良率一掉，工程师的第一反应通常是打开 SPC 逐工序翻曲线，几小时后才勉强收敛到某个设备参数上。我们的实验，是把这段排查过程尽量数据化。
做法分三步：先把 MES 的工序参数、设备状态、物料批次与环境数据按时间轴对齐，并允许上游变量带时间偏移参与匹配；再用相关性筛选压缩候选集，用贡献度分解把良率损失分摊到具体因素上，而不是只给出一句「相关」；最后输出可复核的证据链，标注样本区间、偏移量与置信区间，交由工艺工程师判断。
要点：
1）阶段进展：在某电子装配线试点中，单个良率异常的因素排序时间由数小时压缩到约三十分钟，Top3 候选中命中真实原因的比例约七成；主要误差来自换型与试产区间混入基线。
2）下一步：加入工况分段，把换型、试产、稳态分开建模；并补充「证据不足」的拒答机制，避免数据量不够时给出看似确定的归因。
评论