跳至主要内容

📊 海量數據採樣策略

本章節介紹視覺化引擎中的核心算法：採樣 (Downsampling)。在大規模量產環境下，如何減少顯示點數且不誤導工程師，是系統設計的重難點。

1. 採樣的風險：為什麼不能隨機抽樣？​

在 SPC 中，我們最在乎的是「異常點 (Outliers)」。

  • 隨機抽樣：極有可能丟失違規點。
  • 均值採樣：會平滑掉所有的峰值，使製程看起來比實際上穩定。
  • 後果：隱藏了潛在的良率危機。

2. 核心算法：LTTB (Largest Triangle Three Buckets)​

系統採用業界公認的 LTTB 採樣算法。

  • 原理：在每個 Bucket 中尋找能組成「最大三角形面積」的點位。
  • 優勢：在數學上能最大程度地保留數據的「視覺特徵」與「分佈輪廓」。

3. 動態解析度 (Dynamic LOD)​

系統會根據終端裝置的像素寬度自動調整採樣比例：

  • 像素驅動：若顯示區域寬度為 1024px1024\text{px}，則系統僅會傳輸約 1000∼15001000 \sim 1500 個點。
  • 智能緩存：預生成多層解析度的圖像快照，實現瞬間加載。

4. 領域專家思維：指標的不可篡改性​

採樣僅應用於「繪圖層」，不應用於「計算層」。

  • 分離原則：圖表顯示採樣後的線條，但 CpkC_{pk} 計算必須基於「全量數據」。
  • 視覺警示：高倍率採樣時顯示提示，提醒工程師若需細部判讀應放大區間。