AI质量根因分析实验：多源数据对齐与相关性筛查

在离散制造的质量分析场景里，数据往往散落在MES、SPC、设备时序和来料检验四套系统，口径和时间基准都不一致。本实验室近期的实验性探索，先把分析链条前移一步：不做模型堆叠，而是解决"数据能不能一起看"的问题。

做法上，我们按工单—批次—时间三重键对齐多源记录，先处理设备时钟漂移与采集延迟，再按换型、待机、稳态做工况分段，避免把非稳态波动误计入统计。只有对齐后的数据才进入相关性筛查与树模型。

要点：

• 在某机加车间回溯300余批次质量数据，将疑似关键因子从40余项压缩到6项，与工艺工程师复核的一致率约七成；剩余分歧集中在换刀后短时波动段。
• 下一步计划引入工艺先后顺序与物料批次等因果约束，剔除伪相关，并输出可解释的因子贡献表，让质量例会能直接引用结论，而不是再手工拉表。

我们更关注的是方法能否被复用：同一套对齐与分段流程，后续可迁移到能耗、OEE与设备异常分析，减少每个课题重复做数据清洗的成本。