数据智能方向的第一个实验，选在良率波动归因这个老问题上。现场并不缺数据，缺的是可对齐的口径：MES的工单记录、SPC的抽检结果、设备的时序日志，时间基准和粒度各不相同，工程师往往靠经验在几张表之间来回翻。
我们的做法是先对齐、再做排序。以批次为主键，把各工序的关键参数、检验结论与设备状态切成带时间戳的事件链，统一到分钟级窗口；再将异常批次与同期正常批次做同工序对比，输出按可疑度排序的“工序—参数”候选清单。模型只负责缩小范围，不给自动归因结论，判定权仍在工艺工程师手里。
阶段性进展：在某电子组装产线完成离线验证，覆盖前后十余道工序，单次排查用时从人工约两天压缩到数小时，Top5候选中命中已知原因的比例约七成；误报主要来自换料与计划性参数调整，已通过事件标注做前置过滤。
下一步计划：引入干预点检测与滞后相关分析，区分“参数先变”还是“结果先变”，避免把结果当原因；同时把历史复盘记录反哺为弱标签，用于评估候选排序在不同产线间的稳定性。
要点：1）验证指标以“人工排查耗时”与“Top5命中率”为主，不做单点精度承诺；2）弱标签方案已在离线环境跑通，下一步在第二条产线上做迁移验证。
评论