当前位置:首页 > 科研成果库

根本原因分析:为什么你找到的那个“根因”,往往只是个替罪羊

2026-11-17 14:34:08小研科研成果库8

凌晨两点半,某工厂的夜班主管在群里发了张图。批量不良。第二天早上开紧急会,三个小时,结论是:操作员疏忽。散会。三个月后,同一个位置,同样的问题,再来一遍。

这几乎是根本原因分析最常见的死法。

“操作员疏忽”是个假答案

说实话,我刚入行那会儿也觉得这结论挺合理的。人嘛,总会犯错。直到有人问我一句:那为什么这个错误,在这个系统里,没有被拦住?

……愣住了。

根本原因分析,英文 Root Cause Analysis,缩写 RCA。听着很硬核。可行业里头,它经常被降格成一份用来交差的报告。客户投诉了,写一份。审核要查,补一份。监管来了,翻出去年的模板改改。

问题出在哪?出在大家默认「找到一个人」比「改掉一个系统」便宜。前者只需要批评教育加罚款,后者要动流程、动设备、动预算。

可真正的根本原因,往往藏在系统里,不在人身上。人只是那个最后按下按钮的。

有个经典模型叫瑞士奶酪。事故不是一块奶酪破了,而是好几片奶酪的洞正好排成一条直线。每一片都代表一层防护——设计、培训、检测、报警、人工复核。出了事只盯着最后那片,前面几片就永远漏着。

瑞士奶酪模型多层防护失效过程示意图瑞士奶酪模型多层防护失效过程示意图

嗯,这张图值得贴在会议室。

5 Whys 没那么神,鱼骨图也不是画着好看的

5 Whys 谁都听过。丰田的,大野耐一。问五个为什么,就到底了。

但它是线性的。一条道走到黑。现实里的因果是网状,一个结果可能挂着三个并行原因。你从不同的人问,会问到不同的终点——问设备工程师,最后结论是备件质量;问工艺工程师,最后结论是参数漂移;问班组长,最后结论是新人太多。都没错,也都不全。

所以后来又有了鱼骨图,石川馨,1968 年那会儿。人、机、料、法、环、测,六个方向,逼你把假设摊开。

故障树分析 FTA 更狠。1962 年贝尔实验室为民兵导弹项目弄出来的,后来被核工业、航空业捡走。它是自上而下的逻辑演绎:顶事件 → 中间事件 → 基本事件,用与门、或门连起来。好处是可量化,能算概率。

可这些工具的共同毛病是——画完就完事。

我见过太多鱼骨图,打印出来贴在墙上,边角卷了都没人撕。上面每个分支都标着可能原因,但没有一个被验证过。

真正的功夫不在画,在砍。砍掉不可能的,剩下的那个才叫候选根因。

举个例子。某晶圆厂,良率掉了 2.3%。鱼骨图上列了三十多条。最后锁定的是某台刻蚀机的一路气体流量控制器,在换季的时候有微小漂移。怎么找出来的?不是靠开会拍脑袋,是靠 SPC 控制图往回倒数据,发现只有那台机、只有那段时间、只有那一路参数有偏移。

半导体晶圆良率异常鱼骨图分析数据看板半导体晶圆良率异常鱼骨图分析数据看板

数据不会撒谎。人会。

因果推断这十几年,把 RCA 从经验学拉到了数学

Judea Pearl 拿了图灵奖。他那套因果阶梯——关联、干预、反事实——听着玄,其实是把「相关不等于因果」这件事讲透了。

一个经典的坑叫辛普森悖论。整体看,A 药比 B 药有效。按性别分层再看,每个分层里 B 都比 A 好。为什么?因为两组的人构成比例不一样。你要是只做整体统计,就会得出完全反的结论。

医疗领域的 CAPA 报告里,这种错误极其常见。某不良反应,按全人群算没什么异常,一旦按年龄段分层,某个区间的信号立刻冒出来。

所以现在的做法,是分层、是配对、是做倾向性评分,把混杂因子剥掉再看。

工业界也一样。日志、指标、调用链,所谓可观测性三件套。微服务一多,故障传播路径能绕好几层。人工排查基本靠猜。

于是学术界开始上工具。图神经网络、贝叶斯网络、因果图,用调用拓扑加上时序做根因定位。有团队做过对比,自动化方法能把定位时间从小时级压到分钟级。

但注意——它给的是排序,不是判决。

相关性的马后炮,很容易把人带沟里。真正的因果,还得靠干预实验或者领域知识去锚定。

微服务调用链追踪根因定位拓扑关系图微服务调用链追踪根因定位拓扑关系图

大模型进场了,然后呢

这两年最明显的变化,是 LLM 被塞进了运维和质量的流程里。

读日志、读工单、读历史事故报告,然后生成一串可能原因,让人去查。这个用法挺实在的,因为它干的活儿是「省人力」,不是「做决策」。

风险也明摆着:幻觉。它会非常自信地说出一个根本不存在的配置项,还给你编个版本号。

比较稳的架构是混合的——大模型负责发散,提出假设;知识图谱或者因果模型负责收敛,做校验;人负责最终拍板。

流程变了,判断权没变。这点很重要。

凌晨三点的储能电站

讲个具体的。

某储能电站,凌晨三点报热失控预警。现场一看,电芯鼓包、冒烟。第一反应:电芯质量不行,找供应商。

再往下问一层——为什么会热失控?析锂。

为什么析锂?充电倍率太高,而且是在低温环境下。

为什么低温还高倍率充?BMS 的充电策略在 5℃ 以下没有做足够降额。

为什么没降额?策略版本迭代的时候,那张低温标定表被新版本覆盖掉了。

为什么被覆盖没被发现?因为标定表不在变更管理的受控清单里。

六层。

前两层是产品问题,后面四层全是流程问题。修第一层,换个供应商就完事;修最后一层,得重做整个变更管理的清单和评审机制。

绝大多数公司会停在第一层。因为第一层最快、最便宜、最能写进报告。

锂电池热失控机理故障树分析结构图锂电池热失控机理故障树分析结构图

几个我自己一直在用的笨办法

第一,把「人出错」当起点,不当终点。
人出错了,接着问:为什么这个错误没被系统拦住?为什么当时的环境让他更容易出错?

第二,先画时间线,别急着归因。
时间线一拉出来,很多「原因」自己就散了。顺序对不上的,直接排除。

第三,找反例。
如果这个原因成立,那为什么隔壁那条线没问题?同样的设备、同样的班次、同样的物料?反例往往比正例更能说明问题。

第四,做分层。
别只看整体数据。按班次、机型、批次、温湿度分层看一眼,辛普森悖论会在那儿等着你。

第五,找那个最沉默的人聊。
一线操作工知道的东西,比任何报表都多。他只是没被问过,或者问了也不说。

第六,写一条可以被证伪的预测。
好的 RCA 报告最后应该有一句:如果真的是这个原因,那么采取这个措施之后,X 指标应该会在 Y 时间内回到 Z 水平。做不到这一点,报告就还停在假设阶段。

下次开会,如果又有人拍桌子说「就是操作员疏忽」,你就问一句:

那为什么,这个疏忽没有被拦住?

通常这句话出来之后,真正的会议才刚开始。