🏭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

一、开篇：Excel里2天的活，AI 2小时干完

二、数据准备：360条工单，3条产线

三、实战过程：在WorkBuddy召唤“高级软件工程师”

四、交付物1：分析脚本（可复用）

五、交付物2：异常检测结果（完整检出）

六、交付物3：产线对比分析（核心洞察）

七、交付物4：趋势分析 + 改进建议

八、为什么这个场景价值大？

九、完整交付物清单

十、实在人总结

十一、评论区炸弹

📎 系列导航

---

📝 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：

1. 制造业 MES 工单异常的标准化检测方法论
2. 3σ+IQR 双重检测的 Python 可复用脚本
3. 产线效率 / 质量 / 设备三维对标分析框架
4. 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：

1. 生成可复用的分析脚本（含3σ+IQR双重检测算法）

2. 输出结构化结果（JSON格式）

3. 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：

1. 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%）。

2. 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。

3. 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	WorkBuddy工作场景应用实践 · #05
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-CSDN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。