干这行十几年，我最烦听人吹“智能工厂”。别急，我不是泼冷水。真正的智能，不是多装几个传感器、搞个大屏就完事。你得让数据说话，而且得说人话。今天聊聊产线运行多维度统计数据分析，这活儿看着简单，做起来全是坑。
先讲个真实案例。去年有个客户，汽车零部件压铸线。上了MES，装了十几个工位屏，天天盯着OEE看，结果呢？设备故障率还是居高不下，换模时间照样没人管。老板急，问为什么。我一看数据，好家伙——OEE算的是总时间，压根没拆到损失维度。你这不就是皇帝的新装吗？所以，多维度，关键在“维度”怎么切。
咱们切入正题。先说说最常见的三个维度：设备性能维度、质量损失维度、节拍与排产维度。其他的，像能耗、人工、物料，都是后话。
设备利用率：别只盯着OEE
OEE = 可用率 × 表现率 × 质量率。公式谁都背得出来。但实际算的时候，你时间基准怎么定？日历时间？计划生产时间？我看过太多人把这两个搞混。按OEE标准（GB/T 35586-2017，或者你们用SEMI E79也行），可用率是（计划运行时间 – 停机时间）/ 计划运行时间。注意，这个计划运行时间得扣除外部因素，比如订单不足、缺料。你要是把没订单也算进去，那OEE永远惨不忍睹，老板看了只会觉得你在摸鱼。
有个朋友跟我吐槽，他们公司的OEE一直85%以上，但产能就是上不去。后来一查，发现他们把换模时间不算停机，算成“准备时间”。这不扯淡么？换模就是换模具，你得停下来换，这就是停机。国际惯例里，换模属于计划内停机，但不属于可用率损失？不对，在OEE计算中，换模通常算作计划停机，不计入OEE的损失。但你会因此损失产出。所以，单独跟踪换模频次与时长，比盯着OEE有用多了。建议用甘特图把每次换模的分布拉出来，看看是不是集中在上下午？有没有因为排产不合理导致频繁切换？
质量数据：别只看不良率
产线上，不良率是最容易被掩盖的。因为很多缺陷要等到终检才发现。你得把质量数据按工序拆解，按时间窗口切片。比如，压铸件的气孔率，如果你只统计最终报废数，那永远找不出是压射阶段还是喷涂阶段的问题。
另一个维度是缺陷编码体系。很多工厂的缺陷码是乱写的，什么“杂、混、缺”三字经。你得定义层级：工序 → 缺陷部位 → 缺陷类型 → 缺陷原因。拿注塑机来说：工序是“注塑”，部位“浇口”，类型“凹陷”，原因“保压压力不足”。这样数据才可分析。SPC控制图（X-bar R图）该用还得用，但别只画个样子。要结合过程能力指数Cpk，比如客户要求Cpk≥1.33，你产线的实际Cpk多少？统计的时候，样本量够不够？至少25个子组吧。别拿5个数据点就敢算Cpk，那不是分析，是自欺欺人。
节拍与在制品：一个被忽视的维度
节拍是产线的灵魂。但实际统计中，很多人只算“平均节拍”。平均？你看过分布吗？节拍不服从正态分布，它往往是右偏的——因为故障、缺料、小停顿都会拉长节拍。所以，你得算P95节拍，或者用箱子图看离散程度。我见过一条装配线，平均节拍45秒，但P95节拍80秒。这意味着什么？每隔一段时间就会堵线。你按平均节拍排产，不爆才怪。
还有在制品（WIP）水平。这个数据往往被忽略。但它是识别瓶颈的金钥匙。用利特尔法则：WIP = 产出率 × 生产提前期。如果提前期越来越长，WIP堆积，那瓶颈就快暴露了。通过统计各工位的WIP量，画成热力图，一眼就能看出哪里在堆积。别跟我提看板，先搞清楚数据。
能耗数据：别傻乎乎只算总电费
现在碳中和压力大，能耗指标迟早进KPI。但能耗数据要跟产量和设备状态关联才有意义。比如，一台注塑机，待机状态耗电多少？生产状态耗电多少？单位产品的能耗（kWh/kg）波动大不大？我记得有个案例，某厂总电费下降，但单位产品能耗反而上升，因为产量降得更多。你得算单位产出能耗，而不是总能耗。另外，注意峰谷电价，把高耗能设备安排到谷电时段，这需要排产协同，但数据得先给你。
说实话，这些维度统计起来，最麻烦的不是算法，而是数据质量。传感器漂移、信号丢失、人工录入错误，都是家常便饭。所以我不喜欢完美的自动化，我更喜欢人机校验。比如，某工位报产数量与实际称重对不上，那就得报警。
多维度的联动：相关不等于因果
当你有了多维度数据，就可以做交叉分析了。比如，发现环境温度与设备故障率的相关性。但别忘了，相关不等于因果。你得做置信区间，做假设检验。我曾经发现某条线的产品不良率与夜班有强相关，后来查出来是夜班照明不足，跟夜班人员无关。这就是多维度分析的价值——排除错误假设。
再说一句，别迷信回归模型。产线数据往往是高度共线的，你跑个多元回归，一堆显著变量，结果换个时间段全变了。老老实实先做描述性统计，再画散点图矩阵。很多问题肉眼就能看出来。
最后说点经验之谈。数据统计不是为了汇报，是为了行动。每一份分析报告，最后一定要落到“下一步该干啥”。不然就是废纸。比如，发现注塑机Cpk不足，你要给出调整注塑参数的建议，甚至具体到保压压力该加几兆帕。这才是工程师该干的事。
结语
多维度统计数据分析，本质上是一种“显微镜”。产线运行中每一个“异常”都不是孤立的，背后都有关联因子。只要能坚持把设备、质量、节拍、能耗这些维度捋清楚，再脏再乱的产线也能理出头绪。别太相信直觉，用数据说话，但又不能只信数据——你得理解数据背后的物理过程。就这样吧，有空再聊。
