【摘要】
现场问题的时间成本极高：一条线等你想清楚，可能已经多跑了 50 片废片。所以排查的第一原则不是"想得全"，是先缩小范围。
我用的方法叫五路取证：EAP 日志（设备侧发生了什么）、Lot 流（批次走了哪条路）、FDC 时序（参数有没有漂）、SPC OOS（管制有没有报）、数据库快照（系统记录的到底是不是事实）。五路交叉，通常 30 分钟内能给出可验证的假设。
【核心要点】
- 第一步不是查原因，是定时间窗和影响面——不知道影响了多少片，所有分析都是盲的
- 五路数据的顺序：先看"客观记录"（日志/数据库），再看"加工过的数据"（报表/看板）
- 交叉验证的核心是找时间上的第一个异常点，那就是起点
- 结论必须能被"最小复现"证伪，否则只是猜测
- 排查过程要留痕：每一步查了什么、看到什么，事后写报告直接用
---
一、起手三问（5 分钟）
接到问题，先问三个：
- 什么时候开始的？ 精确到小时，最好到批次
- 影响多少？ 多少片、多少 Lot、哪些产品、哪些机台
- 现在还在发生吗？ 是持续异常还是已经恢复
这三个问题的答案决定后面查哪个时间窗、查哪张表、要不要立即止损。
常见错误：直接问"你觉得是什么原因"。客户/值班工程师的判断通常是症状描述，不是根因，先按他的判断去查，容易被带偏。
二、第一路：EAP 日志（设备侧事实）
看什么：消息收发时序、异常码、断连记录、Recipe 下发记录。
怎么查：
- 按时间窗过滤，先看有没有 ERROR/WARN 集中出现
- 找第一条异常，而不是最多那条——第一条是起点，后面的多是连锁反应
- 关注：通信断连、T3 超时、命令返回非 0、配方下发失败/校验不一致
典型发现：某台机台在 03:12 有一次断连，重连后 CEID 订阅未重新注册，导致之后 4 小时的状态事件全部缺失——报表看起来像"设备没开工"，实际是数据没上来。
三、第二路：Lot 流（批次路径）
看什么：每个 Lot 经过的工序、时间、机台、操作人、状态变更。
怎么查：
-- 典型追溯查询（示意，字段名按实际调整）
SELECT lot_id, step, eqp_id, event_time, event_type, operator
FROM lot_history
WHERE lot_id IN (...) -- 或按时间窗+机台
ORDER BY lot_id, event_time;要看三件事：
- 有没有跳站（正常应经过的工序缺失）
- 有没有异常停留（某工序停留时间远超标准）
- 有没有非计划 Rework（重工次数异常）
典型发现：良率异常批次的 Lot 全部在 02:40–03:20 之间经过同一台刻蚀机，而这台机在同一时段有一次 Recipe 参数下发记录。
四、第三路：FDC 时序（参数有没有漂）
看什么：关键参数（温度、压力、RF 功率、气体流量）在时间窗内的曲线与统计量。
怎么查：
- 取异常批次对应的机台、腔体、时间段
- 同时取基线：同机台同 Recipe 前 7 天的数据
- 算三件事：均值偏移、标准差变化、趋势斜率
判读原则：
- 均值偏移 > 2σ 且持续 → 设备状态变化（腔体污染、耗材老化）
- 标准差变大 → 稳定性下降（点火不稳、气流波动）
- 缓慢单向漂移 → 典型耗材寿命或传感器漂移
典型发现：腔体压力在异常前 6 小时开始缓慢上升，斜率是平时的 3 倍——这是典型的泵效衰减或漏气前兆。
五、第四路：SPC OOS/OOT（管制有没有报）
看什么：管制图上的越限点、连续 7 点同侧、趋势规则触发情况。
为什么重要：SPC 是"系统自己给出的报警"。如果 SPC 报了但没人处理，问题在流程；如果 SPC 没报但实际异常，问题在管制方案设计。
两种典型情况：
- SPC 报了，被忽略：查 OOS 记录的处置状态，看是谁判了"误报"
- SPC 没报：查控制限怎么算的、样本量够不够、抽样频率是否太低
这条经常是复盘的关键：很多"突发"良率问题，SPC 三天前就报了第一点。
六、第五路：数据库快照（系统记录的事实）
看什么：MES/EAP 数据库里的原始记录，绕过所有报表和中间层。
为什么必须单独查：报表经过 ETL 和聚合，可能掩盖细节；看板可能缓存；接口可能丢数据。只有数据库是"第一现场"。
常查的四类：
- 产量对比：MES 报工数 vs EAP 采集数 vs 设备计数
- 状态一致性：设备实际状态 vs MES 记录状态
- 参数快照：Recipe 版本、参数值在变更前后的记录
- 时间戳：同一事件在三个系统的记录时间差
典型发现：MES 记录某 Lot 已完工，EAP 显示该 Lot 仍停在机台上——差异来自一次接口超时后的"补偿逻辑"，把未确认的消息当成功处理了。
七、交叉验证：找时间上的第一个异常点
把五路数据按时间排在同一条轴上，找最早的那个异常。
举例：
| 时间 | 事件 | 层级 |
|---|---|---|
| 02:38 | 腔体压力开始漂移 | 设备 |
| 02:52 | FDC 首次触发高值告警（被忽略） | 系统 |
| 03:05 | 该机台产出首批良率下降 | 工艺 |
| 03:12 | EAP 断连，事件缺失 4 小时 | 通信 |
| 04:30 | 品质发现良率异常，开始追查 | 管理 |
第一个异常是 02:38 的压力漂移。后面的断连是果不是因——这是最常见的误判：看到断连就以为通信是根因。
八、结论必须可证伪
排查的产出不是一个"我认为"，是一个可验证的假设：
- 假设：腔体压力漂移导致等离子体分布变化，引起膜厚均匀性下降
- 验证：取异常批次与前一批次的膜厚分布图对比；查该腔体压力传感器校准记录
- 反证：如果其他使用同腔体的产品良率正常，假设不成立
最小复现：能找到一个 Lot、一个时间窗、一个参数，把现象稳定重现出来。做不到，就说明还没找到根因。
九、把排查过程变成资产
每次排查完，写一份"排查路径记录"：从哪个现象出发、依次查了什么、排除了什么、最后落在哪。三次之后你会发现，同类问题的路径高度复用——这就是个人经验变成方法论的过程。
下一篇讲沟通：FDE 在 Fab 里要同时面对 IT、PE、良率、生产、设备五类角色，同一件事五种说法，怎么对齐。