良率波动排查长期依赖工程师手工拉数：MES 的工单信息、设备的参数曲线、来料批次、环境记录分散在不同系统，时间戳口径不一，往往先花掉一半时间在拼表上。数据分析实验室近期以「数据对齐 + 因子筛选」为主线，做了一次实验性梳理。
做法上分三步。第一步以工单/批次为锚点，把分钟级设备参数聚合到批次粒度，建立特征宽表，并对齐换料、换模、参数下发等变更事件的时间点。第二步用树模型做因子重要性排序，配合分层对比与区间估计，区分“相关”与“可干预”。第三步把候选因子收敛后交回工艺侧做小批量验证，形成闭环。
阶段性进展：在某电子装配线试点，覆盖十余道工序、约四十类参数，归因候选由数百项收敛至 5~8 项，单次异常批次的排查周期从约两天压缩到半天以内（示例数据，随产线差异较大）。
要点：
- 时间对齐优先于模型复杂度——多数误判来自口径与时钟偏差，而非算法能力；
- 小样本组合采用收缩估计抑制噪声，避免把偶发波动写成结论。
下一步计划：接入设备变更日志与保养记录，补充因果线索；同时把因子筛选流程沉淀为可复用的特征模板，降低新产线的接入成本。
评论