当前位置：首页 > news >正文

从零开始了解数据采集（二十一）——电子制造行业趋势分析案例

news 2025/4/30 23:12:45

这次分享一个偏行业性的趋势分析案例，在项目中为企业实实在在的提高了良品率。不懂什么是趋势分析的同学，可以翻看前面的文章。

在广东某电子制造厂中，管理层发现最近几个月生产良品率有所波动，但无法明确波动原因，也无法预测未来的趋势。为了优化生产过程并稳定良品率，工厂决定通过工业数据的趋势分析，找出波动的规律，并制定改进措施。

趋势分析步骤：

01 明确背景与目标

背景：该工厂的主要产品是智能手机主板和电脑主板，良品率是评价生产效率的重要指标之一。良品率下降会增加返工率，导致生产成本上升。

目标：分析良品率的变化趋势，确定影响因素，并预测未来的良品率水平。

02 数据采集和梳理

主要的目标采集设备：
- 生产设备：SMT贴片机、回流焊设备、AOI（自动光学检测）等。
- 检测设备：SPI（锡膏检测机）、ICT（功能测试机）。
- 环境数据：温湿度传感器的数据。
- 人员与班次数据：生产班组和操作员的工作记录。
采集的关键数据点：
- 每批次的生产数量、良品数量、不良品数量（来自MES或手工填报）。
- 不良品的主要缺陷类型（如焊接不良、元件错位等）及其占比（来自AOI设备）。
- SMT设备的运行参数（如贴片速度、贴片压力、元件信息等）。
- 回流焊的温度曲线（如峰值温度、预热温度、链速、上下温区温度等）。
- SPI设备的检测结果（如锡膏厚度的标准偏差）。
- 环境参数（如温度、湿度波动情况）。
- 班次数据（如白班、夜班的生产情况）。

采集的时间范围：

过去6个月的数据，每日按批次记录。
数据清洗：
- 去除异常值：如突然出现的极高或极低良品率数据，经核实可能是数据采集故障导致的异常。
- 补充缺失值：对于个别缺失的环境数据，使用插值法填充。
- 统一时间单位：将所有数据按天汇总，并对每班次的数据进行分组统计。

03 趋势分析方法

趋势分析

采用折线图和移动平均法，观察良品率的变化趋势：

绘制每日良品率的折线图，直观展示良品率的波动情况。
使用7天移动平均法平滑短期波动，突出长期趋势。

结果：良品率整体呈周期性波动，月初较高，月底较低

关联性分析

通过相关性分析，找出影响良品率的关键因素：

使用皮尔逊相关系数（Pearson Correlation）分析良品率与其他变量（如环境温湿度、设备参数）的相关性。

结果：回流焊的峰值温度与良品率的相关系数为0.85（强正相关）

其他参数的相关性分析结果：

SPI检测结果的锡膏厚度标准偏差与良品率的相关系数为-0.72（强负相关）。
夜班生产的良品率比白班低10%。

缺陷类型统计

统计不同缺陷类型的发生频率及趋势：

按月分析焊接不良、元件错位等缺陷类型的比例变化，找到占比最高的缺陷类型。

结果：焊接不良占总缺陷的60%，且在湿度>70%的情况下更容易发生

时间序列分析

使用时间序列预测模型（如ARIMA模型）预测未来良品率：

数据处理：分解良品率时间序列数据为趋势、季节性和残差三个部分。
模型训练：使用ARIMA模型对过去6个月的良品率数据进行建模，并预测未来1个月的良品率变化。

结果：未来1个月良品率有下降趋势，预测值为93.5%，比当前平均水平（95.2%）低1.7%

04 趋势分析结论

趋势发现：良品率整体呈现周期性波动，每月初的良品率较高，月底较低。
主要影响因素：
1. 回流焊温度控制不稳定（峰值温度波动范围过大）。
2. SPI检测的锡膏厚度分布不均，标准偏差较大。
3. 环境湿度超过70%时，焊接不良率显著上升。
4. 夜班操作人员经验不足导致的操作误差较多。