质量数据分析与建模

1．数据分析的时代背景与五层模型概述

• 数字化质量对企业数据分析能力的要求
• 工业4.0与质量4.0:从质量检验到数字化全面质量管理
• 数据分析五层级模型:L1~L5的定义、目标与关键产出
• 数据是第5大生产要素:数据分析在全球各行业的价值创造潜力
• 各层级之间的衔接关系与常见瓶颈

2．L1数据采集与L2数据可视化

• 数据源类型:结构化/半结构化/非结构化数据
• 采集方式:传感器、ERP/MES、日志、API、物联网等
• 数据质量要素:完整性、准确性、一致性、及时性
• 可视化的目的:发现模式、监测指标、传递信息
• BI商业智能:实时数据运营驾驶舱构建
• 案例:制造业多工序设备数据采集与可视化架构

3．L3数据溯因-DOE试验设计方法(上)

• DOE试验设计基础:因子、水平、响应变量
• 2K全因子试验设计:主效应与交互效应分析
• 中心点设计:检测曲率与重复性评估
• 曲率分析:P值判断与模型诊断
• 案例:新机床加工参数优化-直径与圆度改善
• 实战练习:使用Minitab进行2K试验设计与分析

4．L4数据建模-响应曲面设计与优化(上)

• 响应曲面试验设计(RSM):从线性到非线性建模
• 模型建立:多项式回归方程与系数解释
• 模型诊断:残差分析、R-sq、调整R-sq评估
• 响应优化器:多响应同时优化的最佳参数搜索
• 案例:机床加工参数同时满足直径、圆度、效率三目标优化

5．L4数据建模-多项式回归与预测

• 多元线性回归:多因子影响建模
• Pareto图:识别关键影响因子
• 主效应图:影响程度与方向分析
• 回归模型评估:残差图、R-sq、预测精度
• 案例:空调压缩机COP值优化-42个零部件特性分析
• 实战练习:使用历史数据进行多项式回归建模

6．机器学习基础与分类方法

• 机器学习概述:有监督学习vs无监督学习
• 十大分类模型:决策树、随机森林、KNN、SVM、神经网络一览
• 决策树分类:信息熵、熵增益、基尼指数
• 特征变量重要度排序方法
• 毕达哥拉斯树:可视化决策规则
• 模型评估指标:AUC、CA、F1、Prec、Recall、MCC
• 混淆矩阵:预测准确性评估
• 案例:产品质量合格/不合格分类预测

7．随机森林与神经网络

• 随机森林特点:样本随机、特征值随机
• 随机森林优点:降低过拟合、容忍异常值和缺失值
• 投票表决机制:多棵树集成决策
• 神经网络基础:神经元、激活函数、隐藏层
• 深度学习与图像识别应用
• 模型对比:决策树vs随机森林vs神经网络
• 案例:基于集成学习的质量预测模型比较

8．无监督学习-聚类分析

• 聚类模型:层次聚类
• 图像分析与识别:无监督自动聚类
• Orange软件:免费开源的机器学习和数据可视化工具
• 图像转换为数字:深度神经网络特征提取
• 案例:动物图像自动聚类分析
• 实战练习:使用Orange进行动物图像聚类分析

9．L5数据生态与课程总结

• 数据生态的内涵:跨部门、跨系统协同
• 数据资产的价值创造与持续增值
• CRISP-DM六步法:业务理解→数据理解→数据准备→建模→评估→部署
• 五层模型映射:从L1到L5的完整闭环
• 案例串联:从质量数据采集到数据分析再到数据建模的全流程
• 课程总结与行动计划制定