光伏企业的质量改善利器：交互式可视化数据分析
关键词：光伏 质量管理 JMP 可视化 交互式
伴随着日本核泄漏事件的爆发与不断升级，新能源中原本占最大份额的核电产业下滑已是大势所趋，另一重要新能源产业——光伏产业是否回拥有更好的发展空间？
机遇与危机并存的中国光伏市场
对此，业内行家有着更深入的看法：虽然核电行业大不如前，但光伏行业同时也在经历着严峻的考验。中国自2007年成为全世界最大的光伏产品生产国后，各个环节都在逐步完善的过程中。然而有一点值得注意：必须将企业目前普遍存在的由政府补助驱动转换为市场驱动。因为完全依赖政府补贴作为行业发展的动力蕴藏着很大的风险。一旦政策变化或终止时，所带来的产业冲击是巨大的。只有尽快建立真正的光伏市场体系，使光伏产业按照市场规律运作起来，才能够充分发挥政府补贴的杠杆作用，减少政策变动对产业可能造成的伤害。
光伏行业的所有从业人员（尤其是领导层）必须有这样清醒的认识：不管行业景气与否，产业中各个环节的产品价格必须不断下降，直到光伏发电的成本切切实实地低于火力发电为止。只有成本下降，才是光伏产业发展的真正动力。
那么，怎样才能降低成本呢？很多人往往直接想到的是降低多晶硅等原材料成本。实际上，在2009年以后，多晶硅成本已经消耗了很大一部分下降空间。新的、真正的竞争已经开始在企业的工艺流程和质量管理水平上展开，与传统的半导体电子行业非常相似的是，光伏产品的一次性良品率既决定了生产过程能力的强弱，同时也决定了生产成本的大小。
借鉴第一太阳能、艾格太阳能、晶澳太阳能等国外知名光伏企业的经验，不难发现光伏产品的良品率控制离不开基于数据的精细化分析与决策。这是一个技术活，也恰恰是国内光伏企业的软肋。当然，先进制造流程的量化分析绝不是一味地追求数据仓库的大而全、数据建模的复杂性，而是越来越强调实用性。近年来，一种全新的数据分析方式——交互式可视化数据分析——已经被越来越多的领先企业用来识别劣质成本并分析其原因，制定改进方案以优化生产工艺，最终提升一次性良品率和综合质量水平，同时降低成本。所谓“交互式可视化”数据分析，就是推崇使用更多的图形化工具，通过交互式的图形实现分析者与数据的双向“交互”，从而摆脱对传统统计分析工具的依赖（或者说是“以一种图形化的简单方式使用其背后先进的统计分析方法”），降低其使用门槛，并能更好地洞察数据背后的重要信息。下面我们借助一个运用在光伏行业已广泛应用的专业六西格玛及质量管理统计分析软件JMP对太阳能电池进行一次性良品率改善的案例来简要说明如何通过交互式可视化的分析，事半功倍地提高生产能力，降低劣质成本。
简单太阳能电池生产的过程基本上分为八个主要步骤，大致可以用下面这张流程图表示。
简单太阳能电池的大致整体工艺流程
首先，在收集了历史数据后，我们希望能迅速找到改善的最佳突破口，看看改善哪些工艺对提高整体的实际直通率影响最大。从JMP的“预测刻画器”中看出一些端倪：在八个步骤的实际良品率与整体的实际直通率的线性关系图上，我们明显发现“实际扩散良品率”和“实际刻蚀良品率”与“实际直通率”的斜率明显大于其他步骤的实际良品率，进一步用鼠标改动“实际扩散良品率”和“实际刻蚀良品率”的设置，导致“实际直通率”的改变幅度也是最大的，由此可以直观地判断“扩散”和“刻蚀”的工艺影响最大，它们是生产过程中的关键工序。
预测刻画器分析
接着，我们很自然地想去了解造成“扩散”何“刻蚀”良品率低的罪魁祸首是谁。用JMP的“Pareto图”很容易发现“扩散”工序中的主要缺陷是“扩散返修”和“扩散机器内碎片”，“刻蚀”工序中的主要缺陷是“刻蚀装片时碎片”和“刻蚀机器内碎片”。因此，我们需要去重点关注和控制这四种缺陷的产生原因。
Pareto图分析
然后，我们就开始运用一些回归建模、决策树等更高级的分析工具去查找原因。当然，一说到高级分析工具，很多人可能会望而却步，觉得太抽象、看不懂。其实，现在这种担心实在是多虑了。在JMP中，所有的分析工具，无论是简单的，还是复杂的，都可以通过各种统计图形来和工程师一起“看图说话”。比如在此例中，我们运用JMP软件的“决策树”功能进行要因分析时，只需要用鼠标点击分析界面上的“拆分”按钮，就可以一步步地按照“组内差异最小化，组间差异最大化”的原则将数据进行分组，从而发现很多有价值的信息：
1 因为在分组的过程中，“决策树”从众多候选变量中选用到了“硅片厂家”、“日期”、“硅片批次”和“班次”四个变量，因此可以判断它们是影响缺陷率产生的关键因素。
2 如果关注“硅片厂家”这个因素的话，不难发现“甲”、“丁”这两家厂的质量问题不大，而另两家厂“乙”、“丙”的质量问题相对比较严重。这是因为从“决策树”左侧的图形看，代表良品率高的绿色面积很大，它对应的分类水平就是“硅片厂家（甲、丁）”；反之，从“决策树”右侧的图形看，代表良品率低的红色面积很大，它对应的分类水平就是“硅片厂家（乙、丙）”。
3结合“日期”因素来看的话，11月1日的情况很糟糕，乙、丙两个硅片厂家所有班次的良品率全部未达标；而11月2日和7日这两天同样出现严重问题，丙厂B班所有的生产批次全部未达标，这些都值得我们去做深入的现场调查。
决策树分析
其实，在实际工作中，太阳能电池企业的技术人员们还可以使用更多其他交互式、可视化的数据分析方法来挖掘深层的技术原因，优化改进方案，限于篇幅，就不再做更深入的介绍了。不过可以肯定的是：如何快速实现质量管理和成本控制的双重提升，掌握交互式可视化数据分析将是国内光伏企业都需要考虑的一个重要问题。
伴随着日本核泄漏事件的爆发与不断升级，新能源中原本占最大份额的核电产业下滑已是大势所趋，另一重要新能源产业——光伏产业是否回拥有更好的发展空间？
机遇与危机并存的中国光伏市场
对此，业内行家有着更深入的看法：虽然核电行业大不如前，但光伏行业同时也在经历着严峻的考验。中国自2007年成为全世界最大的光伏产品生产国后，各个环节都在逐步完善的过程中。然而有一点值得注意：必须将企业目前普遍存在的由政府补助驱动转换为市场驱动。因为完全依赖政府补贴作为行业发展的动力蕴藏着很大的风险。一旦政策变化或终止时，所带来的产业冲击是巨大的。只有尽快建立真正的光伏市场体系，使光伏产业按照市场规律运作起来，才能够充分发挥政府补贴的杠杆作用，减少政策变动对产业可能造成的伤害。
光伏行业的所有从业人员（尤其是领导层）必须有这样清醒的认识：不管行业景气与否，产业中各个环节的产品价格必须不断下降，直到光伏发电的成本切切实实地低于火力发电为止。只有成本下降，才是光伏产业发展的真正动力。
那么，怎样才能降低成本呢？很多人往往直接想到的是降低多晶硅等原材料成本。实际上，在2009年以后，多晶硅成本已经消耗了很大一部分下降空间。新的、真正的竞争已经开始在企业的工艺流程和质量管理水平上展开，与传统的半导体电子行业非常相似的是，光伏产品的一次性良品率既决定了生产过程能力的强弱，同时也决定了生产成本的大小。
借鉴第一太阳能、艾格太阳能、晶澳太阳能等国外知名光伏企业的经验，不难发现光伏产品的良品率控制离不开基于数据的精细化分析与决策。这是一个技术活，也恰恰是国内光伏企业的软肋。当然，先进制造流程的量化分析绝不是一味地追求数据仓库的大而全、数据建模的复杂性，而是越来越强调实用性。近年来，一种全新的数据分析方式——交互式可视化数据分析——已经被越来越多的领先企业用来识别劣质成本并分析其原因，制定改进方案以优化生产工艺，最终提升一次性良品率和综合质量水平，同时降低成本。所谓“交互式可视化”数据分析，就是推崇使用更多的图形化工具，通过交互式的图形实现分析者与数据的双向“交互”，从而摆脱对传统统计分析工具的依赖（或者说是“以一种图形化的简单方式使用其背后先进的统计分析方法”），降低其使用门槛，并能更好地洞察数据背后的重要信息。下面我们借助一个运用在光伏行业已广泛应用的专业六西格玛及质量管理统计分析软件JMP对太阳能电池进行一次性良品率改善的案例来简要说明如何通过交互式可视化的分析，事半功倍地提高生产能力，降低劣质成本。
简单太阳能电池生产的过程基本上分为八个主要步骤，大致可以用下面这张流程图表示。
简单太阳能电池的大致整体工艺流程
首先，在收集了历史数据后，我们希望能迅速找到改善的最佳突破口，看看改善哪些工艺对提高整体的实际直通率影响最大。从JMP的“预测刻画器”中看出一些端倪：在八个步骤的实际良品率与整体的实际直通率的线性关系图上，我们明显发现“实际扩散良品率”和“实际刻蚀良品率”与“实际直通率”的斜率明显大于其他步骤的实际良品率，进一步用鼠标改动“实际扩散良品率”和“实际刻蚀良品率”的设置，导致“实际直通率”的改变幅度也是最大的，由此可以直观地判断“扩散”和“刻蚀”的工艺影响最大，它们是生产过程中的关键工序。
预测刻画器分析
接着，我们很自然地想去了解造成“扩散”何“刻蚀”良品率低的罪魁祸首是谁。用JMP的“Pareto图”很容易发现“扩散”工序中的主要缺陷是“扩散返修”和“扩散机器内碎片”，“刻蚀”工序中的主要缺陷是“刻蚀装片时碎片”和“刻蚀机器内碎片”。因此，我们需要去重点关注和控制这四种缺陷的产生原因。
Pareto图分析
然后，我们就开始运用一些回归建模、决策树等更高级的分析工具去查找原因。当然，一说到高级分析工具，很多人可能会望而却步，觉得太抽象、看不懂。其实，现在这种担心实在是多虑了。在JMP中，所有的分析工具，无论是简单的，还是复杂的，都可以通过各种统计图形来和工程师一起“看图说话”。比如在此例中，我们运用JMP软件的“决策树”功能进行要因分析时，只需要用鼠标点击分析界面上的“拆分”按钮，就可以一步步地按照“组内差异最小化，组间差异最大化”的原则将数据进行分组，从而发现很多有价值的信息：
1 因为在分组的过程中，“决策树”从众多候选变量中选用到了“硅片厂家”、“日期”、“硅片批次”和“班次”四个变量，因此可以判断它们是影响缺陷率产生的关键因素。
2 如果关注“硅片厂家”这个因素的话，不难发现“甲”、“丁”这两家厂的质量问题不大，而另两家厂“乙”、“丙”的质量问题相对比较严重。这是因为从“决策树”左侧的图形看，代表良品率高的绿色面积很大，它对应的分类水平就是“硅片厂家（甲、丁）”；反之，从“决策树”右侧的图形看，代表良品率低的红色面积很大，它对应的分类水平就是“硅片厂家（乙、丙）”。
3结合“日期”因素来看的话，11月1日的情况很糟糕，乙、丙两个硅片厂家所有班次的良品率全部未达标；而11月2日和7日这两天同样出现严重问题，丙厂B班所有的生产批次全部未达标，这些都值得我们去做深入的现场调查。
决策树分析
其实，在实际工作中，太阳能电池企业的技术人员们还可以使用更多其他交互式、可视化的数据分析方法来挖掘深层的技术原因，优化改进方案，限于篇幅，就不再做更深入的介绍了。不过可以肯定的是：如何快速实现质量管理和成本控制的双重提升，掌握交互式可视化数据分析将是国内光伏企业都需要考虑的一个重要问题。
没有找到相关结果
已邀请:
RSS Feed
6 个回复
hhp409 (威望:0) (广东 ) 电气/能源 工程师
赞同来自: