4. 制造过程数据的概率建模与随机效应分析

在制造过程的实验与研究中，过程数据始终存在固有变异，这类变异由确定性效应与随机效应共同构成。对制造过程开展量化分析的核心，在于从原始数据中剥离两类效应、建立随机效应的概率模型，进而将无明显规律的噪声数据转化为可用于过程预测与优化的分析工具。本文将系统介绍制造过程数据的分析逻辑、确定性与随机效应的分离方法，以及基于连续概率分布的随机效应建模流程，为统计过程控制与过程优化奠定理论和方法基础。

1. 制造过程分析的核心目标：从数据到可行动的概率建模

实验室与实际生产中的制造过程数据均存在显著变异，这类变异既可以通过直观观察识别，也能通过量化数据验证。对制造过程的后续分析，将完全以过程输出数据为核心驱动，而本周分析的核心目标，是将定性的过程观察与原始数据转化为可行动的分析结果，并最终实现过程优化。

实现这一目标的关键路径，是将对数据的定性理解转化为用于过程预测的概率函数：首先从数据中分离确定性效应与随机效应，再通过频率直方图对随机效应进行离散化表征，进而过渡到连续概率函数的构建，最终依托连续概率理论与统计学方法完成制造过程的随机效应建模。需要说明的是，本阶段将聚焦于随机效应的建模，而确定性效应（含人为可控的有意效应）的建模将在后续研究中展开。

完成概率模型构建后，还需通过各类检验方法验证模型与实际数据的拟合度，确保模型能有效表征过程的随机变异，最终利用验证后的模型实现对过程未来输出的大概率值预测，这也是统计过程控制的重要前提。

2. 制造过程的变异构成：确定性效应与随机效应的分离

制造过程的总变异由确定性效应和随机效应共同组成，二者的成因、表征与可解释性存在本质差异，是过程分析中需要首先区分的核心概念。

2.1 确定性效应的成因与表征

确定性效应源于过程中可识别、可解释的可控因素或已知扰动，其对过程输出的影响具有明确的因果关系，是可以通过人为干预调整或消除的变异。 制造过程中的确定性效应主要来自三类因素：

确定性效应的典型表征是过程数据存在可识别的趋势、突变或与已知因素的强相关性。例如在车削加工实验中，零件的内、中、外测量位置与加工尺寸存在明确关联，数据呈现出周期为3的规律性波动；在折弯加工中，铝/钢两种物料、0.3/0.6英寸两种冲头深度会让数据聚集在四个不同的操作点，形成明显的组间差异；在注塑成型中，高/低两种冷却速率会直接导致过程输出的均值差异。这些均是确定性效应的典型体现。

2.2 随机效应的成因与表征

随机效应是制造过程中无法分配具体成因、无明确规律的变异，其源于过程中不可识别的微小扰动，是消除所有确定性效应后仍存在的固有变异。 当固定所有制造条件、消除所有可识别的确定性效应后，过程数据仍会呈现无规律的波动，且连续的观测值之间无明显的前后关联性、无时间或位置上的可识别模式，这类变异即为纯随机效应^[1][2]。例如车削加工中，单独提取零件外圆的测量数据并消除进给量的确定性影响后，数据无明显趋势，仅呈现无规律波动；注塑成型中，固定冷却速率后，过程输出仍存在大量无关联的变异性。

2.3 效应分离的核心方法与步骤

分离确定性效应与随机效应是构建随机概率模型的前提，核心通过数据可视化与针对性数据处理实现，具体步骤为：

制造过程的总变异可通过公式表征为： $$Y=f(X,D)+\epsilon$$ 其中，$Y$为过程输出值，$X$为可控输入变量，$D$为可识别的确定性扰动，$f(X,D)$为确定性效应的函数表达，$\epsilon$为随机效应带来的噪声项，即纯随机变异。

3. 随机效应的概率建模：从离散直方图到连续概率分布

对消除确定性效应后的纯随机数据，需通过离散表征→连续过渡→模型构建的步骤建立概率模型，实现对随机效应的量化描述，这也是将噪声数据转化为数学分析工具的核心环节。

3.1 频率直方图：随机数据的离散化表征

建模的起点是频率直方图，其核心是放弃对单个数据点的分析，将数据划分为若干连续的区间（组距），统计每个区间内的数据频次（频率），通过区间的频率分布表征随机数据的整体分布特征。 频率直方图能直观展现随机数据的聚集特征与波动范围，例如在激光蚀刻的表面粗糙度实验中，固定所有加工条件后，表面粗糙度数据的直方图呈现中间聚集、向两侧逐渐衰减的特征，这为后续连续概率分布的选择提供了直观依据。