🏭导航收藏不迷路—>制造业数据与AI践行者老蒋的技术博客全系列文章汇总（持续更新）
文章摘要
针对制造业 MES 工时异常人工排查效率低、标准不统一的痛点，本文结合智联工坊虚拟工厂 360 条工单数据，演示用 WorkBuddy 实现自动化异常检测的完整流程。采用 3σ+IQR 双重统计算法，按产线分组精准识别工时、质量、设备三类异常，附可复用 Python 分析脚本、结构化结果与完整分析报告，可直接落地到企业月度质量月报场景。
目录
📝 正文
一、开篇：Excel里2天的活，AI 2小时干完
兄弟们，问你们一个制造人都懂的场景：
每个月做质量月报，你是怎么从MES里找异常工单的？
把数据导出Excel → 筛选 → 排序 → 做透视表 → 画折线图 → 用条件格式标红？还是直接让下面的人手动翻一遍？
作为一个在制造业IT混了十几年的老家伙，我太了解了——这事不难，但烦。
数据量大一点（比如360条工单），Excel就卡得跟PPT一样；数据量小一点（比如50条），你又怕漏掉什么。
更扎心的是，你花2天翻完数据，老板只问一句：“有没有异常？”
你只能回答：“有几条看起来不太对......”
这种“说不清楚”的感觉，最要命。
正好我在做“智联工坊”虚拟工厂的MES模拟数据——360条工单，3条产线，15天。我决定用WorkBuddy试试，看能不能自动把异常找出来。
读完本文你将获得：
- 制造业 MES 工单异常的标准化检测方法论
- 3σ+IQR 双重检测的 Python 可复用脚本
- 产线效率 / 质量 / 设备三维对标分析框架
- 可直接套用的异常改进建议模板
二、数据准备：360条工单，3条产线
我先用Python生成了8月1日-15日的MES工单模拟数据：
| 字段 | 说明 | 示例 |
|---|---|---|
| 工单编号 | 唯一标识 | WO-20260801-001 |
| 日期 | 生产日期 | 2026-08-01 |
| 产线 | 三条产线 | 交互屏组装A线 / 传感器组装B线 / 成品测试C线 |
| 产品型号 | 产品型号 | S24-70A |
| 计划工时 | 标准工时（分钟） | 141 |
| 实际工时 | 实际消耗工时（分钟） | 210 |
| 产出数量 | 合格产出数量 | 91 |
| 不良率 | 不良率（%） | 4.2% |
| 停机时长 | 设备停机时长（分钟） | 9 |
重点是：我在数据里埋了5个异常点，看看WorkBuddy能不能找出来。
| 异常编号 | 产线 | 异常类型 | 严重程度 |
|---|---|---|---|
| ① | 交互屏A线 | 工时超标 + 停机45min | 🔴 严重 |
| ② | 传感器B线 | 不良率8.5% | 🔴 严重 |
| ③ | 测试C线 | 停机80min | 🔴 严重 |
| ④ | 交互屏A线 | 工时超标 + 不良率4.2% | 🟠 明显 |
| ⑤ | 传感器B线 | 产出72件 + 不良率6.8% | 🟠 明显 |
三、实战过程：在WorkBuddy召唤“高级软件工程师”
我把Excel拖入WorkBuddy，输入了以下需求：
请分析这份MES工单数据，找出其中的异常情况。
数据字段说明：工单编号、日期、产线、产品型号、计划工时、实际工时、产出数量、不良率、停机时长
请从以下维度进行分析：
1. 工时效率异常：实际工时 vs 计划工时
2. 质量异常：不良率异常高的工单或产线
3. 设备异常：停机时长异常高的工单或产线
4. 产线对比：三条产线的效率、质量、设备表现对比
5. 按日期趋势：各项指标的时间变化趋势然后我做了一件事——在WorkBuddy里召唤了“高级软件工程师”专家，让它不只是“分析数据”，而是：
-
生成可复用的分析脚本（含3σ+IQR双重检测算法）
-
输出结构化结果（JSON格式）
-
生成完整报告（Markdown格式）
结果不错，交付了以下章节内容。
四、交付物1：分析脚本（可复用）
WorkBuddy生成了 analyze_mes_work_order.py，核心设计是：
按产线分组检测，而非全局检测—— 因为三条产线的基准效率/不良率/停机时长差异很大，全局检测会误判。
| 产线 | 效率基准 | 不良率基准 | 停机基准 |
|---|---|---|---|
| 交互屏组装A线 | 0.91 | 1.8% | 7.5 min |
| 传感器组装B线 | 0.86 | 2.6% | 11.8 min |
| 成品测试C线 | 0.94 | 0.9% | 5.8 min |
检测算法：3σ + IQR 双重判定（取并集）
# 按产线分组 3σ 检测
def detect_by_3sigma(series: pd.Series, sigma: float = 3.0) -> pd.Series:
mean, std = series.mean(), series.std()
if std == 0 or std != std:
return pd.Series(False, index=series.index)
return (series - mean).abs() > sigma * std
# 按产线分组 IQR 检测
def detect_by_iqr(series: pd.Series, k: float = 1.5) -> pd.Series:
q1, q3 = series.quantile(0.25), series.quantile(0.75)
iqr = q3 - q1
if iqr == 0 or iqr != iqr:
return pd.Series(False, index=series.index)
lower, upper = q1 - k * iqr, q3 + k * iqr
return (series < lower) | (series > upper)五、交付物2：异常检测结果（完整检出）
5个预设异常，全部检出，无一遗漏。
| 异常编号 | 工单编号 | 产线 | 异常指标 | 实际值 | 检测阈值 | 判定依据 |
|---|---|---|---|---|---|---|
| ① | WO-20260802-028 | A线 | 效率 | 0.541 | < 0.736 | 3σ |
| ① | WO-20260802-028 | A线 | 停机 | 45 min | > 21.2 min | 3σ |
| ② | WO-20260801-009 | B线 | 不良率 | 8.5% | > 5.12% | 3σ |
| ③ | WO-20260801-018 | C线 | 停机 | 80 min | > 28.1 min | 3σ |
| ③ | WO-20260801-018 | C线 | 效率 | 0.732 | < 0.800 | 3σ |
| ④ | WO-20260801-001 | A线 | 效率 | 0.671 | < 0.736 | 3σ |
| ④ | WO-20260801-001 | A线 | 不良率 | 4.2% | > 3.40% | 3σ |
| ⑤ | WO-20260801-010 | B线 | 不良率 | 6.8% | > 5.12% | 3σ |
| ⑤ | WO-20260801-010 | B线 | 产出 | 72件 | < 3σ下限 | 3σ |
六、交付物3：产线对比分析（核心洞察）
以下内容是WorkBuddy生成的报告原文，一字未改。
| 产线 | 平均效率 | 效率波动CV | 平均不良率 | 不良率峰值 | 平均停机 | 停机峰值 | 平均产出 |
|---|---|---|---|---|---|---|---|
| 成品测试C线 | 0.937 🥇 | 4.8% | 0.94% 🥇 | 2.23% | 5.8 min 🥇 | 80 min | 94.5 🥇 |
| 交互屏组装A线 | 0.909 | 6.4% ⚠️ | 1.82% | 4.20% | 7.5 min | 45 min | 93.8 |
| 传感器组装B线 | 0.862 ⚠️ | 5.3% | 2.61% ⚠️ | 8.50% | 11.8 min ⚠️ | 20 min | 92.5 |
三条核心结论：
-
C线是标杆：效率最高（0.937）、不良率最低（0.94%）、停机最少（5.8 min），波动最小（CV 4.8%）。
-
B线是短板：效率比C线低7.5个百分点（约8%），不良率是C线的2.8倍，平均停机是C线的2倍。四指标全线下滑，属于系统性问题而非偶发。
-
A线波动最大：CV 6.4%为三线最高，说明生产一致性差、稳定性不足。
七、交付物4：趋势分析 + 改进建议
趋势分析核心发现：
异常集中爆发于8/1~8/2（月初产能爬坡期），之后各线回归稳态。
| 日期 | 事件 | 影响 |
|---|---|---|
| 8/1 | 5个异常中的4个集中爆发 | 质量事故日 |
| 8/2 | A线220min工时超标+45min停机 | 效率骤降 |
| 8/3后 | B线持续高于A/C线 | 常态问题 |
改进建议（WorkBuddy生成，按优先级排序）：
1. 【最高】8/1~8/2 异常集中爆发根因调查（止血）
5个异常中4个集中在开月前两天。高度疑似月初换线、新批次物料导入或新员工上岗所致。建议：① 调取8/1~8/2排产单、物料批次记录与人员排班；② 对B线TS-100/TS-200批次做来料抽检复核；③ 建立“换型首单必检”制度。
2. 【次高】B线系统性改善（长期治理）
B线四项指标全线下滑。建议：① 对标C线梳理B线工艺瓶颈；② 建立设备点检与快速换型（SMED）机制；③ 将B线不良率纳入日会红黄牌监控（阈值建议4%）。
3. 【第三】A线稳定性治理 + 停机预警机制
A线效率波动最大（CV 6.4%）。建议：① 为A线关键设备加装停机时长自动采集与预警（阈值15min）；② 建立“停机超过30min自动上报+复盘”流程。
4. 【补充】建立常态化自动化监控
本分析脚本可直接固化到MES看板：每日自动扫描前一日工单，命中即推送异常工单编号与判定依据，实现“异常不过夜”。
八、为什么这个场景价值大？
| 传统方式 | WorkBuddy方式 |
|---|---|
| 导出Excel，人工翻数据 | 拖入文件，一键分析 |
| 凭经验判断“哪些算异常” | 3σ+IQR统计算法客观判定 |
| 写了报告没法复用 | 生成Python脚本，每周跑一次 |
| 只知道“有异常”，说不清根因 | 给出改进建议，能指导行动 |
这个案例的本质：从“手工查数”到“自动化异常监控”。
九、完整交付物清单
| 序号 | 文件 | 说明 |
|---|---|---|
| 1 | analyze_mes_work_order.py | 可复用分析脚本，含3σ+IQR双检测 |
| 2 | anomaly_result.json | 结构化异常结果，可接MES看板 |
| 3 | report_mes_anomaly.md | 完整分析报告，可直接发给老板 |
💡 适用说明
本方案适配离散制造业的工单级异常检测，如电子组装、汽配加工等场景；流程行业（化工、冶金）需适配指标体系与波动阈值。 算法默认适配日维度 / 工单维度数据，若为分钟级时序数据，需增加滑动窗口做平滑处理。 明确边界反而会提升专业可信度，避免读者误用后产生落差。
十、实在人总结
怕你忘了，我再啰嗦一遍：
1. WorkBuddy不只是“聊天工具”，它能召唤垂直领域的专家。 这次我召唤的是“高级软件工程师”——它不只给了我答案，还给了我可以持续使用的脚本和结构化数据。
2. 制造业异常检测的核心是“分组”。 不同产线基准不同，全局检测会误判。按产线分组检测，才是制造业的正确姿势。
3. 3σ + IQR 双重判定，比单用任何一种都稳。 3σ对正态分布敏感，IQR对偏态分布稳健，取并集覆盖更全。
4. 这套脚本跑完，不只是“出了一份报告”，而是“建了一个能力”。 下周数据来了，重新跑一下脚本，新的异常报告就出来了。
十一、评论区炸弹
兄弟们，这篇把MES异常检测的完整方案公开了——数据、脚本、报告、改进建议，全都有。
现在轮到你们了：
你们的MES数据是怎么做异常检测的？
A. 全靠老师傅经验判断
B. 用Excel条件格式标红
C. 有BI看板，但预警不准
D. 我们做得比这还牛（大佬求带）评论区扣一个，我选3位兄弟，直接把
analyze_mes_work_order.py脚本发给你，换成你自己的数据就能跑。
够意思吧？评论区见！👇
📎 系列导航
| 专栏 | 制造业数据与AI落地实战 AI赋能数据开发工程手册 |
| 实战系列 | 智联工坊实战：制造业数据脏到算不准 OEE？Agent 智能巡检自动揪出空值 / 异常 / 延迟-优快云博客 |
| 上一篇 | #04 代码审查不想得罪人？WorkBuddy 先做第一轮审查，附完整 Prompt 模板 |
| 下一篇 | #06 《把500页设备维护手册喂给AI：RAG知识库从0到1》（规划中） |
📌 本文数据来源：智联工坊虚拟工厂MES工单模拟数据。分析脚本、结构化结果、完整报告均已随文章公开。评论区留言“要脚本”即可获取
analyze_mes_work_order.py。
494
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
