结论先说清楚:产线良率掉下来时,工程师本能地去看「和良率最相关的那个参数」然后调它,但相关性最强不代表它就是原因,调错变量只会让良率在别处反弹。可行做法是改用因果推断:先画一张因果图把混杂因素摆出来,再用 DoWhy 做识别、估计、反驳四步,得到「改这个变量到底能带来多少良率提升」的可信结论。投入上,一个车间把一个关键工序跑通因果分析,通常两到三周,前提是 MES 里已经积累了工艺参数、班次、物料批次与良率的关联数据。最容易踩的坑,是把 observational 数据当实验数据,用相关系数直接下结论,结果把「伴随现象」当成「根因」去改。
相关不是因果:为什么调参经常调错
一条产线上,良率下降的同时,往往多个参数都在变:环境温度、来料批次、班次、设备老化、新操作员。很多参数彼此相关——比如夜班更容易用到新批次料,于是「夜班」和「新批次」同时出现,简单相关系数会把锅甩给其中一个。如果只按相关系数最大的去调,很可能调的是伴随变量,真因被遮住,良率短期看着回来,长期又在别处出问题。更隐蔽的是,某些参数是「结果」而不是「原因」,调它只会改变表面数字,不动真因。
用 DoWhy 建因果图
DoWhy 的核心是先建模再估计:把你对系统的理解画成一张有向图,哪些变量影响处理变量(是否启用新工艺)、哪些同时影响处理和结果(混杂),先写清楚,再去算效应。下面用 sklearn 风格的 API 演示一个最小例子,重点看因果图如何把混杂显式表达出来。
import pandas as pd
import dowhy
from dowhy import CausalModel
# 观测数据:T=是否启用新工序, Y=良率(%), C=班次/来料批次(混杂)
data = pd.DataFrame({
'T': [0,1,1,0,1,0,1,0,1,1],
'Y': [92.1,94.3,93.8,91.7,94.0,92.0,93.9,91.5,94.2,93.6],
'C': [0,1,1,0,1,0,1,0,1,1]
})
graph = '''
digraph {
C -> T;
C -> Y;
T -> Y;
}
'''
model = CausalModel(data=data, graph=graph, treatment='T', outcome='Y')
identified = model.identify_effect()
estimate = model.estimate_effect(identified, method_name='backdoor.linear_regression')
print('平均因果效应:', estimate.value)四步流程:建模、识别、估计、反驳
① 建模:和工艺、设备、质量三方一起画因果图,把公认的混杂(班次、来料、环境)显式写进图;
② 识别:用后门准则判断「在控制哪些变量后,处理对结果的效应可估」,DoWhy 会自动给出识别策略;
③ 估计:选一种估计方法算出效应值与置信区间,看是否显著且量级合理;
④ 反驳:用安慰剂、数据子集、随机共同原因等反驳测试,检验结论是否经得起假设变化。
可复现:接 MES 数据做完整分析
真实场景里数据来自 MES 与质检系统,下面这段把工序切换、班组、来料批次、设备编号和良率拼成一张表,再跑 DoWhy 的四步。重点在第四步反驳——它能在你「以为找到根因」时泼冷水:如果换一批数据、或者把处理变量随机打乱,效应就消失了,那原来的结论并不可靠。
import pandas as pd
from dowhy import CausalModel
# 从 MES 导出的关联表(示意字段)
df = pd.read_csv('mes_yield.csv') # 含 treatment, yield, shift, lot, machine
graph = '''
digraph {
shift -> treatment;
lot -> treatment; lot -> yield;
machine -> treatment; machine -> yield;
treatment -> yield;
}
'''
m = CausalModel(data=df, graph=graph, treatment='treatment', outcome='yield')
est = m.estimate_effect(m.identify_effect(),
method_name='backdoor.linear_regression')
ref = m.refute_estimate(m.identify_effect(), est,
method_name='placebo_treatment_refuter')
print('效应:', est.value, '| 反驳结果:', ref.refute_result)把这套分析与制造执行系统打通后,根因分析不再依赖老师傅的经验,而是变成了可复跑、可审计的流程。遇到良率波动,先跑一遍因果分析,再决定动哪个参数,比直接调参稳得多。更完整的落地可参考制造业智能化方案里的数据底座部分——因果分析能不能跑起来,最终取决于 MES 数据有没有把工艺、班次、批次、设备这几列都留全。
校验清单:别把伴随当根因
① 因果图是否经过工艺与质量双方确认,混杂变量有没有漏;
② 识别策略是否给出可估的估计量,而非「不可识别」;
③ 效应值与业务常识是否同量级,离谱数值先查数据质量;
④ 反驳测试是否至少通过安慰剂与数据子集两项;
⑤ 结论是否落到「可干预变量」,不可干预的(如历史批次)只作解释不作改动。
边界:观测数据的天花板
说明:因果推断依赖你所画的因果图与数据质量,无法替代受控实验;当存在未观测混杂且无法补救时,结论应标注为「提示性」而非「确定性」。DoWhy 的估计需样本量支撑,单工序小批量数据要先做可识别性评估。本文代码为调用骨架,实际字段以企业 MES 导出结构为准。
参考来源
DoWhy: An end-to-end library for causal inference(建模-识别-估计-反驳四步接口) - Microsoft Research / py-why.github.io/dowhy
DoWhy 文档与快速开始(CausalModel、identify_effect、estimate_effect、refute_estimate) - py-why.github.io/dowhy
因果推断与机器学习关联的教程(KDD 2018) - Microsoft Research