封装测试良率预测：报废率下降 8%
良率异常通常在批次做完才发现，那时候报废已经发生。这个项目把设备参数、来料批次与环境数据关联起来，在批次完成前给出风险评分——目的是把"事后统计"变成"事中干预"。
半导体封装测试批次级建模10 周
01 / 问题
异常总是最后一个知道
封装测试的良率由几十个参数共同决定，而这些参数分散在三个地方：设备端（温度曲线、压力、时间）、来料端（批次、供应商、存储时长）、环境端（洁净度、湿度）。任何一处波动都可能让整批报废。
客户原来的做法是批次结束后统计良率，异常出现了再回溯。问题是：回溯找得到原因，但报废已经发生。他们真正想要的是在批次进行到一半时就知道"这批有风险"。
- 参数分散在设备、MES、来料台账三处，人工对齐一次要半天；
- 良率统计以天为单位，批次级的异常被日均值抹平；
- 老师傅能"感觉"出某批不对劲，但说不清依据，也无法复制。
02 / 方案
四步，把感觉变成评分
定建模粒度
不做"日良率预测"，做"批次级风险评分"。粒度定错，后面全错——这是这个项目最关键的一个决定。
数据对齐
把设备参数、来料批次、环境数据按批次号关联成一张宽表，补齐缺失时段，标注异常工况。
风险评分
用历史批次训练风险模型，输出 0-100 的评分与主要贡献因子——不只给结论，还要给"为什么"。
干预与复盘
评分进入预警看板，高风险批次由工艺工程师决定是否调整参数；每批复盘结果回流，用于下一轮校准。
技术选型（特征工程方式、模型类型、是否上深度学习）按当时的样本量与设备条件确定，方案里没有为了"先进"而选复杂模型。
03 / 结果
结果与口径
| 指标 | 变化 | 口径 | 前提条件 |
|---|---|---|---|
| 报废率 | 下降 8% | 按批次核算，对比项目实施前 6 个月的均值 | 设备参数与来料批次可关联 |
| 异常发现时点 | 从批次后提前到批次中 | 以预警触发时刻计 | 过程数据采集频率足够 |
需要说明的是：8% 是在特定产品结构与设备状态下测得的。换产品线、换设备批次，这个数字不保证复现——所以我们把"前提条件"写进表格，而不是只报一个百分比。
04 / 可复制性
什么样的企业能复制
- 生产以批次为单位组织，批次可追溯；
- 关键设备参数能采集，哪怕是人工抄录；
- 有 6 个月以上的历史良率与参数记录；
- 存在"事后才发现"的损失，且单批损失足够大。
反过来，单件离散生产、无批次概念、或参数根本无法采集的场景，不适合照搬这套做法。
FAQ
常见问题
良率预测需要多少历史数据？
通常需要 6 个月以上、覆盖正常与异常工况的批次数据。样本太少时，我们会先用规则模型兜底，随着数据积累再迭代。
预测准确率能到多少？
不承诺固定准确率。更有用的指标是"高风险批次的召回率"——即真正会出问题的批次里，有多少被提前预警。这个值要在你的数据上跑出来才知道，我们会在方案阶段用历史数据做回溯验证。
和 SPC 有什么关系？
SPC 管的是单参数是否越界，我们做的是多参数组合下的批次风险。两者互补：SPC 报警说明某个参数异常，风险评估说明这批整体有多大问题。
扫码加企业微信