场景分析——良率预测与质量分析

场景卡片——良率预测与质量分析

简介

良率预测与质量分析的核心是打通生产过程与最终质量结果之间的数据关联，运用机器学习和统计分析提前识别不良风险、分析质量波动的潜在影响因素，并将分析结果转化为可验证的质量改进措施。

该场景具备较明确的制造业应用价值，但建设重点不应局限于模型开发，而应同时关注数据追溯、质量标签、过程特征、模型解释、现场验证和改进闭环。对数据基础较好的企业，可以从特定产品或工序的良率预测切入；对于数据分散的企业，则应先解决质量数据关联和问题追溯，再逐步引入预测分析能力。

一、场景概述

良率预测与质量分析是制造企业实现质量管理由事后检验向过程预防、由经验判断向数据驱动转变的重要应用场景。传统质量管理通常依赖终检结果、抽样检测、质量统计和工程师经验识别产品质量问题。当不良品被发现时，相关产品往往已经完成多个生产工序，可能产生返工、报废和批量质量风险；而当生产参数、原材料、设备状态等因素相互影响时，企业也较难快速定位质量波动的主要原因。

该场景通过整合生产过程参数、质量检测结果、原材料批次、设备运行信息及工艺记录等数据，利用机器学习、统计分析、特征解释和根因分析等技术，建立生产条件与产品质量之间的关联模型，实现产品良率预测、质量风险预警、关键影响因素识别和质量改进建议生成。

工业和信息化部发布的《智能制造典型场景参考指引（2025年版）》将“质量精准追溯”和“质量分析与改进”纳入智能制造典型场景，并提出利用质量管理系统、质量知识库、机理分析、根因分析和深度学习预测等技术，开展质量问题诊断与提前预防。该政策框架为本场景的应用建设提供了明确参考。

本场景的核心目标不是简单统计已经发生的不良品，而是利用已有生产与质量数据，尽可能提前判断产品是否存在不合格风险，识别造成质量波动的潜在因素，并将分析结果转化为可验证、可执行的工艺改进措施。

二、应用现状

（一）传统质量管理以结果检验和统计分析为主

制造企业普遍通过质量管理系统（QMS）、制造执行系统（MES）、统计过程控制（SPC）以及实验室检测和测量设备开展质量管理。这类系统能够记录检验结果、跟踪不良品、监控关键质量特性，并利用控制图、趋势分析、柏拉图等工具识别质量问题。

但传统方式仍存在一定局限。一方面，质量数据分散在不同系统和生产环节，生产参数、物料批次、设备状态与最终检验结果之间未必能够有效关联；另一方面，传统统计分析更擅长发现已发生的偏差和显著变化，对于多因素耦合、非线性关系以及尚未显现的质量风险，往往需要工程师反复排查和验证。

（二）机器学习推动质量管理向预测性分析发展

机器学习可以从历史生产数据和质量结果中学习影响产品质量的复杂关系，在产品完成最终检测前预测关键质量特性、合格概率或不良风险。相关研究已将神经网络、随机森林、时间序列模型等方法应用于汽车零部件尺寸质量预测、注塑产品质量分类及半导体制造良率预测等任务。

例如，针对汽车零部件加工，研究人员利用历史工件的测量数据预测下一件工件的加工孔位，尝试在生产流程中提前识别尺寸超差风险；在注塑场景中，研究则利用模内压力等过程信号预测产品质量，体现了将质量判断前移至生产过程的技术路径。

（三）质量分析逐步从结果统计走向影响因素定位

质量分析不仅需要回答“不良率是否升高”，还需要进一步回答“哪些生产条件与质量变化关系最为密切”“问题集中在哪些设备、工位、物料批次或工艺阶段”“哪些因素值得优先验证”。

通过统一生产数据、质量记录和工艺知识，企业可以运用特征重要性分析、可解释机器学习、关联分析及根因分析技术缩小排查范围，再结合工程机理和现场试验确认真正的原因。工业制造根因分析研究也将人工智能视为提升复杂质量问题分析能力的潜在技术路径，同时指出实际落地仍面临数据、模型和现场应用等方面的挑战。

三、主要问题与需求

（一）质量数据分散，过程与结果难以关联

生产数据通常来自设备控制系统、MES、QMS、检测设备、仓储系统及人工记录。不同系统使用的产品编号、批次编码、时间戳和工序标识可能不一致，导致企业难以将某件产品的质量结果准确对应到其实际经历的生产条件。

缺少完整的产品追溯链时，即使企业拥有大量数据，也可能无法构建具有业务解释力的质量预测模型。

（二）质量问题具有多因素耦合特征

产品质量往往同时受原材料性质、工艺参数、设备状态、模具或工装、环境条件及工序衔接等因素影响。单一参数的变化未必直接导致不良，但多个因素在特定组合下可能显著增加质量风险。

传统人工分析依赖工程师逐项排查，难以高效识别复杂的非线性关系和因素交互作用。

（三）不良样本少，模型训练存在困难

对于质量较稳定的生产线，不良品数量可能远少于合格品；对于新产品、新工艺或小批量生产，历史样本可能不足以支撑可靠的预测模型。产品切换、设备调整和材料变更还会造成数据分布变化，使原有模型的预测能力下降。

因此，模型不能只关注总体预测准确率，还应评估对少数不良样本的识别能力，以及在不同批次、设备和生产条件下的泛化能力。

（四）分析结果难以直接转化为改进措施

模型可能发现某些参数与质量结果高度相关，但这种相关性不必然代表因果关系。若未结合工艺机理、现场经验或对照试验，仅凭模型排名直接调整生产参数，可能引入新的质量风险。

质量分析系统因此不仅需要给出预测和影响因素，还需要提供证据、适用范围和验证路径，并保留质量工程师的审核与决策环节。

四、AI应用方向

（一）产品良率与不良风险预测

综合历史质量结果、生产过程参数、设备信息和物料批次等数据，建立产品合格概率、工序一次通过率或批次良率的预测模型。

系统可在生产过程中或特定工序完成后，根据当前产品的实际生产条件识别高风险工件、批次或生产订单，为加严检测、调整工艺、暂停放行或增加抽检提供依据。

具体预测目标需要根据生产场景确定，可以是产品合格与否、预期良率、不良发生概率，也可以是尺寸、重量、强度等关键质量特性的连续数值。不同预测目标对应不同模型和评价方法，不宜统一使用单一的“良率预测准确率”衡量效果。

（二）关键质量特性预测与过程质量预警

对于产品尺寸、重量、形变、性能指标等可量化质量特性，利用生产过程中的实时信号和阶段性测量数据，预测最终检验结果或质量指标变化趋势。

例如，在注塑、压铸、机加工及电子制造过程中，系统可以尝试建立工艺参数与产品质量特性之间的映射关系，提前识别可能超出规格范围的产品。

该方向的核心价值在于将质量判断由产品完工后的检测阶段前移至生产阶段，争取在不良品形成或批量扩散之前采取措施。不过，其有效性取决于过程信号与最终质量之间是否存在稳定、可学习的关系。

（三）质量波动的关键因素识别

通过关联分析、特征重要性计算、可解释机器学习和分组对比等方式，分析不同设备、工位、产品型号、物料批次、环境条件和工艺参数与质量变化之间的关系。

系统可识别与不良率升高、关键尺寸偏移或产品性能下降关联较强的因素，并结合生产批次、时间和工序信息形成质量分析报告，帮助工程师缩小排查范围。

对于复杂制造过程，可以进一步对不同工序、不同生产阶段的影响因素进行区分，避免将最终质量问题简单归因于某个单一参数。

（四）质量问题根因分析与追溯

以产品、批次、工单和生产工序为主线，关联质量检测结果、设备状态、工艺参数、原材料批次、异常记录及历史问题处理记录，构建可追溯的质量分析链路。

当某批次不良率异常时，系统可围绕发生时间、生产设备、工艺条件、物料来源及历史相似问题开展交叉分析，生成候选原因及支持证据，辅助质量人员进行根因确认。

对于具有明确工艺机理的问题，还可以结合专家规则、质量知识库和历史纠正预防措施记录，提升分析结果的可理解性和可复用性。

（五）质量改进建议与闭环管理

在预测和分析基础上，将高风险信号、候选原因、历史处理方案和工艺知识结合起来，形成分级处置建议。例如，对高风险批次开展加严检验，对特定设备或工位安排专项排查，或针对经过验证的关键参数提出工艺调整建议。

系统还应记录建议是否被采纳、采取了什么措施、措施实施后的质量指标是否改善，以便验证改进效果并持续更新质量知识库。

对于涉及安全、法规、关键尺寸或客户特殊要求的产品，AI建议应作为辅助决策依据，不能替代必要的质量放行程序和工程验证。

五、核心技术路线

（一）数据接入与质量数据关联

首先梳理生产流程中的数据来源，并建立统一的产品、批次、工单、工序和设备标识。重点接入以下数据：

l 质量结果数据： 合格与不合格判定、不良类别、检测数值、返工与报废记录、一次通过率等。

l 生产过程数据： 温度、压力、速度、时间、流量、电流及其他与工艺相关的设备参数。

l 生产组织数据： 产品型号、生产订单、工序、设备编号、模具或工装编号、班次及生产时间。

l 物料与环境数据： 原材料批次、供应商信息、仓储状态、温湿度及其他可能影响产品质量的条件。

l 工程知识数据： 工艺规范、质量标准、异常处理记录、纠正预防措施及历史质量分析报告。

其中，数据关联比简单增加数据量更加重要。只有确保质量结果与相应产品经历的生产过程准确对应，模型才能学习到具有实际应用价值的关系。。

（二）数据治理与特征构建

对缺失值、重复记录、异常测量、时间戳偏差和标签错误进行处理，并区分真实工艺异常与数据采集异常。

根据产品和工艺特点构建有效特征，包括关键参数的平均值、峰值、变化幅度、波动程度、阶段性趋势、参数组合、设备或物料批次信息等。对于具有明显阶段特征的工艺，应尽可能保留工序顺序和时间关联，而非仅将全部数据压缩为一组静态指标。

此外，训练和验证数据应合理划分，避免同一批次或高度相关的相邻样本同时进入训练集和测试集，导致模型评价结果过于乐观。

（三）异常检测模型

根据数据类型、预测任务和实际业务需求选择技术方法。

模型选择应以业务问题为出发点，不应默认采用复杂深度学习模型。对于样本规模有限、特征主要为表格数据的生产场景，传统机器学习方法往往更容易部署和解释。

（四）模型部署与现场处置

将预测模型嵌入MES、QMS或独立质量分析平台，使系统能够按照产品、批次或工序输出质量风险。对达到预警条件的对象，向质量工程师和生产人员提供风险等级、相关因素、数据依据及建议处置方式。

系统初期宜采用“模型预警—人工确认—现场处置—结果复核”的方式，逐步验证模型的稳定性。对于已经充分验证、风险可控的场景，再考虑将特定预警与检测策略或工艺控制流程衔接。

（五）持续评估与质量闭环

上线后持续监控模型的漏报、误报、预测偏差和适用范围，并将新产生的质量检验结果回流至数据平台，定期评估模型是否需要更新。

项目验收不应只比较模型准确率，还应关注一次通过率、报废率、返工率、质量损失、问题定位周期以及实际改善措施的有效性。只有在真实生产环境中验证质量指标得到改善，才能证明应用产生了业务价值。

六、产品形态

（一）AI质量预测系统

面向生产线、工序或产品批次，提供合格概率、不良风险、预期良率及关键质量特性预测等功能。适用于具备一定生产过程数据和质量结果数据的企业。

（二）质量分析与根因诊断平台

整合MES、QMS、设备及物料数据，提供质量趋势分析、问题分布分析、批次追溯、影响因素识别和候选根因排序，帮助质量工程师提升问题定位效率。

（三）智能质量管理模块

作为现有QMS或MES的扩展模块，将AI预测、风险预警、质量分析及整改记录集成至现有工作流程，减少系统割裂和重复录入。

（四）质量知识与分析智能体

利用大语言模型处理质量标准、检验记录、异常报告、工艺文件和历史处理案例，实现质量报告生成、相关案例检索、分析过程辅助和整改资料汇总。其优势在于降低信息检索和报告整理成本；涉及数值预测、统计判断和根因推断时，仍应调用经过验证的分析模型或明确的数据查询逻辑，不能仅依靠语言模型生成结论。

七、典型应用案例

（一）丰田产业：基于工业数据整合与AI分析提升涂装质量

根据微软于2026年4月发布的客户案例，丰田产业面临涂装质量数据分散、缺陷原因分析周期长等问题。企业与微软及Sight Machine合作，构建统一的工业数据基础，将设备传感器、工艺参数及温度、湿度等环境信息整合起来，并利用AI和机器学习分析近400个变量，识别与涂装缺陷关联较强的信号。

案例披露，在相关试点期间，通过稳定温度等措施，某类涂装缺陷降低约25%；分析周期由5天缩短至4小时以内。该案例表明，质量改进不一定始于复杂模型本身，统一数据语义、形成跨系统分析能力并将结果转化为现场行动，同样是实现质量改善的重要条件。上述效果为企业客户案例披露结果，不应直接视为其他工厂能够复现的通用提升幅度。

（二）汽车零部件：预测下一件工件的加工尺寸质量

2023年发表于《Computational Management Science》的研究，针对汽车保险杠横梁加工中的孔位尺寸控制问题，使用历史工件的测量记录训练神经网络、长短期记忆网络和随机森林模型，对下一件工件的孔位进行预测。

研究显示，部分孔位可以获得较好的预测效果，从而为提前识别尺寸超差风险提供支持；但部分孔位预测效果不佳，研究者将其与输入信息不充分或缺少相关信息联系起来。该研究说明，良率与质量预测可以前移到当前工件完成检测之前，同时也说明模型效果高度依赖特征与质量结果之间的有效关联。

（三）注塑制造：利用机器学习辅助质量预测与工艺改进

一项针对中小企业注塑场景的研究，提出结合XGBoost特征选择、GRU时间序列模型和SVM质量分类模型的技术框架，用于预测设备参数和产品质量，并根据分析结果提出工艺调整建议。研究报告指出，企业按照相关建议调整工艺后，过程能力指数提高了41%。这一结果说明，预测模型与工艺改进结合后有机会产生实际质量效益，但该提升幅度属于特定研究案例，并不代表所有注塑企业的预期收益。

此外，注塑质量预测研究已开始利用模内压力等传感信号识别产品质量状态，相关实验展示了在有限训练样本条件下使用机器学习开展质量分类的可行性。对于此类场景，企业仍需根据产品、模具、设备和工艺条件开展独立验证。

（四）半导体制造：面向复杂多工序的良率预测

半导体制造通常包含大量连续工序，最终良率受不同阶段的工艺条件和检测结果共同影响。相关研究持续探索通过机器学习预测晶圆良率，并利用可解释AI分析主要影响因素；2026年发表的综述进一步将小样本预测、模型可解释性和多模态数据融合列为后续研究方向。

该方向的启示在于，对于工序多、数据维度高、质量形成过程复杂的生产场景，良率预测不能仅依靠终检结果，还需要尽可能关联生产过程中的多阶段信息，并对预测结果进行因素解释和现场验证。

八、应用价值

（一）降低不良品及质量损失。

通过在产品完成最终检验之前识别风险，为调整工艺、加严检测或及时隔离高风险产品争取时间，减少批量性不良扩散的可能。

（二）提高质量问题定位效率

通过自动关联产品、批次、工序、设备、物料及检验数据，减少工程师手动查表和逐项排查的工作量，缩短质量分析周期。

（三）提升质量稳定性

识别反复出现的质量波动及其潜在影响因素，为工艺优化、供应商管理和生产参数控制提供依据，推动质量管理从依赖个人经验转向可积累、可复用的数据和知识资产。

（四）增强跨部门协同

生产、质量、设备、工艺和采购等部门能够围绕同一批次、同一质量问题及同一组证据开展分析，减少因数据口径不一致造成的沟通成本。

（五）形成持续改进机制

将质量预测、原因分析、处置措施和改善结果连接起来，使历史质量问题能够转化为新的规则、模型特征和知识积累。

九、实施条件与应用边界

（一）实施前提

企业至少应具备一定规模的历史质量记录，并能够获取与之关联的生产数据。对于尚未建立产品批次追溯、质量数据电子化程度较低的企业，应优先完成数据采集和业务标识统一，再逐步开展质量预测。

试点场景宜选择质量目标明确、关键过程参数相对稳定、检测结果可靠且具有改善需求的产品或工序，例如注塑关键尺寸预测、机加工尺寸超差预警、特定电子产品的工序良率分析等。

（二）主要实施边界

预测能力不等于因果判断。 特征重要性和模型解释能够帮助缩小排查范围，但不能单独证明某一因素就是质量问题的根本原因。关键结论应结合工艺知识、现场检查或设计合理的试验加以验证。

如果检验标准不一致、检测设备精度不足或不良类别记录不准确，模型可能学习到错误规律。企业应首先确保质量结果具有稳定、可追溯的定义。

原材料供应商、设备、模具、工艺路线或产品设计发生明显变化时，模型可能出现预测偏差，需要重新评估或更新。

在高风险制造场景中，漏掉不良品可能远比额外触发一次人工复核的成本更高。因此模型阈值、预警策略和验收指标应根据质量风险及生产成本设计。

十、发展趋势

一是从单一质量指标预测走向多工序、多质量特性的联合预测，综合分析产品在整个生产过程中的质量形成机制。

二是从相关性分析走向融合机理知识、质量规则和试验验证的辅助根因诊断，提高分析结果的可解释性和可执行性。

三是从批次级质量统计走向单件产品和实时过程预测，在生产流程中更早识别潜在的不良风险。

四是从独立算法工具走向与MES、QMS、工艺系统和质量知识库深度集成，将风险识别、质量追溯、整改措施和改善验证形成闭环。

五是面向中小制造企业，逐步形成轻量化、模块化和可复用的质量分析产品，降低对复杂IT基础设施、专职算法团队和大量高质量标注数据的依赖。