FAB数据分析项目完整案例：从数据到模型到可视化

1. 项目背景

晶圆良率是FAB最核心的KPI。传统做法：等晶圆加工完，上量测机台测一遍，才知道良率是好是坏。这时候发现问题，晶圆已经报废了，成本已经发生了。

我们想做的：提前预测。在关键工序后（如CVD镀膜后），根据前面工序的参数，预测最终良率。如果预测低于阈值，提前介入，避免损失。

这个项目的价值不只是省了多少钱，更重要的是建立了一套数据驱动的良率管理方法论——用数据说话，而不是凭经验判断。

2. 数据采集与预处理（3天工作量）

数据来源：MES系统API拉取过去2年的历史数据，涵盖5个关键工序（氧化、扩散、离子注入、光刻、蚀刻）。原始数据：50万行×120列。

处理步骤：缺失值（前向填充+均值填充，占总数据3%）、异常值（3σ原则检测并剔除，占1.2%）、特征去重（从120维降到85维）、时间对齐（确保每个Lot各工序数据时间戳对齐）。

最终有效数据：48万行×85列。数据质量是模型效果的前提——垃圾进，垃圾出。

3. 特征工程

基础工艺参数：每个工序的温度、压力、时间、流量等（约60个特征）。这是地基，地基不稳房子不稳。

统计特征：每个工序参数的均值、标准差、最大值、最小值、趋势斜率（约20个特征）。趋势斜率特别重要——参数是上升趋势还是下降趋势，往往比绝对值更能预测良率。

交互特征：相邻工序参数的乘积、比值（约5个核心交互特征）。比如蚀刻速率和光刻CD的乘积，与最终良率的相关性比单独看这两个参数更强。

时间衰减特征：考虑工艺参数随时间的漂移，给近期的数据更高的权重。这是FAB数据特有的时间依赖性。

4. 模型选择与训练

对比了3种模型：逻辑回归（准确率72%，可解释性最好）、随机森林（准确率81%，兼顾准确性和可解释）、XGBoost（准确率89%，需要更多调参）。最终选择XGBoost作为生产模型，辅助以逻辑回归作为可解释性分析工具。

调参：用Optuna做贝叶斯超参数搜索，200次试验，找到最优参数组合。关键参数：max_depth=6、n_estimators=200、learning_rate=0.1、subsample=0.8。

SHAP值分析：用SHAP值解释XGBoost模型的输出。最终发现：蚀刻速率趋势，光刻CD波动，离子注入能量偏差是影响良率的Top3因素。

5. 实战代码（核心片段）

数据加载和预处理（Pandas）：读取MES导出的CSV，处理缺失值和异常值，特征工程。

模型训练（XGBoost+Optuna）：数据划分（训练集80%，测试集20%），贝叶斯超参搜索（200次试验），交叉验证（5折）。

结果可视化（Matplotlib）：ROC曲线（模型整体性能AUC=0.91）、SHAP summary plot（特征重要性Top10）、混淆矩阵、良率预测分布图。

6. 效果对比

用预测模型前：晶圆加工完成后才发现良率问题，平均损失约/片。

用预测模型后：在关键工序后即可预测，平均提前3天预警，损失减少60%。

年度节省：约180万美金（按每年30000片风险批次，每片节省）。模型本身的价值：一套预测系统，1年节省的成本相当于3个工程师的年薪。

额外价值：工程师的决策从「凭经验判断」变成「看数据决策」，减少了人为误判导致的损失。

7. 踩坑经验

坑1：用了未来的数据（数据泄露）。解决：严格按时间顺序切分训练集和测试集，不用随机切分。

坑2：特征相关性导致过拟合。解决：用SHAP值分析，剔除重要性<1%的特征，从85维降到62维，AUC从0.85提升到0.91。

坑3：模型上线后效果下降。解决：每月用新数据重新训练一次，保持模型与最新工艺状态同步。

8. 进阶方向

多工序联动预测：用LSTM网络建模工序间的时序依赖关系。

根因推荐：不仅预测良率，还能推荐调整哪些参数可以改善良率——把预测模型和问题诊断模型结合起来。

实时预测：把模型部署到MES边上，新批次数据进来立即预测，不用等关键工序完成后。