生产质量数据AI根因分析：从相关到因果的探索

在制造质量分析中，传统方法常将参数与缺陷率的相关性直接等同于因果关系，导致改善措施收效有限。数据分析实验室近期围绕注塑与SMT两条产线的质量数据，开展了基于因果推断的根因分析实验，尝试以因果图与反事实估计替代单纯的相关性排序。技术路线上，团队先结合工艺知识与Granger因果检验构建候选因果图，再基于Do-Why框架估计因果效应，并用敏感性分析评估混杂因素影响。阶段性进展：一是注塑产线试点中，因果模型识别出的关键工艺参数与传统相关性Top5仅2项重合，按因果结论调整锁模压力与保压时间后，试点批次尺寸超差率下降约18%；二是SMT产线虚焊根因分析仍在验证，初步结果显示回流焊温区曲线的时序特征比单点峰值温度更具解释力。下一步，团队计划引入领域专家先验约束，提升小样本场景下因果图结构学习的稳定性，并将方法沉淀为可复用的根因分析工具链，供后续产线项目调用。