在数据分析实验室的数据智能方向，我们最近做了一个偏工程化的实验：把良率问题从“事后看报表”推进到“按批次自动归因”。试点产线三条，数据源包括 MES 过站、设备时序、来料检验和环境温湿度，时间跨度 8 周，过站记录约 120 万条。
第一步不是上模型，而是对齐。以批次号为主键、时间戳为辅助，把不同采样频率的数据重采样到分钟级，同时保留原始缺失标记，避免把“没采到”当成“正常”。第二步做归因：先用单变量漂移检测圈出异常窗口，再用梯度提升树加 SHAP 值排序影响因子，最后输出可疑批次清单和证据链，交给工艺工程师复核。
要点：
- 阶段性进展：在试点范围内，可疑批次定位从原来人工翻 2~3 天缩短到 30 分钟内给出候选清单；误报主要集中在小批量换型首件，已通过增加“首件隔离”标记缓解。
- 下一步计划：接入更多工艺参数与维修记录，把离线归因扩展为在线预警，并用工程师复核结果反向校准阈值，先保证可解释，再谈自动化处置。
评论