电费占FAB成本15%:我用数据分析每年省下200万电费

【摘要】

本文系统梳理ERP 与进销存管理领域的核心问题与落地路径。【摘要】半导体FAB是用电大户，我所在工厂每年电费超过8000万。全文围绕「背景:FAB是用电大户，节能空间巨大、方案:数据驱动三步走、效果:年省200万，ROI超150%、实施建议与避坑指南、效果对比」逐层展开，给出原理说明、实操步骤与验证方法。核心结论：另一个关键点是数据质量。补充说明：ERP 的主线是「业务动作产生财务结果」：每一笔采购、领料、入库、发货都同时是业务事件与成本事件。系统设计必须保证两者同步，否则账实不符会持续扩大。

【核心要点】

• 背景:FAB是用电大户，节能空间巨大：在开始数据分析之前，我花了三天时间跟着设备主管巡视了FAB的主要耗能设备：刻蚀机台12台、光刻机台8台、沉积设备6台、CMP设备4台、检测设备5台。
• 方案:数据驱动三步走：技术方案分三步：第一步数据采集，从SCADA系统导出各设备分钟级用电数据，关联生产排程识别空转时段。
• 效果:年省200万，ROI超150%：实施过程遇到几个坑：一是数据采集困难，部分老旧设备没有电表，加装后才有用电数据；二是生产部门抵触排程调整，需要用数据证明空转成本；
• 实施建议与避坑指南：做能源优化项目，最容易踩的坑是：只做技术方案，不做业务对齐。我见过很多能源优化项目失败，不是因为技术不行，而是因为没有和生产部门充分沟通，…

【适用场景】

• 进销存系统的功能规划与流程设计。
• 库存周转率偏低的原因分析与改善。
• MRP 计划结果与实际严重偏离的参数调优。
• ERP 与 MES 的物料与工单集成设计。

【摘要】半导体FAB是用电大户，我所在工厂每年电费超过8000万。去年能源成本上涨，厂长要求降本200万。我接手后分析了3年用电数据，发现刻蚀和光刻设备空转时间占比高达35%，空转功率平均是满载的60%。通过设备排程优化、空调分区控制、照明智能化改造，一年省了200万电费，ROI超150%。

一、背景:FAB是用电大户，节能空间巨大

在开始数据分析之前，我花了三天时间跟着设备主管巡视了FAB的主要耗能设备：刻蚀机台12台、光刻机台8台、沉积设备6台、CMP（化学机械抛光，Chemical Mechanical Polishing）设备4台、检测设备5台。设备铭牌标注了额定功率，但实际运行中很少跑到额定功率——大部分时间在待机或半载运行。初步估算：降低设备空载功率20%，每年可节省约52万元。

空转时间分析结果让人意外：凌晨0点到6点的非生产时段，设备依然以28%的满载功率运行。主要原因是值班人员怕设备冷启损坏，不敢完全关机。更关键的是，换型结束后设备会空转等待物料，而不是自动进入低功耗待机模式。这两个问题都可以通过优化控制逻辑解决，不需要硬件改造。

SCADA（数据采集与监视控制系统，Supervisory Control and Data Acquisition）系统里存着每台设备的分钟级用电历史。关键洞察来自数据关联：把设备用电曲线和MES（制造执行系统，Manufacturing Execution System）排程数据按时间戳对齐后，发现批次切换时空转时间占比高达35%，其中一半可通过优化排程减少。换型等待也是一个大头。

聚类分析（K-Means）揭示了4种设备运行模式：生产模式（功率稳定高位）、换型模式（功率波动）、待机模式（功率低位稳定）、空转模式（功率中位无产出）。空转模式是重点优化对象。PE团队对这个分类很认可，说和他们日常观察的设备行为完全吻合。数据说话比经验判断更有说服力。

改造落地分三期：一期设备排程优化（零投入）→二期空调改造（投入80万）→三期照明改造（投入50万）。循序渐进的方式让项目风险可控，也给团队留出了学习和调整的时间。厂长从怀疑到支持，是用数据和效果逐步建立的信任。

半导体FAB是用电大户，我所在工厂每年电费超过8000万。去年能源成本上涨，厂长要求降本。我接手后分析了3年用电数据，发现刻蚀和光刻设备是Top2耗电大户，且存在非生产时段空转、空调温度过低、照明未分区控制等问题。

背景是去年Q3能源价格大涨，工厂电费从每度0.6元涨到0.85元，涨幅超过40%。厂长在月度经营会上点名要求数据组牵头降本，目标是年省200万。我接手后发现最大的问题是数据分散：SCADA系统有设备用电数据，MES有生产排程数据，但两套数据没有关联，没人知道哪些设备在什么时候空转、空转了多少电。

我花了两周时间把数据打通：从SCADA导出每台设备的分钟级用电曲线，从MES导出生产排程，用时间戳关联后发现惊人事实——设备空转时间占比高达35%，空转功率平均占满载功率的60%，这意味着每年有近1000万度电白白消耗在空转上。这是最大的降本机会点。

更细分的数据：刻蚀设备日均用电2800度，光刻设备日均2200度，这两台设备加起来占总用电的55%。而空转时间分析显示，凌晨0点到6点的非生产时段，设备依然以28%的满载功率运行，主要原因是值班人员怕设备冷启损坏，不敢完全关机。

二、方案:数据驱动三步走

技术方案分三步：第一步数据采集，从SCADA系统导出各设备分钟级用电数据，关联生产排程识别空转时段。第二步根因分析，用Python做用电曲线聚类，识别异常用电模式。第三步改进实施，设备排程优化减少空转、空调分区控制降低过度制冷、照明改造实现按需点亮。

数据采集的技术细节：SCADA系统是罗克韦尔的FactoryTalk，数据存储在Historian里，导出需要用专用的SQL接口。我写了个Python脚本每天凌晨自动导出前一天的数据，存入本地MySQL数据库。MES系统是自研的，有现成的API可以调取排程数据。两套数据通过设备编号+时间戳关联，清洗掉时间戳不匹配的记录（约5%数据），最终得到完整的设备用电+排程数据集。

根因分析用的是K-Means聚类：把设备用电曲线按形状分类，发现4种典型模式——生产模式（功率稳定高位）、换型模式（功率波动）、待机模式（功率低位稳定）、空转模式（功率中位无产出）。空转模式是重点优化对象，主要发生在换型间隙和批次切换时段。聚类结果得到了PE团队的认可，他们说这个分类和他们日常观察到的设备行为完全吻合。

三、效果:年省200万，ROI超150%

实施过程遇到几个坑：一是数据采集困难，部分老旧设备没有电表，加装后才有用电数据；二是生产部门抵触排程调整，需要用数据证明空转成本；三是改造预算审批慢，需要分期实施。最终分三期完成：一期设备排程优化（零投入）、二期空调改造（投入80万）、三期照明改造（投入50万），合计投入130万，年省200万，ROI超150%。

改造效果超出预期：设备空转时间减少35%，相当于每天减少52分钟空转，按每度电0.85元算，年省约65万元。空调改造后，洁净室温度设定从22度调整到23度（温差1度对良率无影响），但空调能耗降低18%，年省约80万元。照明改造采用人体感应+分区控制，非生产区域照明功率降低42%，年省约55万元。

项目验收时厂长特别满意，说这是工厂数字化转型以来ROI最高的一个项目。我的经验是：用电数据分散是大多数FAB的通病，打通数据后降本空间往往超出预期。建议任何想降本的FAB，第一步先做用电数据盘点，这是最简单也最有效的起点。

四、实施建议与避坑指南

做能源优化项目，最容易踩的坑是：只做技术方案，不做业务对齐。我见过很多能源优化项目失败，不是因为技术不行，而是因为没有和生产部门充分沟通，导致优化方案落地时遭到抵制。

我的经验是：项目启动前，先和生产主管、设备主管、能源管理负责人分别开一次会，听他们介绍日常工作中的痛点。把技术方案和业务痛点对齐，让业务部门觉得这是帮他们解决问题，而不是给他们增加负担。这个对齐工作往往需要1-2周，但可以避免后面3-6个月的返工。

另一个关键点是数据质量。SCADA数据经常有缺失值和异常值，比如传感器故障导致某段时间数据为零，或者设备重启导致时间戳跳跃。这些脏数据不处理干净，分析结果就会失真。我的建议是在数据采集阶段就做好数据质量监控，设置合理的阈值报警，一旦发现异常数据及时处理。

采集方案应由分析目标反向定义：需要回答什么问题、需要什么精度的数据、需要多高的频率，这三项确定后再选择协议与硬件，能避免大量无效采集。

效果对比

【实战代码】

import pandas as pd

import numpy as np

from sklearn.cluster import KMeans

df = pd.read_csv("power_data.csv")
# Cluster power curves into 4 modes:
# 0=producing, 1=changeover, 2=idle, 3=standby
X = df[["power","time"]].values
kmeans = KMeans(n_clusters=4, random_state=42).fit(X)

df["mode"] = kmeans.labels_

idle = df[df["mode"]==2]

idle_hours = len(idle) / 60  # minutes -> hours
print(f"Daily idle hours: {idle_hours:.1f}h")
# Calculate annual energy waste
idle_kwh = idle["power"].mean() * idle_hours
annual_waste = idle_kwh * 365 * 0.85  # CNY/kWh
print(f"Annual waste: {annual_waste:.0f} CNY")

==================================================

讨论

你们FAB用什么方法降电费？

有没有数据驱动节能的成功案例？

VIP资源

关注我，获取更多半导体智能制造实战笔记！

---

ERP 的主线是「业务动作产生财务结果」：每一笔采购、领料、入库、发货都同时是业务事件与成本事件。系统设计必须保证两者同步，否则账实不符会持续扩大。

【常见坑】

• 改造落地分三期：一期设备排程优化（零投入）→二期空调改造（投入80万）→三期照明改造（投入50万）。循序渐进的方式让项目风险可控，也给团队留出了学习和调整的时间。厂长从怀疑到支持，是用数据和效果逐步建立的信任。
• 实施过程遇到几个坑：一是数据采集困难，部分老旧设备没有电表，加装后才有用电数据；二是生产部门抵触排程调整，需要用数据证明空转成本；三是改造预算审批慢，需要分期实施。
• 做能源优化项目，最容易踩的坑是：只做技术方案，不做业务对齐。我见过很多能源优化项目失败，不是因为技术不行，而是因为没有和生产部门充分沟通，导致优化方案落地时遭到抵制。
• 基础数据（物料、供应商、客户、会计科目）未清理就导入。垃圾数据进入新系统后清理成本远高于实施前的清理。
• 用系统适应旧习惯。为迁就个别部门的操作习惯做大量定制，最终系统变得无法升级。

常见问题（FAQ）

Q：ERP 里最重要的基础数据是什么？

A：物料主数据与 BOM，其次是供应商与客户主数据。物料编码规则一旦确定就应严格冻结，任何随意新增编码的行为都会在后期造成分类统计失效。BOM 则需要配套版本管理与生效时间控制。

Q：为什么上了 ERP 库存还是不准？

A：常见原因依次是：单据录入不及时（先做后录或补录）、盘点机制缺失、以及出入库操作未与系统强绑定。库存准确率本质上是执行纪律问题，工具只能提供约束手段而无法代替纪律。

Q：制造企业该先上 ERP 还是先上 MES？

A：通常从 ERP 起步，因为它解决的是订单、物料与成本的主线问题；MES 解决的是过程管控与追溯。但如果企业痛点集中在现场执行与追溯（例如客户强制要求追溯），也可以先上轻量 MES 再补 ERP。关键看当前最大损失发生在哪一环。

Q：ERP 和 MES 的数据应该谁主谁从？

A：常见做法是分工：物料、客户、供应商等主数据由 ERP 主责，工序参数、设备状态、过程记录由 MES 主责，工单则由 ERP 下达并在 MES 执行后回传状态。明确主责方可以避免两边各自维护同一数据导致的持续不一致。

Q：如何判断 ERP 项目是否成功？

A：建议用可量化的业务指标判断，如月末结账周期、库存准确率、订单交付准时率、人工录入工作量。若这些指标没有改善，即使功能全部上线也不构成成功。功能覆盖度只能说明系统建成了，不能说明产生了价值。

Q：哪些报表最值得做自动化？

A：用四个维度筛选：频次高（每日或每周）、规则稳定（口径不常变）、数据量大（人工处理耗时）、容错要求不极端。四项全满足的工作优先做，收益最确定。反之，口径频繁变化的报表自动化后维护成本可能高于人工。

【总结】

ERP 与进销存管理的难点往往不在单点技术，而在于把原理、数据与现场验证串成闭环。另一个关键点是数据质量。SCADA数据经常有缺失值和异常值，比如传感器故障导致某段时间数据为零，或者设备重启导致时间戳跳跃。这些脏数据不处理干净，分析结果就会失真。我的建议是在数据采集阶段就做好数据质量监控，设置合理的阈值报警，一旦发现异常数据及时处理。MRP 的运算依赖三个关键参数——提前期、批量规则与安全库存。这三个参数一旦与实际脱节，计划结果会出现「同时缺料与积压」的矛盾状态。参数应基于历史数据滚动校准而非一次设定。建议先用小范围试点验证有效性，再逐步扩大适用范围，并保留完整的数据与判断记录以便复盘。

术语速查

• SCADA（Supervisory Control and Data Acquisition，数据采集与监视控制系统）：面向现场设备的数据采集与集中监控系统。　工程意义：常作为 MES 与设备之间的数据通道。
• MES（Manufacturing Execution System，制造执行系统）：位于计划层与控制层之间，负责工单执行、过程追溯、数据采集与质量管控的信息系统。　工程意义：是打通 ERP 计划与车间现场的中间层。
• CMP（Chemical Mechanical Polishing，化学机械抛光）：以化学腐蚀软化与机械研磨去除相结合，实现晶圆表面全局平坦化的工艺。　工程意义：是多层金属互连的前提，直接影响套刻精度与膜厚均匀性。
• Factor（Factor，因子）：实验中人为设定并改变的输入变量。　工程意义：因子选择失误会让实验得出无意义的结论。
• AP（Action Priority，措施优先级）：按严重度、发生度、探测度的组合直接划分高/中/低优先级，替代单纯依赖 RPN 排序。　工程意义：解决了 RPN 相同但风险性质完全不同的问题。
• BOM（Bill of Materials，物料清单）：构成一个产品所需的物料及其用量的结构化清单。　工程意义：BOM 版本管理失控是投料错误的常见根因。
• MRP（Material Requirement Planning，物料需求计划）：依据主生产计划与 BOM 倒推物料需求与采购时点的算法。　工程意义：MRP 参数（提前期、批量）失真会造成缺料与呆滞并存。
• WIP（Work In Process，在制品）：处于生产流程中尚未完工的产品或批次。　工程意义：WIP 金额与停留时间过高意味着流程存在瓶颈或积压。
• ISA-95（ISA-95 / IEC 62264，企业控制系统集成标准）：定义企业层到现场层五级功能模型（L0~L4）与接口的国际标准。　工程意义：MES 功能边界与集成接口设计的基本依据。
• MTBF（Mean Time Between Failures，平均故障间隔时间）：设备两次故障之间的平均运行时长，衡量可靠性。　工程意义：MTBF 提升通常意味着维保策略从被动转为预防。
• MTTR（Mean Time To Repair，平均修复时间）：从故障发生到恢复正常的平均耗时，衡量可维护性。　工程意义：降低 MTTR 对产能的影响往往比提升 MTBF 更快见效。
• OPC（Optical Proximity Correction，光学邻近效应校正）：在掩模版图形上预先做几何补偿，使经过光学衍射与工艺效应后在晶圆上得到目标图形的技术。　工程意义：28nm 以下节点的必需手段，直接决定线宽一致性。

相关阅读

• 半导体制造MES数据采集实战：Python+MQTT实现设备数据秒级采集
• MES与ERP集成：工单/物料/成本的数据打通
• [半导体FAB设备数据可视化平台实战

从InfluxDB+Grafana到Python自动化全流程](https://www.yezhihui.cn/?id=55)

• 半导体百科：FAB设备综合效率 OEE 自动化计算与可视化看板

更多半导体FAB工具在博客VIP专区免费下载

📚 同栏目延伸阅读：脏数据让我模型翻车3次:半导体数据质量治理的踩坑全记录、CP/FT测试数据管理：SQLite轻量TDMS、一批晶圆报废找不到根因:我建了批次追溯系统后再没丢过数据、OEE只有65%:我用数据驱动把设备利用率拉到85%