型格式为
批次号 + 检验项目 + 结果代码。 - 控制图数据：基于时间序列的均值-极差（X-bar/R）或均值-标准差（X-bar/S）数据组，通常按子组（Subgroup）大小批量记录。
在MES系统中，SPC数据往往以高频时序数据的形式存储，需要支持高速写入和按时间窗口的聚合查询。常见的存储方案包括关系型数据库（如PostgreSQL）配合时序数据库（如InfluxDB）的混合架构。
3.1.2 缺陷检测记录：多维度的质量画像
缺陷检测记录来源于自动光学检测（AOI）、X-Ray检测、人工目检或AI视觉检测系统。其数据格式远比SPC复杂，通常包含：
- 缺陷标识：唯一ID、缺陷类型代码（如划伤、气泡、偏移）、缺陷等级（致命/严重/轻微）。
- 位置信息：在PCB或工件上的X/Y坐标、缺陷面积、长宽比等几何特征。
- 图像证据：缺陷裁剪图或全景图的存储路径（通常存储在文件服务器或对象存储中，数据库仅存引用）。
- 检测上下文：检测设备ID、检测程序版本、光照条件、算法置信度分数。
这类数据通常以JSON或XML格式封装，便于灵活扩展字段。在MES中，缺陷记录需要与工单、序列号、设备参数进行多对多关联，以支持后续的根因分析。
3.1.3 良率数据：业务视角的汇总指标
良率数据是面向管理决策的汇总型数据，通常按时间维度（小时/班次/日/周）和产品维度（型号/批次/工单）进行聚合。常见指标包括：
| 指标名称 | 计算公式 | 数据粒度 | 典型用途 |
|---|---|---|---|
| 直通率（FPY） | 一次通过数 / 投入总数 × 100% | 工单/批次 | 评估产线稳定性 |
| 最终良率（FPY） | 合格成品数 / 投入总数 × 100% | 产品/日 | 衡量整体质量水平 |
| 缺陷率（DPU） | 缺陷总数 / 检验单位数 | 工序/班次 | 识别瓶颈工序 |
| CPK（过程能力指数） | min(USL-μ, μ-LSL) / (3σ) | 设备/参数 | 评估过程能力 |
良率数据通常以关系型表格存储，维度字段（产品、产线、班次）作为主键组合，度量字段为数值型指标。这类数据是AI模型训练中最重要的标签来源。
3.2 质量记录的存储架构与生命周期管理
质量记录的存储方式直接影响数据检索效率、分析实时性和系统扩展性。一个成熟的MES质量记录体系通常采用分层存储架构，兼顾热数据的高效访问和冷数据的长期归档。
3.2.1 分层存储策略
根据数据的访问频率和时效性要求，质量记录可分为三个存储层级：
- 热存储层（在线）：存放最近7-30天的SPC原始数据和缺陷记录。采用Redis或内存数据库缓存高频查询，配合时序数据库存储原始采样点。此层需支持毫秒级写入和秒级聚合查询。
- 温存储层（近线）：存放1年内的良率汇总数据和缺陷图片引用。使用关系型数据库（如MySQL/Oracle）存储结构化数据，对象存储（如MinIO/S3）存放图片文件。此层支持复杂的SQL关联查询和报表生成。
- 冷存储层（离线）：存放超过1年的历史数据，通常压缩后归档至数据湖（如HDFS）或云存储。此层用于年度质量趋势分析和AI模型的批量训练。
3.2.2 数据模型设计要点
在MES中设计质量记录的数据模型时，需遵循以下原则：
- 统一主键：以
工单号 + 序列号 + 工序号作为质量记录的唯一业务主键，确保每条记录可追溯到具体产品。 - 时间戳对齐：所有质量记录必须包含设备级时间戳（设备本地时间）和系统级时间戳（MES接收时间），用于处理时钟偏差问题。
- 版本管理：检测程序、工艺参数、质量标准（如AQL值）的变更需要记录版本号，避免历史数据与当前标准不匹配。
- 关联索引：建立设备ID、批次号、缺陷类型、时间范围的复合索引，加速AI模型训练时的数据抽取。
3.2.3 数据质量保障机制
质量记录本身也需要“质量管理”。常见的数据质量问题包括：传感器漂移导致SPC数据偏差、AOI误判导致缺陷记录失真、人工录入错误导致良率数据不准确。为此，MES需建立以下保障机制：
- 完整性校验：在数据写入时校验必填字段（如序列号、时间戳），拒绝不完整记录。
- 一致性检查：定期比对SPC数据中的设备参数与PLC采集值，发现异常偏差时触发告警。
- 审计追踪：所有质量记录的修改操作需记录操作人、时间、原因，确保数据可追溯。
3.3 质量记录在MES中的角色与流转机制
MES（制造执行系统）是质量记录的中枢神经系统，它不仅是数据的存储仓库，更是数据流转和业务规则执行的引擎。质量记录在MES中的角色可以概括为“三个中心”：数据汇聚中心、规则判定中心和追溯查询中心。
3.3.1 数据汇聚与标准化
MES通过接口层（如REST API、MQTT、OPC UA）接收来自不同设备、检测系统和人工终端的质量数据，并转换为统一的数据模型。这一过程包括：
- 协议转换：将不同厂商设备的私有协议（如西门子S7、三菱MC）转换为标准格式。
- 数据清洗：过滤重复数据、修正时间戳偏移、剔除传感器异常值。
- 语义统一：将不同检测系统对同一缺陷的不同命名映射为MES标准缺陷代码。
3.3.2 实时质量判定与放行控制
MES中内置质量判定引擎，根据预设规则对实时质量数据进行自动判定：
- SPC规则判定：当SPC数据触发Western Electric规则（如连续7点上升、超出控制限）时，MES自动生成质量警报并锁定相关设备或工单。
- 缺陷等级判定：根据缺陷类型和位置，自动判定产品是放行、返修还是报废。例如，PCB板面中央的划伤长度超过3mm则判定为致命缺陷。
- 批次放行控制：当批次良率低于阈值时，MES自动阻止该批次流入下一工序，并通知工艺工程师介入。
3.3.3 全生命周期追溯
质量追溯是MES的核心价值之一。当客户投诉或内部发现质量问题时，MES支持从成品序列号反向追溯至原材料批次、生产设备、工艺参数、操作人员、检测记录等全链路信息。追溯查询通常分为两个方向：
- 前向追溯：从原材料批次出发，查询该批次物料用于哪些工单、生产了哪些产品、最终流向哪些客户。
- 后向追溯：从成品序列号出发，查询该产品经过的所有工序、设备参数、检测结果和操作记录。
3.4 案例拆解：某电子制造企业的质量记录体系优化
为更具体地说明质量记录体系在MES中的落地实践，以下以一家PCBA代工厂的案例进行拆解。
3.4.1 背景与痛点
该工厂拥有20条SMT产线，每日生产约50万片PCBA。原有质量记录分散在Excel、AOI本地数据库和纸质巡检表中，存在以下问题：
- SPC数据由人工每2小时抄录一次，无法实时反映过程波动。
- AOI缺陷图片仅保存在本地服务器，与MES工单信息割裂，追溯时需要人工登录多套系统。
- 良率数据由各部门分别统计，口径不一致，管理层看到的日报与实际生产情况常有出入。
3.4.2 关键输入数据与改造方案
项目团队首先梳理了数据流，明确了以下关键输入：
- SPC数据：从回流焊炉和印刷机采集温度、压力、速度等参数，采样频率为1Hz。
- 缺陷数据：从12台AOI设备实时获取缺陷坐标、类型、图片，数据量为每片板约2-5条记录。
- 良率数据：从MES工单模块获取投入数、产出数、不良数。
改造方案分为三步：
- 统一接入层：部署边缘网关，通过SECS/GEM协议连接AOI设备，通过OPC UA连接回流焊炉，将数据实时推送至MES消息队列。
- 数据模型重构：在MES中新建“质量数据中心”模块，以
序列号 + 工序 + 时间为主键，建立SPC、缺陷、良率三张事实表，并通过工单维度进行关联。 - 规则引擎部署：在MES中配置SPC控制规则（如Western Electric规则）和缺陷自动判定规则，实现实时报警和批次放行控制。
3.4.3 结果对比与复盘
| 指标 | 改造前 | 改造后 | 提升幅度 |
|---|---|---|---|
| SPC数据采集延迟 | 2小时（人工抄录） | 实时（<1秒） | 提升99.9% |
| 缺陷追溯时间 | 约40分钟（跨系统查询） | 约2分钟（MES内一键查询） | 提升95% |
| 良率数据一致性 | 各部门偏差约5% | 统一口径，偏差为0 | 完全一致 |
| 过程异常响应 | 事后分析（次日） | 实时报警（秒级） | 提前24小时发现 |
复盘经验：项目成功的关键在于将质量记录从“被动存档”转变为“主动驱动”。通过MES规则引擎，质量数据不再是事后统计的素材，而是实时控制生产过程的依据。同时，统一的数据模型为后续AI模型训练提供了干净、完整的数据集，使得缺陷预测模型的准确率从78%提升至92%。
3.5 常见误区与总结复盘
在质量记录体系的建设过程中，企业常陷入以下误区，需要引起重视：
3.5.1 误区一：重采集、轻治理
许多工厂投入大量资源部署传感器和检测设备，却忽视了数据治理。导致数据质量参差不齐，AI模型无法有效利用。建议在项目初期就建立数据质量评估指标（如完整性、准确性、及时性），并设置数据质量负责人。
3.5.2 误区二：存储架构“一刀切”
将所有质量数据都存入关系型数据库，或全部放入数据湖，都会导致性能或成本问题。应根据数据的访问频率和查询模式选择合理的存储引擎，采用混合架构是更优解。
3.5.3 误区三：忽视时间同步
设备时钟偏差是导致数据关联错乱的常见原因。例如，AOI检测时间与PLC记录时间相差数秒，可能导致缺陷与工艺参数的错误关联。建议部署NTP时间同步服务，并在数据写入时记录设备时间与服务器时间两个字段。