AI良率根因分析定制：多工序数据对齐与贡献度排序

制造业良率问题的定位长期依赖老师傅经验：数据分散在MES、设备PLC与检测机台，时间戳口径不一，工序粒度也不一致。数据分析实验室近期的实验把重点放在两件事上——先把多源数据对齐，再做波动贡献度排序。

对齐环节采用工序链路图加事件窗口：以工单与批次为主键，把各工序的上下料事件作为锚点，允许±90秒的时间漂移，对无法匹配的记录标注置信度而非直接丢弃。归因环节不追求复杂模型，用梯度提升树配合工序单调约束，输出各工序及关键工艺参数对良率波动的贡献度排序，并保留可追溯的证据链。

阶段进展：在某结构件产线试点，覆盖12道工序，日均处理约40万条时序与质量记录，对齐成功率96%，单次异常归因由人工约2天缩短至2小时内。下一步计划接入换型与停机上下文，并做在线漂移监控，避免模型随工况迁移而失效。