我去翻了三天原始数据，找到问题的时候，他们生产经理脸都绿了——问题出在换型时预校准的12秒等待，全公司没人发现，就因为没人把数据拆到单工位拆到分钟级。
别上来就堆算法，先把脏数据筛干净
现在圈子里风气不对，动不动就说要用大模型预测故障，要用机器学习优化节拍。我见过太多项目，钱花了不少，结论狗屁不通。说白了，产线出来的原始数据，脏得超出你想象。
前年给一家家电总装线做节拍优化，客户给了三个月的运行数据，说他们算出来平均节拍是8.2秒，怎么调都降不下去。我打开CSV文件扫了三行，就发现不对——停机的时候，工位的光电传感器还在乱触发，每分钟能多出七八个无效节拍，这些数据全混进去了，算出来的均值直接偏了0.8秒，等于白算。
按照ISO 10017统计过程控制的规范，第一步就得做数据清洗，别嫌麻烦。我一般分两步走：第一步先用3σ原则把极端异常点先踢掉，第二步加逻辑校验，把不符合物理规律的数据删掉。
比如说你用的是ABB IRB1200机器人，它的最小运动周期都得1.2秒，你数据里出来一堆0.3秒的节拍，不是传感器误触发就是PLC丢包，直接删掉就完事儿。
很多年轻工程师不信邪，说我模型鲁棒性好，能处理脏数据。鲁棒个鬼，垃圾进垃圾出，这是铁律。
整线OEE没用，拆到单工位才有用
大部分工厂的数据分析，都停留在算整线OEE，贴在车间门口当KPI，领导看着好看，实际解决不了问题。
就说刚才那个东莞PACK厂的例子，整线OEE常年卡在82%，离目标85%差三个点，所有人都说是后端封边机速度不够，换一台要两百万，老板舍不得才找我看。
我把他们三个月的采集数据，逐帧拆到17个工位，每个工位每一次循环的运行、待机、停机、故障时间全分开，做了一张热力图。你猜问题在哪？就是第一个模组定位工位，换型号的时候，校准程序要等操作人员确认完条码才启动，每次多等12秒，一天平均换6次型号，一天就少出7个模组，拉低整线OEE刚好2.8个百分点。
一分钱没花，我让他们改了两行PLC逻辑，校准程序提前启动，等操作人员输完型号，校准已经做完了。一周后复测，OEE直接到84.7%，刚好达标。
这里说个常见的坑，很多工厂算OEE，直接把计划停机全剔除了，按照SEMI E10-0601标准，六大损失里的换型损失、工装调整损失本来就是要计入OEE计算的，你直接把这部分砍掉，等于把最容易优化的损失藏起来了，当然找不到问题。
故障预警不是越灵越好，要落地才有用
现在预测性维护火得一塌糊涂，随便一条产线改造，都要加一堆传感器，搞实时预警。我见过太多工厂，预警系统上线三个月，天天误报，维修工人跑断腿，最后干脆把报警关了，几十万的设备成了摆设。
说实话，产线上90%的小异常，根本没必要预警。你哪怕提前三天知道某个螺栓松了，只要不影响生产，换线的时候紧一下就行，犯不着动不动就停线。只有会导致超过4小时停线、会批量搞坏产品的故障，才值得做预警。
之前给国内一家车企的冲压线做数据分析，我们找了大半年，才发现一个非常隐蔽的规律：滑块导向间隙变大的时候，不是振动数据先变，是每次冲压的完成时间会稳定提前100毫秒左右，这个变化要累积一百次冲压之后，振动才会超出阈值，而这个时候间隙已经大到会导致冲压件尺寸不合格了。
我们就设了一个非常简单的规则：连续30次冲压完成时间偏移超过80毫秒，就给维修班发一次提醒，刚好赶在下次计划换模的时候调整间隙，从来没有误报过，也没出过一次因为间隙超差导致的批量不合格。
这里要讲清楚，预警的核心不是准确率，是能不能帮你减少非计划停机，降低维修成本。你准确率做到99%，但是一个月误报十次，工人不信你，再高的准确率也没用。
产线运行数据分析，从来都不是什么高大上的黑科技，也不需要你堆多少复杂的模型。说白了就是帮你把产线里看不见的浪费，变成可量化的数据，找到最划算的优化点。很多工厂上来就要上AI上云，不如先把手里现有的数据挖一遍，筛干净，拆细了，你会发现大部分问题，根本不需要花大价钱就能解决。
