过程的稳定性是指，过程仅仅受随机因素影响（而非特殊因素），具体是指，特征值的分布不随时间而变，即它的均值、标准差以及分布的形状等不随时间而变，这里强调的是在时间变化条件下的特征值，而不是“标准差越大就越不稳定”，同时，也并不要求过程一定是服从正态分布，如果一个过程的特征指标标准差大，分布也非正态，但是如果这个特征值的状态分布一直如此，我们也不能认为其是非稳态的。
一、过程状态稳定的监控方法
判断一个过程是否处于稳态，可以通过控制图来判定[1]，这也是为什么欧美企业一般称一个稳定的过程是受控的。控制图判异是基于“小概率事件不轻易发生，如若观测到小概率事件，就认为过程受到了特殊因素的影响”这一规则来制定的，但是在使用控制图时，我们必须要注意其使用条件，实际上，控制图的使用必须满足以下三个条件：
（1）数据相互独立；
（2）数据大体上要服从正态分布；
比如我们在计数型控制图中经常用到P图、NP图、U图和C图，其中P图和NP图通常应用的场景为产品检验结果（合格与不合格），其一般满足二项分布，而U图和C图通常应用的场景为单位面积或体积上缺陷点的计数，如薄膜上的晶点数，铸件上的缺陷数，玻璃上的气泡数等，其一般服从泊松分布，而这两类分布只有在满足以下条件时才可以近似为正态分布：
（3）过程变异只有随机误差。
如果数据不满足以上三种条件，则需要对数据处理之后才可以使用控制图来对过程进行监控，比如，数据分布不正态的情况下，可以通过适当的变换使得非正态分布转化为正态分布，这里比较规范和通用的做法是运用Box-Cox法[3]进行变换。
二、如何有效消除工业现场的过程变异？
在生产工业现场，生产过程的稳定性一直被视为过程控制的重要目标，然而，在实际的操作中，由于受到诸多因素的影响，想要让过程达到稳定并在此基础上实现优化并非易事。尤其是精细化工行业、材料行业、医药中间体等行业，其生产过程通常是影响因素繁杂、多步骤的动态过程，普遍存在生产批量小，品种切换多，工艺参数复杂多变等特点，因此对优化生产效率、产品收率和质量稳定性提出了巨大的挑战。
在实际的过程改进中，我们对于过程异常通常采取的分析思路包括：
1）回顾并分析整个过程流程的合理性；
2）通过团队头脑风暴，从人、机、料、法、环、测（5M1E）要素进行问题剖析（如图1）；
3）根据对过程机理的理解，并结合经验进行诊断排查等等。
尤其是在对5M1E进行分析时，所涉及到的因素将非常繁多，这也是化工行业过程控制的众多难点和痛点的主要来源，如，不同人员对流程的理解以及工作习惯的差异，操作过程可能千人千面，甚至在一些批次切换频繁、原料种类繁多的企业，投错料、投料不准的事情时有发生；生产设备由于不能有效地进行预防性维护保养，设备异常经常性发生，导致了大量的生产浪费和质量事故；质量异常发生后，由于过程数据缺乏，无法实现有效的质量异常追溯，更无从查明真正的原因并形成有效的预防措施；工艺改进、收率提升、配方优化等工作因为因子（输入变量）繁多，通过试验设计（DOE）进行寻优经常出现因为筛选因子导致重要因子遗漏，或者是因为试验次数多，影响了整体优化工作的推进效率等等。
也有很多的化工企业在应对这些问题时，通过展开精益六西格玛项目，期望实现消除浪费、降本增效、持续改进的目标。众所周知，精益六西格玛方法是真正的基于数据和统计的问题解决和持续改进方法，传统的精益六西格玛项目流程是，首先通过精益的方法发现问题点、确定问题点，然后按照六西格玛的DMAIC方法，利用统计方法制定改进目标、分析原因、寻找优化方案并固化改进措施。理论上这套流程逻辑上很严谨务实，但是，实际执行下来，各个精益六西格玛项目持续性往往不及期望，项目效果一般在项目验收阶段达到峰值，此后又逐渐回落，其原因是，一个六西格玛项目虽然各个步骤都是基于数据和统计方法，但都是离线方法，项目措施和效果无法在线固化和跟踪，等项目验收后，在固化阶段，项目干系人关注逐渐降低，效果自然就回落，此外，也有一些六西格玛项目，虽然耗费了大量的时间和精力，但是最终无功而返，究其原因，主要是两方面问题导致：
1）工厂数据通过人工采集，存在不及时、不准确等不足之处，导致改进工作通常都收效甚微；
2）即便有丰富且高质量的实时数据支撑，但是分析方法依赖于传统的统计分析方法，很难对高维度海量数据进行深度的挖掘并识别其中所蕴含的重要规律。
为了应对以上这些困难，更多的企业开始选择进行数字化转型，打造更加智慧的智能制造工厂，通过对设备进行物联网改造，搭建底层的数字孪生系统，并结合生产执行管理系统、实验室信息管理系统、研发信息管理系统等，以使得各个过程流程的执行更加规范，并实现全流程的最大可追溯性，进一步地，借助强大的人工智能算法，持续对流程中所存在的变异进行深度的分析和挖掘，找到造成过程变异的重要原因，并加以改善，从而使得工厂整体运行达到智能化的目标。
参考文献：
[1]. Statistical Process Control, reference manual, AIAG
[2].《深入浅出统计学》，[美]DawnGriffiths著
[3].《六西格玛管理统计指南》，马逢时等著
关于国工智能：
国工智能是一家专业为流程制造业提供人工智能决策控制整体解决方案及落地服务的国有参股高新技术企业，专注于利用人工智能、大数据等技术解决流程制造业海量数据下复杂场景的智能制造需求，为客户提供“IOT+AI+OR”智能制造人工智能整体解决方案。目前，公司已经成为流程制造行业人工智能决策控制领域的领跑者。
作为一家国内专业的智能制造落地服务商，国工智能凭借深厚的内功和优秀的团队，自主研发了基于人工智能的数据大脑分析平台(MAI)、智能制造管理平台（MES）、物联网数据采集平台（SCADA）、实验室管理系统（LIMS）、双体系设备管理系统（EMS），均在行业内成功应用。
国工智能在精细化工、材料、医药、食品、饲料、农牧等行业深耕已久，客户遍布全国，已成功为西安瑞联、海大集团、华润三九药业、康缘药业、丰原集团、道恩集团、九目化学、蓝帆医疗、新时代健康产业集团、安然纳米集团等客户提供智能制造落地服务。
国工智能秉承“利于国，精于工”的企业发展理念，以高端IT技术服务于传统制造企业，推动国家制造业转型升级，以工匠精神为中国智造赋能！努力成为科技创新和产业革命的引领者，为中国实体经济崛起、实现中国制造2025贡献力量！
数据大脑通用的内容
国工数据大脑系统（MAI-CLI）是一个集数据调度、数据清洗、数据计算、数据挖掘、数据可视化为一体的数据分析平台。系统以简单易用拖动操作方式进行人机交互，屏蔽了数据分析预测业务的复杂性，大大降低了数据分析工作的技术门槛。
以计算流的方式构建整个数据分析业务。平台实现了对分散的数据进行统一调度，实现实验室设备、工业传感器、信息化系统接口多源数据整合。
平台提供上百个算法功能组件，包含大量应用统计学模型、机器学习模型以及深度学习模型等算法组件，支持精益六西格玛改进工具在线化，平台拥有定时分析功能，可以同时监控上万个质量监控点，并且实现自主诊断、自主提供解决方案的功能。