14 KiB

Raw Blame History

batch_gxerp.py 批次统计计算规则

apps/wpm/scripts/batch_gxerp.py 用于按 批次号 (batch) 汇总该批次在各工序组下的生产/检验数据，写入 BatchSt.data (JSON)，同时维护 first_time / last_time。

一、入参与前置条件

参数	说明
`batch`	批次号
`mgroup_obj`	工序组对象（当前实现未直接使用，仅作为入口签名）

必须存在 BatchSt.objects.get(batch=batch, version=1)，否则报错并退出。
遍历 Mgroup.objects.all().order_by("sort")，对每个工序组分别统计。
仅统计已提交且已出库的报工单：mlog.submit_time__isnull=False 且 material_out__isnull=False，并要求 need_inout=True。

二、字段命名约定

输出 JSON data 的 key 形式如下（<G> 代表工序组名）：

Key 模式	含义
`批次号`	批次号
`<G>_日期`	该工序组所有报工日期，去重后 `;` 拼接
`<G>_小日期` / `<G>_大日期`	该工序组最早 / 最晚日期（`YYYY-MM-DD`）
`<G>_操作人`	操作人姓名去重后 `;` 拼接
`<G>_班次`	班次名去重后 `;` 拼接
`<G>_count_use`	领用数（来自上游 `mlogb_from`）
`<G>_count_real`	实际生产数
`<G>_count_ok`	合格数
`<G>_count_notok`	不合格数
`<G>_count_ok_full`	完全合格数
`<G>_count_pn_jgqbl`	加工前不良数（来自上游 `mlogb_from`）
`<G>_合格率`	合格率（%）
`<G>_完全合格率`	完全合格率（%）
`<G>_缺陷_<缺陷名>`	该工序组的缺陷数量（按缺陷名汇总）
`<G>_缺陷_<缺陷名>_比例`	缺陷数 / `count_real` × 100，单位 %
`<G>_加工前_缺陷_<缺陷名>`	上游 `mlogb_from` 上的缺陷数量
`<G>_加工前_缺陷_<缺陷名>_比例`	加工前缺陷数 / `count_use` × 100，单位 %

三、主流程：按工序组汇总（普通报工，`is_fix=False`）

数据源 mlogb1_qs：

Mlogb where mlog.submit_time IS NOT NULL
        and material_out IS NOT NULL
        and mlog.mgroup = <G>
        and mlog.is_fix = False
        and batch = <batch>
        and need_inout = True

1. 累加规则

对每条 Mlogb：

字段	累加来源
`count_use`	`mlogb_from.count_use`（上游报工子项；若无 `mlogb_from` 则跳过）
`count_pn_jgqbl`	`mlogb_from.count_pn_jgqbl`
`count_real`	当前 `item.count_real`
`count_ok`	当前 `item.count_ok`
`count_ok_full`	当前 `item.count_ok_full or 0`
`count_notok`	当前 `item.count_notok or 0`
`操作人`	`mlog.handle_user`（最终去重，按 `name` 拼接）
`日期`	`mlog.handle_date`（最终去重排序）
`班次`	`mlog.shift.name`

并记录所有上游 mlogb_from.id 到 mlogb_q_ids，用于"加工前缺陷"统计。

2. 合格率计算

完全合格率 = round(count_ok_full / count_real * 100, 2)
合格率     = round(count_ok      / count_real * 100, 2)

decimal.InvalidOperation 异常时（如分母为 0）记 0。

3. 缺陷统计

当前工序缺陷：MlogbDefect.filter(mlogb__in=mlogb1_qs, count__gt=0).values('defect__name').annotate(total=Sum('count'))
- <G>_缺陷_<name> = total
- <G>_缺陷_<name>_比例 = round(total / count_real * 100, 2)
加工前（上游）缺陷：MlogbDefect.filter(mlogb__id__in=mlogb_q_ids, count__gt=0)...
- <G>_加工前_缺陷_<name> = total
- <G>_加工前_缺陷_<name>_比例 = round(total / count_use * 100, 2)

4. 日期字段

data[f"{G}_小日期"] = min(日期列表).strftime("%Y-%m-%d")  # 最早日期
data[f"{G}_大日期"] = max(日期列表).strftime("%Y-%m-%d")  # 最晚日期

最终 <G>_日期 被覆写为去重排序后的字符串（; 拼接）。

四、外观检验返修（`is_fix=True`）

数据源 mlogb2_qs：

Mlogb where mlog.submit_time IS NOT NULL
        and material_out IS NOT NULL
        and mlog.mgroup.name = '外观检验'
        and mlog.is_fix = True
        and batch = <batch>
        and need_inout = True

输出字段：

Key	计算
`外观检验_返修_日期`	报工日期，去重 `;` 拼接
`外观检验_返修_操作人`	操作人姓名，去重 `;` 拼接
`外观检验_返修_count_real`	Σ `count_real`
`外观检验_返修_count_ok`	Σ `count_ok`
`外观检验_返修_count_ok_full`	Σ `count_ok_full or 0`
`外观检验_返修_缺陷_<name>`	`MlogbDefect` 按缺陷名汇总
`外观检验_返修_缺陷_<name>_比例`	`round(total / 外观检验_返修_count_real * 100, 2)`

五、外观检验车间库存抽检

数据源 ft_qs：

FtestWork where type2 = TYPE2_SOME
          and wm.mgroup.name = '外观检验'
          and batch = <batch>
          and submit_time IS NOT NULL

输出字段：

Key	计算
`外观检验_车间库存抽检_日期`	`test_date` 去重 `;` 拼接
`外观检验_车间库存抽检_操作人`	`test_user.name` 去重 `;` 拼接
`外观检验_车间库存抽检_count_notok`	Σ `count_notok or 0`
`外观检验_车间库存抽检_缺陷_<name>`	`FtestworkDefect` 按缺陷名汇总（无比例字段）

六、外观检验汇总指标（仅当存在 `外观检验_count_ok` 时计算）

Key	公式
`外观检验_总合格数`	`外观检验_count_ok + 外观检验_返修_count_ok（默认0）`
`外观检验_总合格率`	`round(外观检验_总合格数 / 外观检验_count_real * 100, 2)`
`外观检验_完全总合格数`	`外观检验_count_ok_full + 外观检验_返修_count_ok_full（默认0）`
`外观检验_完全总合格率`	`round(外观检验_完全总合格数 / 外观检验_count_real * 100, 2)`
`外观检验_直通合格数`	`外观检验_总合格数 - 外观检验_车间库存抽检_count_notok（默认0）`

直通合格率（依赖尺寸检验）

仅当 尺寸检验_合格率 存在时：

外观检验_直通合格率  = round(外观检验_总合格率 * 尺寸检验_合格率 / 100, 2)
外观检验_直通合格率2 = round(外观检验_直通合格数 / 尺寸检验_count_use * 100, 2)

仅当 尺寸检验_完全合格率 存在时：

外观检验_完全直通合格率 = round(外观检验_完全总合格率 * 尺寸检验_完全合格率 / 100, 2)

异常（InvalidOperation / ZeroDivisionError）回退为 0。

七、写回 BatchSt

data 经 MyJSONEncoder 序列化后回填 batchst.data。
调 get_f_l_date(data)：扫描所有以 _日期 结尾的字段，按 ; 拆开后逐个 datetime.strptime("%Y-%m-%d") 解析为 date 对象，再取最小/最大并转成上海时区的 00:00:00 / 23:59:59，得到 first_time / last_time。无法解析的片段会写日志并跳过。
仅当现有 first_time 为空或新值更早时更新；last_time 反之。
调用 batchst.save() 持久化。

八、关键依赖与字段含义速查

模型字段	中文释义	来源
`Mlogb.count_use`	领用数	报工子项（来自 `mlogb_from`）
`Mlogb.count_real`	实际生产数	报工子项
`Mlogb.count_ok`	合格数	`count_real - count_notok`
`Mlogb.count_ok_full`	完全合格数	`count_real - count_notok_full`
`Mlogb.count_notok`	不合格数	缺陷 `okcate=30` 求和
`Mlogb.count_pn_jgqbl`	加工前不良	`MlogbDefect` 中加工前不良求和
`Mlogb.need_inout`	是否需出入库	仅 `True` 参与统计
`Mlogb.mlogb_from`	上游报工子项	用于追溯领用与加工前缺陷

九、已知潜在问题

mgroup_obj 入参未使用：当前实现忽略该参数，对所有 Mgroup 全量遍历。

十、大批直通良率（`main` 末尾自动触发）

定义

大批 = 拆出检验小批的那个批（如 2605-BJ-0023，退火后合批改名产生；外购半成品则为采购入库批）。由 BatchLog 拆合批关系确定，不依赖批次号命名和工艺路线。
直通良率 = 大批下所有子批次 外观检验_直通合格数 之和 ÷ 大批白料数（进炉前数量）× 100。

归属锁定（`BatchSt.zt_batch`）

批次统计完成后（handle_zt）：

当前批 data 含 尺寸检验_count_real / 外观检验_count_real 时解析归属（resolve_zt_big）：
- 唯一拆批来源（handover split）→ 该来源即大批；
- 合批复检批（如 大批-A-1）→ 所有合批来源归属同一大批时继承；不一致则记日志不归属；
- 无任何拆合批上游 → 自身即大批（未拆批直接检验、外购直检）。
归属写入 zt_batch（锁定，已锁定的直接复用）；随后重算大批（cal_zt_big）。
大批自身重算时（有子批 zt_batch 指向它）也会触发重算。
提交时纯继承（services.inherit_zt_batch）：拆批交接、报工改号提交时，目标批直接继承来源批已有的 zt_batch（来源料子集式流转，永远安全）；合批不继承——不良集中批（如 黑检片-00）等共享池会汇入多个大批的料，继承会造成错误归属，合批复检批（-A-1）的归属仍由统计侧"所有来源同大批"判定。已有归属冲突时不覆盖并记日志。

分子

BatchSt.filter(zt_batch=大批) 各批 外观检验_直通合格数 之和（+大批自身若有）。子批发现从大批侧沿拆批边/同大批合批边展开（cal_zt_big，支持 -A-1 复检批、多级拆分）。检验前合并的子批无检验数据，天然不重复计数。

分母（白料数，`_zt_white_count` 回溯）

从大批沿 BatchLog 向上回溯（限深 ZT_MAX_DEPTH=12，按路径防环，跳过合并回自身的整理性边）：

锚点：批次存在锚点工段（ZT_ANCHOR_MGROUPS=["黑化"]）产出报工时停止，白料数 = 该批锚点工段 mlogb_from.count_use（进炉前领用数）。多次黑化的链取离大批最近的一次。
分摊（_zt_source_out_ratio）：来源批有多条生产主线流出边（报工改号/拆批/汇入大批格式 ZT_BIG_BATCH_RE 的合批）时，按各去向数量占比分摊；汇入不良集中批（如 黑检片-00）的旁路不占白料份额，使炉后不良计入生产主线分母。单一去向全额传递。
边数量：拆批取 Handoverb(batch=目标批)，合批取 Handoverb(batch=来源批)，报工改号取目标产出行的 mlogb_from.count_use；无明细时兜底整单数量。
外购/遗留兜底：无上游谱系 → 白料数 = 该批原料性入库数量之和（MIOItem，仅 pur_in/other_in，排除生产入库），口径记 入库数量。
老数据兜底（_zt_white_legacy）：BatchLog 上线前的批次无边且无入库，沿 BatchSt.handover/mlog 创建来源续上回溯，口径记 谱系兜底。
性能护栏：回溯按批次号记忆化（网状/菱形谱系线性复杂度，防环截断过的节点不入缓存）；单次回溯节点访问超 ZT_MAX_VISITS=3000 时放弃，口径记 回溯规模超限（负缓存，不重复付代价）。

缓存与隔离

白料数算出后缓存在大批 data（含算不出的负缓存）；子批触发的重算直接复用、只重聚合分子。大批自身重算时 data 重建、缓存失效并重新回溯。上游补改报工后需大批重算或全量回刷才会刷新。
总合格数 > 白料数（如白料池循环整理导致回溯不全）→ 直通_良率 置空并在口径标注 谱系异常，记错误日志（2026-06 抽样 120 个大批：116 正常 / 2 异常隔离 / 2 谱系断头不可得）。

输出字段（写入大批 `data`）

Key	含义
`直通_子批次`	归属本大批的子批号 `;` 拼接
`直通_总合格数`	分子
`直通_白料数`	分母（不可得为 null）
`直通_良率`	百分比（不可得/异常为 null）
`直通_口径`	白料来源口径：`黑化领用` / `入库数量` / `谱系兜底` 及异常标注

接口（`/wpm/batchst/`）

响应自带 zt_batch（所属大批号）；?with_zt_big=yes 时每行附 zt_big = 所属大批的完整 BatchSt（含 直通_*），自身即大批时为 null（直通字段就在本行 data 里）。
过滤：?zt_batch=<大批号> 查某大批全部子批；with_source_near=yes 仍可附 BatchLog 直接来源批。

部署

python manage.py migrate wpm（新增 BatchSt.zt_batch，迁移 0133_batchst_zt_batch）。
历史回刷：python scripts/correct_zt_gxerp.py [起始日期] [--fresh]——只解析归属并重算各大批 直通_* 字段（每个大批仅算一次），不重建批次其他统计；--fresh 强制清缓存重新回溯白料。全量重建统计仍用 scripts/correct_batchst.py（其 main 末尾也会触发直通计算）。

十一、修订记录

修复 小日期 / 大日期 命名与含义反向，小日期 取最早日期、大日期 取最晚日期；同步修正 batch_bxerp.py、batch_gzerp.py 中所有同类字段。
get_f_l_date 改为先 datetime.strptime 解析为 date 对象再比较，移除对字符串字典序的隐式依赖；非法日期片段记录日志后跳过。
所有合格率/直通率计算的兜底 except 同时捕获 decimal.InvalidOperation 与 ZeroDivisionError，以兼容 Decimal 与原生数值的除零场景；batch_bxerp.py 与 batch_gzerp.py 中仅捕获 decimal.InvalidOperation 的合格率分支也同步扩展。
新增大批直通良率统计（见第十节）：BatchSt 加 zt_batch 归属锁定字段，main 末尾自动解析归属并重算大批的 直通_白料数 / 直通_总合格数 / 直通_良率 / 直通_口径。

14 KiB Raw Blame History Unescape Escape