做數學和編程的“調味師”

我是一個思維跳躍但是肉體懶惰的人，不喜歡簡單的重復。2016年春天，機緣巧合下我有幸看到了吳軍的《數學之美》。書中介紹了在解決問題時如何化繁為簡，如何用數學和編程去解決工程問題，如何跳出固有思維不斷去思考創新。數學+編程所展示的“簡單粗暴”的效果，讓我深受震撼，心中將“數學+編程”應用到質量工作中的小火苗已經躍躍欲試。

2016年秋，我有幸加入華為，華為高壓力快節奏的工作和全面詳細的數據好像催化劑和助燃劑，“嘭”的一下，心中的小火苗一下變為了火炬，指引我踏上了新式質量管理之路。

一個“宏”減了一個人的工作量

2018年1月26日，某產品功能測試不開工累計xx pcs，切片發現單板上的晶振內部小晶體焊點有裂紋，經問題攻關小組共同決策，必須緊急隔離產品7000余件，其中理貨中即將發運的產品1400件，涉及數百個合同。此時正值春節前發貨高峰，而且馬上是小周末，浪費1分鐘就可能導致貨物無法及時裝車，海/陸/空運都會延誤，對交付產生巨大影響。要從眾多物料中從中找出這些不良品，時間緊、任務重，該怎么辦？

作為一名PQE（產品質量工程師），我是生產質量問題發生時的“指揮官”，必須hold住全場。我第一時間向MQE（物料質量工程師）、車間、質檢和庫房領導求助，擠出一支由來研發制造實踐的產品經理、車間維修工段長、質檢檢驗員、庫房操作員、質量工程師和技術員組成的12人“混編連”，撲向了“戰場”——R3-1F高架庫。

戰斗剛打響，我們已經做好明確的分工：這12個人中，庫房兩位同事負責用叉車將產品從立庫移下來，剩下的人分為兩組，每組1人掃描條碼、1人監控電腦上的數據，提醒是否為不良品，1人根據指令粘貼良品/不良品標簽，2人搬運并區分開良品和不良品。但是30分鐘后，我們發現這樣行不通。只分兩個組效率太低了，預計需要通宵才能搞定；但是分三個組人員又不夠，已經沒人能支援了，怎么辦？繼續用“血肉”硬拼嗎？

此時我頭腦里靈光一閃，為什么要專人區分是否是不良，難道不能讓系統自動提醒嗎？我想起以前做過一個能夠自動播放音樂的“宏”，是否能改造利用下，當掃描到不良時讓電腦自動播放聲音提醒呢？這樣不就省一個人了嗎？

經過15分鐘修改和測試，我在Excel 2016中實現了“VLOOKUP查找條碼+IF語句判定是否不良+宏自動播放告警聲音”的功能。于是我們重新劃分為4個作戰小組：每組1人掃描條碼，1人根據提示音粘貼良品和不良品的標簽。剩下2人專門區分搬運，2個人繼續從立庫上將風險品換下來。

經過8個小時鏖戰，我們終于在晚上19:40完成了全部庫存產品的清理和區分，可以保障正常發貨了。

事后大家感嘆，沒想到“隔離”還可以這樣玩，原來預估30多個小時的工作量，8個小時就完成了，真的是“科技是第一生產力”啊！

勝利后的合影

“Python”菜鳥的初戰

其實，這已經不是我第一次用編程解決問題了。

2016年12月，我還是一個剛來3個月的“菜鳥”。當時的主管猛哥問我：“咱們部門的大數據質量預警接口 交給你，有沒有信心搞好？”我真是又驚又喜：驚的是這可是一級部門重點項目的重要子項目，我能行嗎？喜的是數據分析和預警正是我擅長和感興趣的，而且領導又如此信任我。雖然有點意外，我還是決定接下這個重擔。

當時可用的預警只有交驗不良預警和測試項預警，而測試項預警只推送給單板測試工藝人員。把測試項預警推送給PQE，就是我第一個任務。

當我信心滿滿沖上去的時候，一盆冷水兜頭澆下來：這么多編碼，怎么配啊？原來，測試項預警需要按編碼+工序+團隊來配置預警，不同級別對應不同門限，又需要根據編碼歸屬的產品線，分配給不同的團隊。復雜的配置邏輯，光是“Ctrl+C”、“Ctrl+V”都要很久，根本無法下手，這可怎么辦？

我毫無頭緒地回到家，預警配置的難點依然不斷在腦袋里閃現。洗澡的時候我突然想到：多表關聯且有固定的配置邏輯，為什么不用編程自動生產一個表單，來解決這個問題呢？我趕緊洗完澡，從沙發下面翻出《Learn Python the Hard Way》和《利用Python進行數據分析》，簡單過了下內容，發現果然可以這樣實現！當晚我興奮地裝好Anaconda，配置好環境，凌晨3:00，終于放心地睡覺了。

從這天起，每晚我都會抽出時間一邊翻書一邊寫代碼。一個星期后，第一版300+行的代碼終于完成了！手工+代碼半自動地實現了9個基表14種邏輯到一張配置基表的轉化，成功將測試項預警運轉了起來。后來我又不斷進行迭代和重構，經過十幾個版本的修補，終于形成了現在穩定的420行代碼。有了它，就可以實現根據加工量篩選，根據不同產品設置不同門限推送不同團隊，并自動與上一期配置表做增量對比的自動配置功能，成功將配置時間從40小時/次降低到了5分鐘/次。

大數據質量預警的出色表現，讓我們獲得了2017年華為質量獎制造質量獎三等獎。作為團隊中的一分子，我感到特別驕傲。

截至2018年6月，這段代碼已經運行了60多次，使測試項預警覆蓋了7940個常用編碼，占全年總測試量的99.58%，也實現了泛網絡產品功能測試類批量問題100%預警攔截的壯舉，成功避免xxxK pcs物料上板造成返工。我也經常被制造IT的兄弟調侃：“最煩你們這種懂代碼的業務，需求太多了！”

數學建模實現零缺陷

制造每天大約產生一萬條維修數據，如何從茫茫數據中挖到TOP問題并改進呢？2016年底，一個單板報廢的案例給了我啟示。

華為制造質量數據記錄是比較全面的，當時我又癡迷于嘗試用數據方法解決質量問題，所以我就想，如果我把“物料編碼+缺陷代碼”組合在一起作為一個簡單的模型，同時看缺陷數和比例，是否能夠就能夠判斷物料的典型問題呢？

于是，我用Python做了一個簡單的模型，每天抓取前加工維修數據。正好這時某物料抬高導致兩塊單板焊盤撕裂，我把這個數據套進我那簡陋的數學模型里，驚訝地發現，2016年此編碼抬高問題累計發生了32起，占此編碼全部問題的59%。這是一件令人振奮的事情，根據數學模型，可以鎖定抬高問題就是這個編碼的典型問題。

驗證模型有效性的機會來了！經過組織設備、互聯、研發工藝和MQE兄弟們的多輪細致分析，我們終于找到了問題的根因：貼片機抓取的中心點與封裝庫設計的中心點存在差異，兩個中心點相差了0.3毫米。

中心點差異示意圖

對齊了中心點選取標準并調整設備抓取中心點后，這個編碼已經連續18個月未發生問題，真正做到了“零缺陷”。同時，此數學模型識別出1420類多個物料都有同類問題，推廣至今已有多個編碼再未發生貼片抬高問題。

根據業務經驗總結出的數學模型一戰成名，其準確有效使我信心滿滿。于是我繼續擴大它的應用，嘗試在硬件版本Charter階段就導出典型物料問題，從設計階段實現典型制造問題的預防。此舉在波分某新產品試制中效果顯著，產品試制直通率遠超目標水平。

時間總是過得特別快，轉眼我已經來到華為700多天了。作為一名生產質量問題處理的“主官”，在這個沒有硝煙的戰場上，我希望盡可能地用各種手段武裝自己，指引我的小組攻克一個又一個質量難題。

隨著“戰斗經驗”的積累，我已經掌握了數據程序化自動分析、文本詞頻分析、數據可視化、數學建模和質量預警等多種戰術手段。數學、編程與質量融合調味成不同的組合，爆發出巨大潛力，使我沉迷其中，無比享受。隨著華為制造智能質量控制和大數據質量預警的快速發展，這些手段會成為我們特有的質量武器。

本文為《華為人》版權所有，未經允許不得轉載。如需轉載請聯系編輯部hwrb@huawei.com

編程

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。

版權聲明：本文內容由網絡用戶投稿，版權歸原作者所有，本站不擁有其著作權，亦不承擔相應法律責任。如果您發現本站中有涉嫌抄襲或描述失實的內容，請聯系我們jiasou666@gmail.com 處理，核實后本網站將在24小時內刪除侵權內容。