MES 工时异常检测-升级版：看板 + 脚本 + 提示词 + 排坑，2 小时干完 2 天的活

🏭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、误报多、难演示的普遍痛点，本文在 3σ+IQR 双重检测算法基础上，新增 ECharts 深色监控看板、可复制提示词模板与 9 条实战排坑笔记。结合智联工坊 360 条工单数据完整演示，附全套可复用 Python 脚本、结构化 JSON 结果、分析报告与 HTML 看板，替换字段即可落地到企业生产场景。

目录

一、开篇：上篇发布后，读者问得最多的 3 个问题

二、数据准备：360 条工单，3 条产线，5 个埋点（回顾）

三、优化更新 1：从"一份报告"到"一个监控看板"

四、优化更新 2：两段可复制提示词，读者改个文件名就能用

五、优化更新 3：9 条排坑笔记——"不注意会怎样"全说透

六、核心算法回顾：按产线分组 + 3σ/IQR 双重判定

七、检测结果：5 个埋点全部检出，无一遗漏

八、产线对比：核心洞察（C线标杆 / B线短板 / A线波动）

九、为什么这个场景价值大？

十、完整交付物清单（更新版）

十一、实在人总结

十二、评论区炸弹

📎 系列导航

【热榜文&精品推荐】

一、开篇：上篇发布后，读者问得最多的 3 个问题

兄弟们，上一版《MES 工时异常检测：WorkBuddy 自动排查》发出后，后台和评论区炸了——数据、脚本、报告全公开，很多兄弟直接拿去跑通了。

但问得最多的问题，就三个：

"脚本跑完了，报告也出了，怎么给老板演示？" —— 总不能把 Markdown 报告直接贴到周会上吧？大家要的是"一眼能看懂"的看板。

"提示词能不能直接复制？我懒得自己写。" —— 上一版只贴了原始需求，很多人还是不知道该怎么把"分析 + 做看板"两步串起来。

"你踩过的坑能不能提前说？" —— 有兄弟照着 3σ 跑，结果把好产线全标红了，跑完发现阈值不对，白干。
所以这一版，我不改核心算法（那套是对的），只做三件事：

✅ 新增 ECharts 深色监控看板（HTML，双击即开，给老板演示用的）

✅ 新增两段可复制提示词（分析 + 看板，改个文件名就能用）

✅ 新增 9 条排坑笔记（每条都写清楚"不注意会怎样"）

读完本文你将获得：

• 可直接给管理层演示的 MES 异常监控看板（HTML）
• 两段复制即用的提示词模板（分析 / 看板）
• 9 条用真金白银换来的踩坑笔记
• 上版核心：3σ+IQR 双重检测脚本 + 产线分组方法论

二、数据准备：360 条工单，3 条产线，5 个埋点（回顾）

本次分析依然沿用智联工坊的同一批数据：时间范围为 8 月 1 日至 15 日，共计 360 条工单，覆盖 3 条产线、9 种产品。

数据字段包括：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。

为了验证检测算法的有效性，我在数据中预先埋设了 5 个异常点，用以检验系统能否将它们全部识别出来。

三、优化更新 1：从"一份报告"到"一个监控看板"

上一版交付的是 Markdown 报告，这一版 WorkBuddy 直接生成了 HTML 监控看板，双击就能在浏览器打开，深色管理后台风格，给老板演示完全不掉价。

看板包含 4 个模块：

① 4 个 KPI 卡片（一眼看全局）

② 产线对比柱状图（3 指标并排）

用 ECharts 画了三个并排小柱状图——平均效率 / 平均不良率 / 平均停机时长。为什么分开画？因为三个指标量纲完全不同（效率是 0~1，不良率是 %，停机是分钟），画在一个图里柱子会被压成一条缝（见排坑笔记 #3）。

③ 异常类型 × 产线 堆叠柱状图

同一张工单可能同时命中多类异常（比如 WO-20260801-001 既是效率异常又是不良率异常），用堆叠图能看出"哪条产线的哪类问题最集中"。

④ 异常工单明细表（含判定依据）

每行一条异常工单，列：工单编号、日期、产线、产品型号、异常类型（多类标签并列）、关键数值、判定依据（具体到"低于 3σ 下限 0.736"这种程度）、等级徽章（严重红 / 边缘黄 / 观察绿）。

这一版的升级点：判定依据不再是"是/否"，而是精确到阈值。 老板问"为什么这条算异常"，你直接指给他看："效率 0.541，低于这条产线的 3σ 下限 0.736，超了 26%。"——这就是从"数据展示"到"数据解释"的差距。

四、优化更新 2：两段可复制提示词，读者改个文件名就能用

上一版（查看链接）很多人问提示词，这一版直接给成品。两段提示词，把<尖括号>里的内容换成你自己的文件名/字段名，复制给 WorkBuddy 就能跑。

提示词 ①：MES 工单异常分析（输出报告 + JSON）

请分析工作目录下的 <你的数据文件名>.xlsx（例如 mes_work_order_data.xlsx）， 这是一个 <行业/场景描述，如：MES 生产工单> 数据集，找出其中的异常情况。 数据字段说明： - 工单编号：唯一标识 - 日期：生产日期 - 产线：<你的产线字段值，如：A线/B线/C线> - 产品型号：产品型号 - 计划工时：标准计划工时（分钟） - 实际工时：实际消耗工时（分钟） - 产出数量：合格产出数量 - 不良率：不良率（%） - 停机时长：设备停机时长（分钟） 请从以下维度进行分析： 1. 工时效率异常：效率 = 计划工时 / 实际工时，找出效率严重偏低的工单 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：各产线的效率、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 检测方法要求（重要）： - 必须按产线分组后再做异常判定（不同产线基准不同，全局检测会误判） - 每组内用 3σ 原则 + IQR 箱线图双重判定，取并集（3σ 对偏态分布不敏感，IQR 兜底） - 效率/产出数量只判"偏低"方向；不良率/停机时长判"偏高"方向 - 异常分三级：严重（超 3σ）/ 边缘（仅超 IQR）/ 观察（方向性离群，如不良率偏低属良性） - 同一工单命中多类异常时合并为一行，不要重复计数 - 额外检测产出数量是否偏低（与不良率联动） 输出要求： 1. 用表格展示异常数据，标注异常类型与判定依据 2. 文字总结核心发现 3. 按优先级排序的改进建议（3~5 条） 4. 同时输出一份结构化 JSON（含数据概览、各维度异常明细、产线对比、按日趋势），保存为 anomaly_result.json

提示词 ②：生成 MES 异常监控 HTML 看板

请根据工作目录下的 <分析结果文件>.json（例如 anomaly_result.json）生成一个 HTML 监控看板，用于展示 MES 工单异常监控结果。 数据说明： - JSON 中包含 overview（总记录数、时间范围、产线分布）、 efficiency_anomaly / defect_anomaly / downtime_anomaly / output_anomaly （各维度异常工单明细，含判定依据）、line_comparison（产线对比指标）、 daily_trend（按日趋势）等字段 看板要求： 1. 深色管理后台风格（背景深蓝黑、卡片式布局、全局深色主题） 2. 4 个 KPI 卡片：总工单数、异常工单数（按工单编号去重）、异常率、待处理数 （待处理 = 严重/明显等级的异常工单数） 3. 产线对比柱状图：用 ECharts 展示各产线平均效率、平均不良率、平均停机时长 （三个指标量纲不同，用三个并排小图，各自独立坐标轴） 4. 异常类型 × 产线 堆叠柱状图（同一工单命中多类异常按检出计数） 5. 异常工单明细表格：工单编号、日期、产线、产品型号、异常类型（多类用标签并列）、 关键数值、判定依据、等级徽章（严重=红 / 边缘=黄 / 观察=绿） 6. 表格按"严重在前、日期升序"排序；同一工单多类异常合并为一行 7. ECharts 用 CDN 引入（https://cdn.jsdelivr.net/npm/echarts@5/dist/echarts.min.js）， 页面不依赖本地服务，浏览器双击 index.html 即可打开 8. 图表配色与深色主题一致（图表坐标轴、图例、tooltip 均为深色系）

组合使用流程： 先跑 ① 得到报告 + JSON → 再跑 ② 得到看板 → 双击看板演示。

【老蒋经验谈】

做了二十多年工厂信息化项目，我最深的感受是：算法本身从来不是难点，难的是落地不翻车。这 9 条坑，每一条都是我或者同行真实踩过的 —— 有的上线了才发现全是误报，有的给老板汇报时 KPI 对不上直接穿帮。 把这些写出来，就是不想大家再走一遍弯路。做制造业数字化，稳比快重要。

五、优化更新 3：9 条排坑笔记——"不注意会怎样"全说透

这 9 条坑，是我这一版实战里真实踩过的，也是读者最容易翻车的点。每条都按"坑 → 不注意会怎样 → 正确做法"写清楚。

排坑速查表：

说明：为了确保主题文章内容过于冗长，我把具体的排坑内容整理到一起了，请参考：

MES 异常检测全是误报和漏检？3σ+IQR 分组判定，9 个坑一次说清（附速查表）

六、核心算法回顾：按产线分组 + 3σ/IQR 双重判定

上一版的方法论不变（链接回顾），这里是完整代码：

#!/usr/bin/env python3 # -*- coding: utf-8 -*- """ 环境依赖 Requirements: - Python 3.10+ - pandas >= 2.0 - openpyxl >= 3.1 模块名: analyze_mes_work_order.py 作者: 制造业数据与AI践行者老蒋 | CSDN: https://blog.csdn.net/javy21 专栏归属: AI赋能数据开发工程手册 核心问题: MES 工单数据中如何系统性识别工时效率、质量、设备三类异常 解决方案推演: 1. 工时效率异常 → 效率=计划工时/实际工时，按产线 3σ 下限判定（不同产线基准效率不同） 2. 质量异常 → 不良率按产线分组 3σ + IQR 双重判定，避免跨产线基准差异导致误判 3. 设备异常 → 停机时长按产线分组 IQR 判定，尾部长尾分布更适用分位数法 案例溯源: 智联工坊（虚拟工厂）交互屏组装A线/传感器组装B线/成品测试C线 MES 工单 适用周次: 第 4 周 """ import json import logging from pathlib import Path from typing import Any, Dict, List, Tuple import numpy as np import pandas as pd # --------------------------------------------------------------------------- # 配置区（对应规范 §7：路径统一用 pathlib，参数集中管理） # --------------------------------------------------------------------------- BASE_DIR: Path = Path(__file__).resolve().parent INPUT_FILE: Path = BASE_DIR / "mes_work_order_data.xlsx" OUTPUT_FILE: Path = BASE_DIR / "anomaly_result.json" # 异常判定阈值配置（可调参数集中管理，便于现场标定） CONFIG: Dict[str, Any] = { "sigma": 3.0, # 3σ 原则 "iqr_k": 1.5, # IQR 箱线图系数（1.5 为经典取值） "min_rows_group": 10, # 分组样本量下限，低于此样本不判异常 } logging.basicConfig( level=logging.INFO, format="%(asctime)s | %(levelname)s | %(message)s", datefmt="%Y-%m-%d %H:%M:%S", ) logger = logging.getLogger("mes_analyzer") # --------------------------------------------------------------------------- # 数据加载 # --------------------------------------------------------------------------- def load_work_orders(file_path: Path) -> pd.DataFrame: """ 加载 MES 工单 Excel 并做基础清洗。 设计思路: 数值列强制转 float 并保留原始不良率百分比口径（%）， 日期列转 datetime 以便后续按日聚合。 Args: file_path: Excel 文件路径 Returns: 清洗后的工单 DataFrame；文件不存在或解析失败时抛出异常 Raises: FileNotFoundError: 输入文件不存在 """ if not file_path.exists(): raise FileNotFoundError(f"输入文件不存在: {file_path}") df = pd.read_excel(file_path) num_cols = ["计划工时", "实际工时", "产出数量", "不良率", "停机时长"] for col in num_cols: df[col] = pd.to_numeric(df[col], errors="coerce") df["日期"] = pd.to_datetime(df["日期"]) df["效率"] = (df["计划工时"] / df["实际工时"]).round(3) logger.info("数据加载完成: %d 条记录", len(df)) return df # --------------------------------------------------------------------------- # 异常检测工具函数 # --------------------------------------------------------------------------- def detect_by_3sigma(series: pd.Series, sigma: float = 3.0) -> pd.Series: """ 按 3σ 原则判定异常: |x - mean| > sigma * std 视为异常。 设计思路: 正态分布下 3σ 覆盖 99.7% 数据，超出即为离群； 对偏态分布(如停机时长)会偏保守，配合 IQR 方法互补使用。 Args: series: 待检测数值序列 sigma: σ 倍数，默认 3.0 Returns: 布尔 Series，True 表示异常 """ 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 def detect_by_iqr(series: pd.Series, k: float = 1.5) -> pd.Series: """ 按箱线图 IQR 原则判定异常: 超出 [Q1-k*IQR, Q3+k*IQR] 视为异常。 设计思路: 不依赖正态假设，对偏态/长尾分布更稳健； 上下界分别计算，可只关注上尾（如停机时长只判过高）。 Args: series: 待检测数值序列 k: IQR 倍数，默认 1.5 Returns: 布尔 Series，True 表示异常 """ 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) def detect_anomalies_per_group( df: pd.DataFrame, group_col: str, value_col: str, lower_tail: bool = False ) -> pd.DataFrame: """ 按产线分组执行 3σ 与 IQR 双重检测。 设计思路: 三条产线基准差异明显（如 C 线不良率基准 1% vs B 线 2.5%）， 全局检测会误伤低基准产线，必须分组后检测； 两法取并集以提高召回，但样本过少的组直接放行。 Args: df: 工单 DataFrame group_col: 分组列名（产线） value_col: 待检测数值列名 lower_tail: 是否只关注下尾（True 表示只判过低，如效率） Returns: 仅含异常记录的子 DataFrame，新增 anomaly_type 列 Raises: ValueError: 分组样本量低于 min_rows_group 时抛错提示 """ results: List[pd.DataFrame] = [] for group, sub in df.groupby(group_col): if len(sub) < CONFIG["min_rows_group"]: logger.warning("分组 %s 样本量 %d 不足，跳过检测", group, len(sub)) continue flag_3sigma = detect_by_3sigma(sub[value_col], CONFIG["sigma"]) flag_iqr = detect_by_iqr(sub[value_col], CONFIG["iqr_k"]) if lower_tail: flag_3sigma = flag_3sigma & (sub[value_col] < sub[value_col].mean()) flag_iqr = flag_iqr & (sub[value_col] < sub[value_col].median()) mask = flag_3sigma | flag_iqr if mask.any(): hit = sub[mask].copy() basis = np.where(flag_3sigma[mask], "3σ", "IQR") hit["判定依据"] = basis + ("(偏低)" if lower_tail else "") results.append(hit) if not results: return pd.DataFrame() return pd.concat(results, ignore_index=True) # --------------------------------------------------------------------------- # 四维分析入口 # --------------------------------------------------------------------------- def analyze_efficiency(df: pd.DataFrame) -> pd.DataFrame: """工时效率异常检测: 效率=计划/实际，只关注严重偏低工单。""" return detect_anomalies_per_group(df, "产线", "效率", lower_tail=True) def analyze_defect(df: pd.DataFrame) -> pd.DataFrame: """质量异常检测: 不良率(%) 按产线分组，双向(过高/过低)检测。""" return detect_anomalies_per_group(df, "产线", "不良率", lower_tail=False) def analyze_downtime(df: pd.DataFrame) -> pd.DataFrame: """设备异常检测: 停机时长(分钟) 按产线分组，双向检测。""" return detect_anomalies_per_group(df, "产线", "停机时长", lower_tail=False) def analyze_line_comparison(df: pd.DataFrame) -> pd.DataFrame: """ 产线横向对比: 聚合效率/不良率/停机时长均值。 设计思路: 用均值+变异系数(CV)描述各组水平与稳定性， CV 高说明该产线波动大，管理一致性差。 """ agg = ( df.groupby("产线") .agg( 工单数=("工单编号", "count"), 平均效率=("效率", "mean"), 效率波动CV=("效率", "std"), 平均不良率=("不良率", "mean"), 不良率最大值=("不良率", "max"), 平均停机时长=("停机时长", "mean"), 停机时长最大值=("停机时长", "max"), 平均产出=("产出数量", "mean"), ) .round(3) .reset_index() ) agg["效率波动CV"] = (agg["效率波动CV"] / agg["平均效率"] * 100).round(1) return agg def analyze_daily_trend(df: pd.DataFrame) -> pd.DataFrame: """按日期聚合各产线日平均效率/不良率/停机时长。""" return ( df.groupby(["日期", "产线"])[["效率", "不良率", "停机时长"]] .mean() .round(3) .reset_index() ) def build_report(df: pd.DataFrame) -> Dict[str, Any]: """ 汇总全部分析结果，输出可序列化字典。 Args: df: 清洗后的工单 DataFrame Returns: 含概览/异常明细/产线对比/日趋势的嵌套字典 """ eff_anomaly = analyze_efficiency(df) defect_anomaly = analyze_defect(df) down_anomaly = analyze_downtime(df) # 产出数量异常（质量/产能联动，按产线 3σ 偏低） output_anomaly = detect_anomalies_per_group(df, "产线", "产出数量", lower_tail=True) report: Dict[str, Any] = { "overview": { "total_records": int(len(df)), "date_range": [df["日期"].min().strftime("%Y-%m-%d"), df["日期"].max().strftime("%Y-%m-%d")], "line_distribution": df.groupby("产线")["工单编号"].count().to_dict(), "product_count": int(df["产品型号"].nunique()), }, "efficiency_anomaly": _to_records(eff_anomaly), "defect_anomaly": _to_records(defect_anomaly), "downtime_anomaly": _to_records(down_anomaly), "output_anomaly": _to_records(output_anomaly), "line_comparison": _to_records(analyze_line_comparison(df)), "daily_trend": _to_records(analyze_daily_trend(df)), } return report def _to_records(frame: pd.DataFrame) -> List[Dict[str, Any]]: """DataFrame 转 JSON 友好记录列表（日期/NumPy 类型统一转换）。""" if frame is None or frame.empty: return [] out = frame.copy() if "日期" in out.columns: out["日期"] = out["日期"].dt.strftime("%Y-%m-%d") return out.astype(object).where(pd.notnull(out), None).to_dict(orient="records") def main() -> None: """主流程: 加载 → 分析 → 落盘 JSON → 打印概览。""" df = load_work_orders(INPUT_FILE) report = build_report(df) OUTPUT_FILE.write_text( json.dumps(report, ensure_ascii=False, indent=2), encoding="utf-8" ) logger.info("分析完成，结果已写入 %s", OUTPUT_FILE) for key in ("efficiency_anomaly", "defect_anomaly", "downtime_anomaly", "output_anomaly"): logger.info("%s: 检出 %d 条", key, len(report[key])) print("\n=== 产线对比 ===") print(pd.DataFrame(report["line_comparison"]).to_string(index=False)) if __name__ == "__main__": main()

关键设计：按产线分组检测，而非全局检测。各产线基准差异如下，全局检测必然误判：

七、检测结果：5 个埋点全部检出，无一遗漏

5 个预设异常，全部检出，无一遗漏。（另检出 3 条IQR 边缘异常 + 1 条良性离群，看板中分级展示）

八、产线对比：核心洞察（C线标杆 / B线短板 / A线波动）

以下为 WorkBuddy 生成报告原文。

C 线是标杆：效率最高、不良率最低（不到 B 线 1/3）、停机最少、波动最小。

B 线是短板：效率比 C 线低 7.5 个百分点，不良率是 C 线 2.8 倍，平均停机是 C 线 2 倍——四指标全线下滑，系统性问题而非偶发。

A 线波动最大：效率 CV 6.4% 三线最高，生产一致性差；两次严重效率异常均伴随停机，停机是 A 线效率损失主因。

趋势结论：异常集中爆发于 8/1~8/2（月初产能爬坡期），4/5 埋点集中在开月前两天，之后各线回归稳态；B 线"高不良率 + 高停机 + 低效率"为全期常态。

九、为什么这个场景价值大？

这个案例的本质：从"手工查数"到"自动化异常监控"，再到"能解释、能演示、能复用"。

十、完整交付物清单（更新版）

💡 适用说明

本方案适配离散制造业工单级异常检测（电子组装、汽配加工等），默认适配日维度 / 工单维度数据； 流程行业（化工、冶金）需调整指标体系，分钟级时序数据需增加滑动窗口做平滑处理； 看板为静态单文件，如需实时刷新可搭配定时任务每日自动生成。

十一、实在人总结

怕你忘了，我再啰嗦一遍：

1. 这一版把"分析"升级成了"产品"。 从脚本到报告到看板，从"能用"到"好用"——给老板演示、给团队复用、给下周数据重新跑，一条龙。

2. https://blog.csdn.net/javy21/article/details/163703388。 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 抓极端离群，IQR 抓边界越界，取并集覆盖更全——这也是排坑笔记第一条。

4. 提示词要"给读者留好替换位"。 把文件名、字段名、口径说明都写进提示词里，读者改个尖括号就能用，这才叫可复现。

5. 踩坑笔记的价值，比脚本本身还大。 脚本是"答案"，踩坑笔记是"为什么这么答"——知道坑在哪，才敢在自己的数据上动手。

十二、评论区炸弹

兄弟们，这一版把 MES 异常检测的完整闭环公开了：数据、脚本、报告、看板、提示词、排坑笔记，全都有。

现在轮到你们了：

你们的 MES 数据做异常检测，现在卡在哪一步？

A. 不知道"异常"怎么定义，全靠老师傅经验

B. 有脚本但跑出来全是误报，不敢用

C. 能检出异常，但给老板演示拿不出手

D. 我们做得比这还牛（大佬求带）

全套 6 份交付物（脚本 + JSON + 报告 + 看板 + 提示词 + 排坑笔记），评论区留言「MES 全套」我直接发你，不用自己凑。

够意思吧？评论区见！👇

后续大家用的时候遇到什么新坑，也欢迎评论区告诉我，我持续更新进去，咱们一起把这套方案磨得更实用。

📌 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、监控看板、提示词模板、排坑笔记均已随文章公开。

📎 系列导航

专栏：制造业数据与AI落地实战 AI赋能数据开发工程手册

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）

【热榜文&精品推荐】

TOP1、我用 WorkBuddy 分析了 30 篇 CSDN 博客，发现 3 个反直觉的流量真相

TOP2、还在翻 git log 写周报？WorkBuddy 一键生成结构化周报

TOP3、老攻城狮的AI开发环境搭建全记录：从零到跑通本地大模型（一日速通版）

TOP4、LangChain Agent 反复调用工具死循环？结构化返回 + Prompt 规则

TOP5、智联工坊实战：多工具协同Agent，让AI像人类一样规划与执行复杂任务

TOP6、代码审查不想得罪人？WorkBuddy 先做第一轮审查