先说一个做电池的人天天头疼的事#

电池产线很长，涂布、冷压、分切、卷绕、注液、化成、分容，一道接一道。每道工序都有自己的工艺参数要调，涂布有涂布速度和刮刀间隙，冷压有压力和温度。最终大家关心的是电芯的厚度和容量有没有落在规格以内。

问题在于，每道工序的输出不是一个固定的数，而是一个波动的范围。涂膜重量今天是15.0，明天可能14.8，后天15.3。这个波动会往下游传。涂膜重量波动了，冷压出来的厚度就跟着波动。厚度波动了，最终电芯的容量也跟着波动。

传统的做法是每道工序各管各的。涂布的人盯涂布的指标，冷压的人盯冷压的指标。但谁来看整条线串起来之后，最终产品的波动到底从哪来的？

“均值达标”不等于”产品合格”#

这是那个JMP案例最触动我的一个点。

假设你调了一组冷压参数，出来的极片厚度平均值正好是80μm，完美命中目标。你很满意。但如果这组参数恰好会放大上游涂布工序传过来的波动，那标准差可能很大，虽然平均是80，但实际产出从75到85都有，一大堆超规格。

换另一组参数，平均值可能是79.5，没那么完美对准目标。但这组参数对上游波动的放大效应小，标准差很小，产出集中在78到81之间，全部合格。

哪组参数更好？显然是第二组。

这就是PPT里写的那句话的含义：从”预测单值”到”预测分布”。我们不应该只盯着平均值，应该盯着整个分布。分布又窄又居中，才是真的好。

波动从哪来？能管吗？#

想明白上面那个道理之后，下一个问题是：最终产品的波动到底由什么决定？

拆开来看，就两部分。

一部分是上游传过来的。涂布工序输出的涂膜重量有波动，这个波动经过冷压工序会被放大或缩小。放大多少，取决于你冷压参数怎么设。比如压力设在某个值的时候，涂膜重量每波动1mg，极片厚度只波动0.5μm。压力换个值，同样的1mg波动，厚度可能波动2μm。这个”放大系数”是可以通过调参数来改变的。

另一部分是本道工序自己产生的噪声。设备精度、环境温湿度、材料批次差异，这些东西不可能完全消除，但噪声的大小也跟参数设定有关系。温度设在某个区间的时候设备运行最稳定，噪声最小。偏离这个区间，噪声就变大。

所以每道工序选参数的时候，其实在同时做两件事：一是让均值对准目标，二是让波动尽可能小。波动小的含义，既包括压缩自身噪声，也包括降低对上游波动的放大系数。

这在统计学里有个名字，叫稳健设计。田口玄一在几十年前就提出了这个思想，PPT做的事情，是把它用概率模型的方式形式化了，而且串联了多道工序。

所以”概率性建模”到底在建什么模？#

一句话总结：对每道工序，同时建两个模型。一个预测均值随参数怎么变，另一个预测方差随参数怎么变。

均值模型大家都熟悉，就是普通的回归。给定涂布速度、刮刀间隙，预测涂膜重量的平均值是多少。

方差模型是核心差异点。残差的方差不再假设是一个固定的常数，而是也用一个模型来描述。在某些参数设定下方差大，在另一些设定下方差小。这个模型可以告诉你，哪些参数区间是”稳定区”，哪些是”不稳定区”。

两个模型加在一起，给定任意一组参数，你就能预测出来的不是一个点，而是一个完整的分布。有了分布，你就能算Cpk，能算合格率，能算PPM。

然后多道工序串联起来。第一道工序的输出分布作为第二道的输入分布，第二道根据自己的均值模型和方差模型，算出自己的输出分布，再往下传。到最后一道，就得到了最终产品的完整分布。

优化的目标就变成了：在所有工艺参数的可行范围内，找到一组参数，使最终产品的分布又窄又居中，Cpk最大。

PPT里的那个两层模型#

回到那张图。它画了两层。第一层是冷压工序，输入有压力、保有量、注液前称，输出是电芯厚度和电芯容量。这些输入中有些是固定效应（你可以直接控制的），有些是随机效应（有波动的）。

第二层是更上游的涂布工序，负极涂膜重量、正极涂膜重量、基材重量这些东西，本身就是有波动的随机量。它们的波动会传到第一层。

两层串起来，就能看到一个全景：最终电芯的厚度和容量波动，有多少来自涂膜重量的波动，有多少来自冷压工序自身。改善哪一层、改善哪个参数，对最终结果的收益最大，一目了然。

小结那页PPT说了什么#

PPT在最后的小结里提了几个转变，我觉得说得很到位。

从预测单值到预测分布。不要只盯平均值，要看整个分布长什么样。

从精确预测到窗口预测。不要追求找到那”唯一最优的一个点”，而是找到一个”参数窗口”，在这个窗口里面的任何参数组合，产品分布都能落在规格以内。这对生产现场的容错性非常重要，因为实际操作不可能每次都精确到小数点后两位。

从黑盒模型到白盒模型。用深度学习当然也能拟合出精度很高的预测，但工程师看不懂模型在说什么，不知道该调哪个参数、往哪个方向调。概率性回归模型的每一项系数都有明确的物理含义，工程师可以直接拿来指导生产。

从大数据到小样本与大数据结合。工业现场不像互联网，不是什么数据都有几百万条。很多情况下一次试验只有几十个样本，但历史积累的大数据可以提供先验信息。这两者结合才是工业分析的现实路径。

我做了一个能拖着玩的Demo#

为了让这个概念不停留在PPT上，我写了一个交互网页。模拟了涂布到冷压两道工序，内嵌了400条模拟产线数据。

打开以后左边有四个滑块，分别是涂布速度、刮刀间隙、冷压压力、冷压温度。拖动任何一个，右边的分布曲线会实时变化。你能看到分布在变胖变瘦、在左右移动，同时下面的Cpk和合格率也跟着变。

最直观的玩法是：先点”初始参数”按钮，勾上”显示对比”，然后点”最优参数”。你会看到青色的曲线明显比红色的更窄更居中。这就是概率性建模优化的效果。

试着把涂布速度从3慢慢拖到7，盯着右边那张涂膜重量的分布图。你会看到曲线明显变胖了。然后再看左边极片厚度的分布，也跟着变胖了。这就是波动传递。

这个Demo是一个纯HTML文件，不需要安装任何东西，双击就能在浏览器里打开。我放在星球里了，大家可以下载了自己玩。

Demo下载及更多讨论，扫码加入知识星球「晓风数据锂航」

One more thing，我做的虽然是Demo，但谁说不能部署到产线呢😉