MindLogic LogoMindLogic Manual
/
控制台

9. 综合实战：生产线良率与质量监控模型

在实际业务场景中，你的数据往往不是手动一条条输入的，而是来自 ERP、MES 或各种报表系统。为了展示 MindLogic 在复杂业务场景下的威力，我们将通过一个真实的工业制造案例，教你如何一键导入包含大量维度数据的业务报表，并通过简单的公式和脚本，构建一个“自动诊断、动态 UI 和智能预警”的品控监控节点。

案例背景

假设你是一家大型电子制造厂的品控主管。你刚从 MES 系统中导出了一份包含多个工序（SMT、波峰焊、AOI、人工复判）的《每日生产线状态报表》。 这份报表中不仅有“投入总数”、“不良品数”，还包含了“重工数”、“设备温度”等多个维度的指标。 你的目标是：构建一个品控数据总控中心，自动计算整体良率，并在良率不达标或某些设备温度过高时，自动将节点变红报警，并生成详细的 Markdown 排查报告。

第一步：下载并一键导入业务报表 (CSV Import)

相比于手动创建节点，MindLogic 提供了一键导入表格并自动生成节点的强大功能。

  1. 下载真实示例报表：请点击下载 smc_quality_report_zh.csv 到你的电脑。 （这份报表包含了 6 条真实的产线数据，涉及良品、不良品、设备温度、责任人等多个字段）
  2. 一键导入文件：在顶部菜单栏选择 File (文件) -> Import CSV (导入 CSV)，选中刚才下载的文件。
  3. 配置映射字段：在弹出的导入向导中，你需要将 CSV 中的列映射为节点的标题。在 Basic Fields 下的 Node Title (Required) 下拉框中选择 产线名称，然后点击右下角的 Generate Tree。
  4. 见证自动建模：你会看到画布上瞬间生成了 6 个整齐排列的节点（如 SMT贴片1线、波峰焊A线 等）。

如果你选中其中一个节点（例如 波峰焊A线），会发现在右侧的 已定义属性 中，系统已经自动帮你把表格里复杂的维度全部挂载好了：

  • 投入总数: 8000
  • 不良品数: 300
  • 重工数: 200
  • 设备温度: 270.2
  • 设备状态: 温度偏高
  • 责任人: 王师傅

这就意味着，你的原始业务台账，已经无缝转变成了具备推演能力的逻辑节点！

第二步：创建总控节点与公式聚合

接下来，我们要把这些分散的产线数据“汇聚”到一起进行分析。

  1. 在画布上方双击，创建一个新的节点，命名为 品控中心总看板。
  2. 将刚才导入的 6 个产线节点，全部连线指向 品控中心总看板。
  3. 选中 品控中心总看板，在右侧面板的 输出公式 中，我们可以使用公式对全厂上游数据进行多维度的聚合加工：
    • Key: 总投入
    • Formula: SUM(投入总数) (引擎会自动相加所有产线的投入，结果为 66150)
    • Key: 总不良
    • Formula: SUM(不良品数) (结果为 670)
    • Key: 最高设备温度
    • Formula: MAX(设备温度) (自动找出全厂温度最高的值：270.2)

到这里，我们已经实现了一个类似 BI 看板的自动化计算流。接下来我们要让它的 UI 具备“业务直觉”。

第三步：使用节点脚本实现“动态预警”

在这个节点的最下方，找到 节点脚本 (Script) 输入框。我们将通过一段稍复杂的 JavaScript 逻辑，让节点在“整体良率不足 99%”或“有设备温度超标”时，自动改变外观并出具报告。

请将以下代码粘贴到脚本框中：

// 1. 提取我们刚才用公式聚合好的指标数据
let totalInput = node.outputs["总投入"];
let totalDefect = node.outputs["总不良"];
let maxTemp = node.outputs["最高设备温度"];

// 2. 在脚本中计算全厂整体良率 (保留两位小数)
let overallYield = 100 - (totalDefect / totalInput * 100);
node.outputs["整体良率"] = overallYield.toFixed(2) + "%";

// 3. 核心预警逻辑判定
if (overallYield < 99.0 || maxTemp > 265) {
    // 💥 状态：严重预警 (良率不达标 或 存在设备高温风险)
    node.title = "🚨 全厂品控红色警报";
    node.frameType = "hexagon";                 // 形状变成醒目的六边形
    node.symbolName = "xmark.octagon.fill";     // 变为错误图标
    node.confidence = 1.0;                      // 置信度拉满，节点呈现红色
    
    // 生成带排版的 Markdown 停线预警报告
    node.contentType = "markdown";
    node.outputs["markdownReport"] = `
# ⚠️ 生产质量紧急报告
当前全厂整体良率仅为 **${overallYield.toFixed(2)}%** (目标: 99.0%)。
全厂总不良品已达 **${totalDefect}** 件！

> **设备高温预警**：检测到厂区内最高设备温度达到 **${maxTemp}℃**，存在安全隐患与良率暴跌风险！
> 请立即通知王师傅等相关责任人排查波峰焊区域！
`;

} else if (overallYield < 99.3) {
    // ⚠️ 状态：一般预警
    node.title = "⚠️ 良率波动提醒";
    node.frameType = "diamond";
    node.symbolName = "exclamationmark.triangle.fill";
    node.confidence = 0.6;                      // 呈现黄色预警
    
    node.contentType = "markdown";
    node.outputs["markdownReport"] = `## 质量观察\n当前良率 **${overallYield.toFixed(2)}%**，有轻微下探趋势，请各线长关注。`;

} else {
    // ✅ 状态：正常
    node.title = "✅ 生产运作卓越";
    node.frameType = "roundedRectangle";
    node.symbolName = "checkmark.shield.fill";
    node.confidence = 0.1;                      // 呈现绿色安全
    
    node.contentType = "plainText";
}

第四步：体验“活体沙盘”的数据推演

完成上述操作后，你立刻就会看到 品控中心总看板 节点变成了一个红色的六边形，因为它自动算出了全厂良率不足 99%，并且发现了 270.2℃ 的高温设备，同时生成了一份包含真实计算数据的 Markdown 报告。

现在，你可以试着去源头做几个推演实验：

  1. 解决高温隐患：选中 波峰焊A线（因为是它温度最高），将其 设备温度 从 270.2 修改为正常值 250.0。
  2. 降低不良品：同时，将 波峰焊A线 的 不良品数 降至 30，模拟技术优化后的状态。
  3. 观察结果：当你按下回车的一瞬间，整体良率指标瞬间提升超过了 99.3%，下游的 品控中心总看板 自动变回了绿色的盾牌图标，标题变成了“✅ 生产运作卓越”，刚才那份严肃的红色预警报告也随之消失了。

总结

通过这个贴近真实的实战案例，我们利用 MindLogic 实现了：

  1. 多维海量数据的极速接入：不再手动建节点，一个 CSV 搞定结构化台账导入。
  2. 跨节点的宏观指标聚合：利用 SUM 和 MAX 等公式，轻松提炼全局关键因子。
  3. 基于复杂逻辑的自动化响应：在脚本中融合多项指标（良率与温度）进行综合判断，并毫秒级动态操控 UI。
  4. 数据驱动的内容生成：利用反引号字符串模板（`），将实时计算的数据变量动态注入到 Markdown 报告中。

这就是 MindLogic —— 它不仅能帮你理清思绪，更能成为你业务数据的智能计算引擎与可视化推演沙盘。