当前位置：首页 > 智能制造 CIM/MES > 正文内容

报表自动化：每天自动生成FAB日报

叶志辉2个月前 (06-30)智能制造 CIM/MES4

报表自动化：每天自动生成FAB日报

一、问题背景：每天花2小时做日报

生产经理每天早上开晨会，第一件事就是看日报。

日报内容：

- 昨日生产情况（Lot完成数、良率、平均周期）

- 异常事件回顾

- 关键指标趋势

过去的做法：

1. 从MES导出数据

2. 复制到日报模板

3. 计算各项指标

4. 截图贴图

5. 发邮件

问题：

1. 每天重复同样的步骤，太浪费

2. 偶尔手滑，数字贴错了

3. 领导临时要变格式，全部重做

4. 没人想干这活，谁值班谁倒霉

解决方案：用Python自动生成日报。

---

二、技术原理：报表自动化的3个步骤

2.1 数据准备

import pandas as pd from datetime import datetime, timedelta def prepare_daily_data(): """获取昨日数据""" yesterday = datetime.now() - timedelta(days=1) date_str = yesterday.strftime('%Y-%m-%d') # 从MES获取数据（模拟） data = pd.DataFrame({ 'lot_id': [f'FAB-{i:04d}' for i in range(50)], 'process': ['ETCH', 'PHOTO', 'CVD', 'CMP', 'IMP'], 'wafer_count': np.random.randint(12, 26, 50), 'thickness_avg': 1250 + np.random.randn(50) * 3, 'thickness_std': 1 + np.random.rand(50) * 2, 'yield_rate': 95 + np.random.randn(50) * 2, 'cycle_time': np.random.randint(120, 360, 50), # 分钟 'start_time': yesterday, }) return data

2.2 指标计算

def calculate_kpis(data): """计算关键指标""" kpis = { 'total_lots': len(data), 'total_wafers': data['wafer_count'].sum(), 'avg_yield': data['yield_rate'].mean(), 'avg_cycle_time': data['cycle_time'].mean(), 'abnormal_lots': len(data[data['yield_rate'] < 90]), 'avg_thickness': data['thickness_avg'].mean(), } return kpis

2.3 报告生成

def generate_report(kpis, output_path): """生成日报文件""" report = f""" FAB日报 - {datetime.now().strftime('%Y-%m-%d')} {'='*50} 昨日生产概况: 完成Lot: {kpis['total_lots']}批完成Wafer: {kpis['total_wafers']}片平均良率: {kpis['avg_yield']:.1f}% 平均周期: {kpis['avg_cycle_time']:.0f}分钟异常情况: 低良率Lot: {kpis['abnormal_lots']}批质量指标: 平均厚度: {kpis['avg_thickness']:.2f} A {'='*50} """ with open(output_path, 'w', encoding='utf-8') as f: f.write(report)

---

三、实战案例：完整的日报系统

"""FAB日报自动生成系统（精简版，核心≤80行）""" import pandas as pd import numpy as np from datetime import datetime, timedelta from pathlib import Path class FABDailyReportGenerator: """FAB日报生成器（精简版）""" def __init__(self, output_dir="./daily_reports"): self.output_dir = Path(output_dir) self.output_dir.mkdir(parents=True, exist_ok=True) self.data = None self.kpis = {} self.yesterday = datetime.now() - timedelta(days=1) def load_data(self, data_source=None): """加载数据（为什么支持模拟？因为真实MES数据要申请权限，先用手动数据调试）""" if data_source and Path(data_source).exists(): self.data = pd.read_csv(data_source) else: # 模拟MES数据（用固定seed保证每天数据不同但可重复） np.random.seed(int(self.yesterday.timestamp())) n_lots = np.random.randint(30, 60) self.data = pd.DataFrame([{ 'lot_id': f'FAB-{self.yesterday.strftime("%m%d")}-{i+1:04d}', 'process': np.random.choice(['PHOTO', 'ETCH', 'CVD', 'CMP', 'IMP']), 'wafer_count': np.random.randint(12, 26), 'thickness_avg': round(1250 + np.random.randn() * 3, 1), 'yield_rate': round(min(100, max(80, 95 + np.random.randn() * 3)), 1), 'cycle_time': np.random.randint(120, 360), } for i in range(n_lots)]) return self.data def calculate_kpis(self): """计算关键指标（KPI = Key Performance Indicator，领导最关心这几个数）""" df = self.data # 生产概览（总量指标） self.kpis = { 'date': self.yesterday.strftime('%Y-%m-%d'), 'total_lots': len(df), 'total_wafers': df['wafer_count'].sum(), 'avg_yield': round(df['yield_rate'].mean(), 1), 'avg_cycle_time': round(df['cycle_time'].mean(), 1), 'avg_thickness': round(df['thickness_avg'].mean(), 2), 'low_yield_count': len(df[df['yield_rate'] < 90]), # <90%算异常 'abnormal_count': len(df[(df['yield_rate'] < 90) | (df['thickness_std'] > 3)]), } # 分工序统计（groupby是pandas最常用操作，按工序分组算均值） self.kpis['process_stats'] = df.groupby('process').agg({ 'lot_id': 'count', 'yield_rate': 'mean', 'cycle_time': 'mean', }).to_dict('index') return self.kpis def generate_text_report(self): """生成文本格式日报（为什么用文本？因为邮件正文、微信、钉钉都能直接贴）""" date_str = self.yesterday.strftime('%Y年%m月%d日') p = self.kpis['process_stats'] lines = [ "=" * 60, "半导体FAB生产日报", f"日期: {date_str}", "=" * 60, "", "【生产概况】", f" 完成Lot: {self.kpis['total_lots']} 批", f" 完成Wafer: {self.kpis['total_wafers']} 片", f" 平均良率: {self.kpis['avg_yield']}%", f" 平均周期: {self.kpis['avg_cycle_time']} 分钟", f" 平均厚度: {self.kpis['avg_thickness']} A", "", "【质量异常】", f" 低良率Lot: {self.kpis['low_yield_count']} 批", f" 异常合计: {self.kpis['abnormal_count']} 批", "", "【分工序统计】", ] for proc, stats in p.items(): lines.append(f" {proc}: {stats['lot_id']}批, 良率{stats['yield_rate']:.1f}%, 周期{stats['cycle_time']:.0f}分钟") lines.extend(["", "=" * 60, f"生成时间: {datetime.now().strftime('%Y-%m-%d %H:%M')}"]) return "\n".join(lines) def run(self, data_source=None): """执行完整流程""" self.load_data(data_source) self.calculate_kpis() return {'text_report': self.generate_text_report()} # 使用示例 if __name__ == '__main__': generator = FABDailyReportGenerator() result = generator.run() print(result['text_report'])

---

四、效果对比

维度 | 手工日报 | 自动日报 | 提升

|------|---------|---------|------|

生成时间 | 2小时 | 3秒 | 2400倍

错误率 | 5% | <0.1% | 98%

格式扩展性 | 差 | 灵活 | 好

离线可用 | 可以 | 需要配置 | -

---

五、实施建议：报表自动化三阶段

我在FAB推行报表自动化时，发现最大的阻力不是技术，而是“习惯”。工程师们习惯了Excel，觉得“手动做更放心”。要成功推行，得按三个阶段来：

第一阶段：手工报表标准化（第1-2周）

在写第一行代码之前，先把现有的手工报表摸清。我刚去生产部时，发现每个人的日报格式都不一样：

- 张工喜欢用表格，李工喜欢用段落

- 有的人把良率放前面，有的人把周期放前面

- 有的人用红色标注异常，有的人用黄色

我的做法：

1. 跟3-5个工程师聊，看他们现在的日报长什么样

2. 提炼出“公共部分”：生产概况、质量异常、分工序统计，这3块是所有人都要的

3. 设计一个“标准模板”，跟生产经理确认后，作为自动化报表的格式基准

4. 把标准模板用Markdown写出来（为什么用Markdown？因为转HTML、转PDF都很方便）

踩过的坑：一开始想“一步到位”，把每个人要的数据都加进去，结果报表太长，没人看。后来改成“核心报表+定制附件”，核心报表只有1页，定制数据放在Excel附件里。

第二阶段：半自动报表（第3-4周）

标准化后，开始做“半自动”——数据还是要手动导出，但计算和排版由代码完成。

具体步骤：

1. 让工程师每天下班前，把MES数据导出成CSV，放到指定文件夹（比如`D:\FAB\\daily_data\\`）

2. Python脚本从这个文件夹读取最新的CSV，计算KPI，生成文本报表

3. 工程师检查报表，确认无误后，复制粘贴到邮件里发出去

这个阶段的关键是“建立信任”。工程师们看到代码算出来的数字跟手动算的一样，才开始放心。

第三阶段：全自动报表（第5周开始）

信任建立后，就可以做全自动了。我设计了一个简单的自动化流程：

1. 用Windows任务计划程序（Task Scheduler），每天早上6点自动运行Python脚本

2. 脚本从MES数据库直接拉取昨日数据（需要IT部门开一个只读账号）

3. 生成文本报表+Excel明细，自动发送到指定邮箱（用`smtplib`库）

4. 如果数据异常（比如良率<90%），额外抄送质量经理

实施要点：

- 全自动不等于“没人管”。我建议每周人工抽查一次，看自动报表跟手动计算是否一致

- 邮件模板要设计好。我一开始把全部数据都放邮件正文，结果被吐槽“太长了，手机上看不全”。后来改成“摘要+附件”，摘要只放关键KPI，详细数据放Excel

- 权限要控制好。生产数据不能乱发，我加了一个“收件人白名单”，只有经理以上才能收到完整数据

---

六、进阶方向：从日报到智能报表系统

基础的日报自动化只是开始，报表系统还有很多可以升级的地方：

1. Jinja2模板引擎：让报表更美观

现在的文本报表虽然能用，但不够美观。可以用Jinja2模板引擎，生成漂亮的HTML报表。Jinja2是Python的模板库，可以把数据和HTML模板分离，方便维护。

from jinja2 import Template # HTML模板（放在单独的文件里） template_str = """ <h1>FAB日报 - {{ date }}</h1> <p>平均良率: <strong>{{ avg_yield }}%</strong></p> {% if abnormal_count > 0 %} <p style="color:red;">异常Lot: {{ abnormal_count }}批</p> {% endif %} """ template = Template(template_str) html_report = template.render(date=kpis['date'], avg_yield=kpis['avg_yield'], abnormal_count=kpis['abnormal_count'])

2. PDF报告生成：适合正式汇报

给高层的报告通常需要PDF格式。可以用`reportlab`库或者`weasyprint`库，把HTML转成PDF。我推荐`weasyprint`，因为它支持CSS，排版更灵活。

# 用weasyprint把HTML转PDF from weasyprint import HTML HTML(string=html_report).write_pdf('daily_report.pdf')

3. 邮件自动发送：定时推送

报表生成后，自动发送到指定邮箱。Python的`smtplib`库可以搞定，但要注意：

- 不要用个人邮箱发，容易被当成垃圾邮件。申请一个企业邮箱专门用来发报表

- 大附件（比如Excel明细）要压缩，不然邮箱拒收

- 如果报表里有异常数据，主题栏要标注`[异常]`，让收件人一眼看到

import smtplib from email.mime.text import MIMEText from email.mime.multipart import MIMEMultipart def send_email(text_report, recipients): msg = MIMEMultipart() msg['Subject'] = 'FAB日报 - ' + datetime.now().strftime('%Y-%m-%d') msg['From'] = 'fab-report@company.com' msg['To'] = ', '.join(recipients) msg.attach(MIMEText(text_report, 'plain', 'utf-8')) with smtplib.SMTP('smtp.company.com') as server: server.send_message(msg)

4. 交互式仪表盘（Dashboard）

比日报更高级的是“实时仪表盘”。可以用`Streamlit`库，几分钟搭一个Web仪表盘，展示实时生产数据。Streamlit是Python的快速Web应用框架，不需要写HTML/CSS/JS，全用Python搞定。

5. 多语言支持

如果公司在海外有工厂，报表需要英文版。可以用`gettext`库做国际化，或者简单点，用一个`lang`字典存储中英文对照。

---

> 📦 专栏VIP资源包：包含本系列40篇全部可运行源码、示例数据集、自动化脚本工具包。在专栏主页点击「VIP资源」即可获取。

七、总结

日报自动化的核心不是写代码，而是设计好数据流——数据从哪里来、怎么算、输出什么。标准化了以后，任何变动都改几行代码就行。

下一篇预告：时间序列分析——预测FAB生产趋势。

---

> 💬 你在实际工作中遇到过类似问题吗？欢迎在评论区聊聊你的经历，或者说说你最想用Python自动化的场景！

> 📚 专栏持续更新中，关注不迷路。觉得有用的话，收藏+点赞支持一下~ 👍