质量异常通常在数据上先留下痕迹，但这些痕迹分散在MES工单、SPC抽检、设备日志与检验记录里，时间粒度、编码口径、采样频率都不一致。数据分析实验室近期的实验，围绕“把痕迹连成一条可解释的归因链”展开，而非直接给出结论。
当前流程分三步：先做多源对齐，把工单号、设备编码、模具/刀具编号与批次统一为同一主键，并把秒级设备时序重采样到工序节拍；再做特征筛选，剔除与结果强相关但时序在后的泄漏变量；最后做归因排序，同时输出贡献度与异常起始时刻，让“谁先动”与“谁影响大”可以互相校验。
- 阶段性进展：在某机加工产线的历史异常回放中，12起批量尺寸偏移有9起被定位到单一主因（进给参数漂移或来料批次差异），输出结果与工艺工程师事后判断一致；事件起始时刻平均比人工发现早约40分钟。
- 下一步计划：把归因范围从单工序扩展到前后工序链路，并引入工艺约束与设备维修记录作为先验，降低相关性误判，同时补充归因结果的可信度分级。
实验的边界也很清楚：数据对齐质量决定上限，编码缺失或手工补录较多的产线，仍需先补数据治理，再谈归因。
评论