最近在研究生产质量产品线的IT方案设计，参考很多生产质量IT解决方案，总结出适合我们自己业务的生产质量大数据IT方案，并通过python实现。在这里和大家分享，欢迎大家的建议。
一、方案设计特点
将当代计算机科学、工业统计与大数据技术、行业质量管理及持续改进最佳实践完美融合、洞察质量与流程数据，从而提高效率、降低成本、预测未知、科学决策，提高持续盈利能力。可以实时质量风险预警平台、质量大数据分析平台、智能质量报告平台、自动化分析程序及报告。
可以为企业提供：
- 可视化地监控质量状态，及时预警潜在质量风险
- 洞察数据以锁定关键原因
- 科学地提供质量改进建议并预测其效果
- 供应链整合质量控制，从源头防范质量风险，提升质量水平
具体的一些特性包括：
- 完全基于web的架构
- 实时、整合性、现代web设计
- 完美支持移动端
- 自动图形更新
- 灵活的开发支持
- python深度学习、机器学习支持
- 想怎么做就怎么做
- 专业的python包开发容易
- 无缝的数据操纵
移动端界面
二、整体设计
三、 控制台
自定义首页监控项目、异常自动高亮标记、实时动态显示、自动重新计算、自定义报表显示
四、统计过程控制（SPC）
统计过程控制（简称SPC）是一种借助数理统计方法的过程控制工具。它对生产过程进行分析评价，根据反馈信息及时发现系统性因素出现的征兆，并采取措施消除其影响，使过程维持在仅受随机性因素影响的受控状态，以达到控制质量的目的。
- 预警性：制程的异常趋势可即时对策，预防整批不良，以减少浪费
- 分辨特殊原因：作为局部问题对策或管理阶层系统改进之参考
- 善用机器设备：估计机器能力，可妥善安排适当机器生产适当零件
- 改善的评估：制程能力可作为改善前後比较之指标
- 对过程做出可靠有效的评估
- 确定过程的统计控制界限，判断过程是否失控和过程是否有能力
- 为过程提供一个早期报警系统，及时监控过程的情况以防止废品的发生
- 减少对常规检验的依赖性，定时的观察以及系统的测量方法替代了大量的检测和验证工作。
4.1 实时SPC监控
自定义首页监控项目、异常自动高亮标记、实时动态显示、自动重新计算
4.2 标准SPC分析-控制图
4.3 标准SPC分析-过程能力分析
过程能力指数是指过程能力满足产品质量标准要求（规格范围等）的程度。也称工序能力指数，是指工序在一定时间里，处于控制状态（稳定状态）下的实际加工能力。它是工序固有的能力，或者说它是工序保证质量的能力。这里所指的工序，是指操作者、机器、原材料、工艺方法和生产环境等五个基本质量因素综合作用的过程，也就是产品质量的生产过程。
4.4 标准SPC分析-样本运行图
简单直观反映样本的每一个取样的运行情况。
4.5 标准SPC分析-均值运行图
指定分组的样本运行图，显著标注每一个均值的大小和分布，清晰了解平均水平的趋势。
4.6 标准SPC分析-正态检验
用于确定数据集是否通过正态分布进行良好建模，并计算数据集基础上随机变量正常分布的可能性。 更准确地说，测试是模型选择的一种形式，可以通过多种方式进行解释，具体取决于对概率的解释
4.7 标准SPC分析-CPK趋势图
CP(或CPK)工序能力指数，是指工序在一定时间里，处于控制状态(稳定状态)下的实际加工能力。它是工序固有的能力，或者说它是工序保证质量的能力。
4.8 标准SPC分析-合格率趋势图
4.9 标准SPC分析-方差分析
4.10 机器、物料SPC监控清单
显示物料-检测项目（机器-检测项目）的对照清单和主要参数指标、可收藏、搜索、删除、修改、点击链接直接到达SPC分析详细页面
五、质量分析
5.1 分析的分类
5.2 设计的特点
5.3 方差分析
方差分析（ANOVA）是一种特殊形式的统计假设检定，广泛应用于实验数据的分析中。统计假设检定是一种根据数据进行决策的方法。测试结果（通过零假设进行计算）如果不仅仅是因为运气，则在统计学上称为显著。统计显著的结果（当可能性的p值小于临界的“显著值”）则可以推翻零假设。
单因素方差分析
多因素方差分析
方差分析配置
5.4 分布分析
在生产工作正常的情况下，产品的质量也不可能完全相同，但也不会相差太大，而是围绕着一定的平均值，在一定的范围内变动和分布。分布分析法就是通过对质量的变动分布状态的分析中发现问题的一种重要方法。
5.5 相关分析
相关分析就是对总体中确实具有联系的标志进行分析，其主体是对总体中具有因果关系标志的分析。它是描述客观事物相互间关系的密切程度并用适当的统计指标表示出来的过程。在一段时期内出生率随经济水平上升而上升，这说明两指标间是正相关关系；而在另一时期，随着经济水平进一步发展，出现出生率下降的现象，两指标间就是负相关关系。
5.6 机器学习
机器学习理论主要是设计和分析一些让计算机可以自动“学习”的算法。机器学习算法是一类从数据中自动分析获得规律，并利用规律对未知数据进行预测的算法。因为学习算法中涉及了大量的统计学理论，机器学习与推断统计学联系尤为密切，也被称为统计学习理论。算法设计方面，机器学习理论关注可以实现的，行之有效的学习算法。很多推论问题属于无程序可循难度，所以部分的机器学习研究是开发容易处理的近似算法。
本方案支持：
- 线性回归算法
- 朴素贝叶斯
- 支持向量机
- 逻辑回归算法
- 决策树算法
- k-均值算法
- 随机森林算法
- K近邻算法
六、总结
方案实现质量业务的全面分析，通过python实现web架构，支持大量的分析功能，特别是机器学习，但机器学习只是一种分析工具，业务分析方案如何匹配机器学习更重要，这个就需要在实施过程中业务部门的大力配合研究适合的分析方法才可以充分发挥机器学习的强大之处。希望此方案对各位有所帮助。
