在离散制造中，良率异常往往同时牵动设备、工艺、物料与人员四类数据。工程师靠经验逐层排查，一次归因常需数小时，且结论难以复现。数据分析实验室近期围绕「良率异常根因分析」做了小范围实验：把 MES 过站记录、设备参数时序、SPC 检测结果与物料批次对齐到同一时间轴，再借缺陷图谱做工序级定位。
做法分两步：先用工序良率贡献度分解，把整线波动还原到具体工位；再对候选工位做时序相关性检验，输出带置信度的可疑参数排序，而不是给单一结论。这样设计的原因是，直接上复杂模型时现场工程师难以判断结果是否可信，反而不会采纳。
阶段性进展：在某电子组装产线约三个月的回溯数据上，模型给出的 Top3 可疑工位与工艺工程师最终确认结果一致率约七成；单次归因由平均 3 小时压缩到 20 分钟内产出候选清单。主要偏差集中在换型首件与批次混投时段，这部分的数据对齐规则仍在调整。
下一步计划：为换型场景补充独立基线，并将工程师的确认/否决动作回流为标签，逐步改善排序质量。该实验仍处早期，暂不做泛化承诺。
评论