大数据时代的到来，如何发掘已有数据库价值，利用相关性分析为产品加工问题提供理论指导、不断提升产品质量成为关键。本文通过介绍数据库整合及二次清洗，运用相关性分析、强相关性项目策略，结合实际情况简要介绍了机加工质量数据相关性分析的过程。
在当今大数据时代，人们开始正视现有的大量数据。与传统的采样样本、随机样本相比，大数据分析针对全体数据或者是和某个特定现象相关的所有数据（图1）。如何发掘已有数据的内在联系，相关性分析为我们提供了简单而精确的理论支持。
加工线质量数据包括CMM数据、离线检具数据、在线测量数据、拧紧数据、压装数据及试漏数据等，如何利用已有的数据更好地指导生产、提升产品质量是我们的出发点。
机加工质量数据相关性分析过程分为四步骤进行: 数据库整合及二次清洗、相关性分析、强相关性项目策略以及经验固化和推广应用。
数据库整合及二次清洗
进行机加工质量数据相关性分析之前，先要将已有的数据库内容进行整合和数据二次清洗，将数据中异常数据剔除。
为方便CMM或者检具操作，加工线中的数据通常按照加工工序分组。数据整合主要是将不同的数据组进行组合，便于分析。将不同特征的数据从Q-DAS数据库中提取出来，提取的同时要将每组数据的附加信息全部保留。如图2所示，这些附加信息包括数据对应的时间、日期、零件ID及检验工具的编号等。数据整合可以按照零件ID进行整合（图3），同一零件对应的所有零件信息归为一组。后续数据分析的过程如需分析其他附加信息列，在已有整合数据进行重新筛选排列组合即可。
数据二次清洗主要是将数据组中的不完整数据、存在异常的数据剔除。数据异常的判别方法有两种：一种为物理判别法，判别由于已知因素造成的实测值偏离正常结果，例如已知设备调整、零件批次变化等数据可以直接剔除；另一种为统计判别法，将给定一个置信概率，并确定一个置信限，凡超过此限的误差，就认为它不属于随机误差范围，将其视为异常值剔除。通常采用判异方法可以依据拉依达准则、格拉布斯准则以及狄克逊准则等。在物理识别不易判断时，我们通常采用统计判别法。当然，已经剔除的异常值本身也可能潜在部分有价值信息。这是数据清洗本身无法避免的弊端。
数据相关性分析
数据清洗处理之后，需要对处理后的数据进行相关性分析。进行相关性分析的数据可以针对全体数据，也可以是针对和某个特定现象相关的所有数据。
常用的相关性分析的方法有：皮尔逊相关系数，主要用于变量间线性相关的分析；斯皮尔曼等级相关系数，主要用于变量间非线性相关的分析；肯德尔相关系数，主要用于分类变量的分析。
相关系数中也会出现负值，负值表示负相关，正值表示正相关（图4）。相关系数绝对值处在0.8～1为极强相关，0.6～0.8为强相关，0.4～0.6为中等相关，0.2～0.4为弱相关，0～0.2为极弱相关。
强相关数据策略
针对已经发现的极强相关、强相关数据内容，应进一步制定策略（图５），指导设备调整、工艺控制。极强相关项目集中在同工序尺寸、位置关联尺寸、圆度及圆跳动等尺寸。强相关内容主要包括毛坯、设备间影响尺寸等。针对不同相关项目，应逐一制定工艺控制方案。
例如：对于毛坯来料尺寸影响产品质量项目，可以将毛坯控制尺寸设为PQC项目，避免来料质量变化对产品的影响；同时也可以对来料部分项目加严抽检，发现问题，及时筛选。对于工序间尺寸间强相关项目，可以采取收严过程尺寸公差，加严过程管控，发现趋势及时调整。设备调整后，需要进行质量数据的二次验证，为后续调整提供依据。对于分类变量例如：人员、设备和停机等强相关项目，可以针对变量本身加强控制。之后还要加强人员培训管理，定期维护保养设备，确认停机后设备状态等措施，避免这些分类变量引起的质量差异，提升过程质量的稳定性。
举个具体的例子：缸盖线DECK FACE面距离W点的距离是保证发动机燃烧室容积的重要尺寸（图6），该尺寸加工通常分几步进行：①以毛坯基准定位，测量W点，进行半精加工凸轮轴罩盖面（基准A’）铰工艺定位销孔(基准E、F)；②以凸轮轴盖面及工艺定位销孔为基准，半精加工DECK FACE面（基准B’）及该面定位销；③探测DECK FACE面（基准B’），精铣凸轮轴盖面（基准A）。这几个工步分配在不同的工序进行。相关性分析结果表明对应的各工序间相关性强。如何保证燃烧室容积满足最终产品要求，以及如何提升过程稳定性是关键问题。
1）确认来料W点满足毛坯要求：①每个W点的偏差+手动调整值必须在±0.3mm之内；②3个点两两之间偏差值必须在±0.3mm之内；③3个点偏差值的平均值写入主程序，通过运算将值带入各个工艺相关的坐标。
2）收严半精加工的公差，由0.125mm收严至0.075mm，保证最终产品满足产品要求。
3）加严过程监控，探测F1000面过程控制内容，将该内容列入该工序刀具补偿内容并同时增加控制线输出给前工序，发现DECK FACE面和凸轮轴罩盖面半精加工尺寸同时偏大或者偏小及时调整。
以上措施实施完成后，DECK FACE面距离W点距离尺寸得到完美控制，过程能力稳定在PPK2.0以上。
经验固化和推广应用
在机加工质量数据相关性分析的过程中，需要将已经发现的强相关项目调整方法固化并推广应用。
例如：温度变化与部分尺寸间存在强相关关系。切削液温度控制在多少摄氏度对过程能力稳定没有影响？经过数据验证，20℃后开始加工，过程能力可以满足要求。将20℃要求固化到设备参数内，当切削液温度达到20℃，设备允许起动。
再例如：拧紧某螺栓力矩非连续报警。数据分析发现报警全部由A班某固定员工预拧紧。经验证该员工预紧方法与其他员工存在差异。规范该岗位作业指导手册，该螺栓预紧方式应为仅允许预紧2～3扣。
总结
数据相关性分析和应用是一个不断开发新方法、不断发现新联系、不断处理新问题以及不断提升质量的过程。引用维克托·迈克·舍恩伯格的话“在大数据的背景下，相关关系大放异彩。”机加工质量数据相关性分析将为质量稳定提供理论基础，必将指导我们在提升产品质量的道路上继续前行。
拓展阅读
