在制造场景里，良率一波动，排查往往先靠老师傅的经验排序：先看设备、再看来料、最后怀疑班次。这套流程能用，但慢，而且难以复核。数据分析实验室近期的一项实验，试图把这一步做成可解释的数据流程。
做法分三层。第一层是对齐：把 MES 批次、设备时序、检测图像元数据、来料批次按统一时间轴与批次键落到同一张宽表，处理采样频率不一致和时钟偏移。第二层是分解：用层次化方差分解加 Shapley 近似，把良率方差按批次、机台、班次、工艺窗口等维度拆分，得到「哪个维度解释了多少波动」的排序。第三层是反事实核对：对排在前面的因子做局部对照，检查同一机台在扰动前后的差异是否可复现。
阶段性进展：
1）在某电子组装试点中，系统给出的前三位归因维度与人工复查结论一致的比例约为七成，单次异常排查的平均耗时从数小时压缩到一小时以内；
2）拆分结果会标注解释度与样本量，样本不足的维度直接标记为「证据不足」，避免给出过度确定的结论。
需要说明的是，方差分解给出的是相关性线索而非因果结论，最终判定仍由工艺人员完成。下一步计划把归因输出接入参数推荐环节，并加入数据漂移监控，在特征分布变化时自动提示模型需要重新校准。
评论