光伏企业的质量改善利器：交互式可视化数据分析.docVIP

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大势所趋，光伏 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，但光伏也在经历着严峻考验。中国自2007年成为全世界最大的光伏产品生产国后，各个环节由政府补助驱动转为市场驱动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。 所有从业人员必须有这样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。 在2009年以后，多晶硅成本。 预测刻画器分析 接着，我们很自然地想去了解造成“扩散”和“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。