在流程与离散混合产线中，同一批次物料往往横跨十余道工序，质量异常常常在终检才暴露，而根因藏在数天前的某段工艺曲线里。本实验室近期围绕「批次级数据智能」做了一组实验性探索，目标不是再建一套报表，而是把跨工序的批次轨迹对齐，让异常批次可被自动归因到具体工序与时间窗。
做法上分三步：一是以批次号为锚点，将 MES 工单、设备 PLC 时序、检验记录与物料批次做时间轴对齐，解决采样频率不一致与工位时钟漂移问题；二是对每个批次提取工序级特征向量（如温区均值与波动、停留时长、设备切换次数），而非直接送入原始时序；三是用可解释的树模型做异常批次判别，再用 Shapley 值把贡献度回落到工序与参数上，输出「最可疑的两个工序+对应参数区间」。
阶段性进展：在某电子组装类产线的历史数据回溯中，模型对已知异常批次的召回率约 0.82，误报批次占比约 9%，归因结果与工艺工程师人工复盘的一致率约七成，其余多指向此前未被记录的设备状态波动。
下一步计划：接入设备维修与换型记录，验证归因稳定性能否提升；同时把输出从「批次归因」推进到在线单件预警，并评估在数据缺失工况下的降级策略。
评论