企业官网建设流程全解析

一、问题背景：设备故障导致的FAB停产损失

FAB停产一天的成本是多少？我们工厂核算过，12英寸线每天的产出损失+客户罚款+重新爬坡成本，合计超过800万。所以FAB工程师最怕的不是设备故障本身，而是设备在没有任何预警的情况下突然宕机。2018年我们厂的刻蚀机真空泵平均每季度发生2次非计划停机，每次恢复需要8-12小时，全年因真空泵故障导致的损失超过5000万。

后来引入预测性维护（PdM, Predictive Maintenance），通过振动分析+温度监测+油液分析提前发现设备劣化趋势，在故障发生前3-7天安排计划性维护。现在真空泵的非计划停机降到每年0-1次，维护成本降低40%。

二、技术原理：设备健康评分与MTBF/MTTR

MTBF（Mean Time Between Failures，平均故障间隔时间）和MTTR（Mean Time To Repair，平均修复时间）是设备可靠性的两个核心KPI。MTBF越高说明设备越可靠，MTTR越低说明维修效率越高。设备综合效率OEE中的可用率因子就深受这两个指标影响：可用率 = MTBF / (MTBF + MTTR)。

预测性维护的核心是设备健康评分（Health Index, HI）。HI是一个0-100的评分，通过多维传感器数据计算：振动信号（占权重40%）用FFT提取频域特征；温度（占权重25%）监测轴承温度温升趋势；油液质量（占权重20%）分析颗粒数和粘度变化；运行电流（占权重15%）监测电机负载异常。

三、实战案例：刻蚀机真空泵预测性维护

真空泵是刻蚀机的核心真空获取设备，一旦故障整个腔体必须停机抽真空。我们的预测性维护方案：每台真空泵安装3轴加速度传感器（采样率10kHz）+ 轴承温度传感器（精度0.1度）+ 油液颗粒计数器。数据每5分钟上报一次到边缘计算网关，网关运行轻量级异常检测算法，发现劣化趋势立即上报。

报警分级策略：HI>70分（绿色）正常运行；HI 50-70分（黄色）7天内安排计划维护；HI<50分（红色）立即触发维护工单，同时检查是否有备件库存。实施6个月后，真空泵非计划停机从年均8次降到年均0-1次，MTBF从720小时提升到2160小时。

图1：设备故障维护成本帕累托（左）及预测性维护前后MTBF对比（右）

图2：设备健康评分趋势与预测性维护决策窗口示意

四、完整代码：设备健康评分模型

以下代码实现设备健康评分计算器，基于多维传感器数据计算综合HI。振动分析提取RMS值和频谱峰值频率，温度分析计算温升速率，油液分析基于ISO固体颗粒污染等级，最终通过加权平均得出综合评分。

HealthIndexCalculator - 设备健康评分计算

import numpy as np
from collections import deque

class HealthIndexCalculator:
"""设备健康评分计算器（支持多传感器融合）"""
def __init__(self, thresholds=None):
# 默认阈值配置
self.T = thresholds or {
'vib_rms_warn': 4.5, 'vib_rms_crit': 7.0, # mm/s RMS
'temp_rise_warn': 15, 'temp_rise_crit': 25, # °C 相对基准
'iso_code_warn': 18, 'iso_code_crit': 20, # ISO 4406 污染等级
'current_var_warn': 10, 'current_var_crit': 20 # % 相对额定
}
# 权重配置（可根据设备类型调整）
self.weights = {'vibration': 0.40, 'temperature': 0.25,
'oil': 0.20, 'current': 0.15}
self.baseline = {} # 基准值（新设备时建立）

def calc_vibration_score(self, rms_value: float) -> float:
"""振动评分：RMS值越低越好，100=完美，0=危险"""
if rms_value <= self.T['vib_rms_warn']:
return 100 - (rms_value / self.T['vib_rms_warn']) * 30
elif rms_value <= self.T['vib_rms_crit']:
return 70 - ((rms_value - self.T['vib_rms_warn']) /
(self.T['vib_rms_crit'] - self.T['vib_rms_warn'])) * 50
return max(0, 30 - (rms_value - self.T['vib_rms_crit']) * 10)

def calc_temperature_score(self, current_temp: float, baseline_temp: float) -> float:
"""温度评分：温升越小越好"""
rise = current_temp - baseline_temp
if rise <= self.T['temp_rise_warn']:
return 100 - (rise / self.T['temp_rise_warn']) * 30
elif rise <= self.T['temp_rise_crit']:
return 70 - ((rise - self.T['temp_rise_warn']) /
(self.T['temp_rise_crit'] - self.T['temp_rise_warn'])) * 50
return max(0, 30 - (rise - self.T['temp_rise_crit']) * 5)

def calc_oil_score(self, iso_code: int) -> float:
"""油液评分：ISO等级越低越好（等级数字越大污染越严重）"""
if iso_code <= self.T['iso_code_warn']:
return 100 - (iso_code / self.T['iso_code_warn']) * 30
elif iso_code <= self.T['iso_code_crit']:
return 70 - ((iso_code - self.T['iso_code_warn']) /
(self.T['iso_code_crit'] - self.T['iso_code_warn'])) * 50
return max(0, 30 - (iso_code - self.T['iso_code_crit']) * 10)

def calc_current_score(self, current_pct: float) -> float:
"""电流评分：偏离额定值越小越好"""
deviation = abs(current_pct - 100)
if deviation <= self.T['current_var_warn']:
return 100 - (deviation / self.T['current_var_warn']) * 30
elif deviation <= self.T['current_var_crit']:
return 70 - ((deviation - self.T['current_var_warn']) /
(self.T['current_var_crit'] - self.T['current_var_warn'])) * 50
return max(0, 30 - (deviation - self.T['current_var_crit']) * 5)

def calculate(self, sensor_data: dict, baseline: dict = None) -> dict:
"""计算综合健康评分"""
bl = baseline or self.baseline
scores = {
'vibration': self.calc_vibration_score(sensor_data['vib_rms']),
'temperature': self.calc_temperature_score(
sensor_data['temp'], bl.get('temp', sensor_data['temp'])),
'oil': self.calc_oil_score(sensor_data['iso_code']),
'current': self.calc_current_score(sensor_data['current_pct'])
}
# 加权综合评分
hi = sum(scores[k] * self.weights[k] for k in self.weights)
return {
'health_index': round(hi, 1),
'component_scores': {k: round(v, 1) for k, v in scores.items()},
'status': 'NORMAL' if hi > 70 else ('WARNING' if hi > 50 else 'CRITICAL'),
'action': '正常巡检' if hi > 70 else ('7天内计划维护' if hi > 50 else '立即维护')
}

# 示例
calc = HealthIndexCalculator()
data = {'vib_rms': 5.2, 'temp': 68.5, 'iso_code': 17, 'current_pct': 105}
baseline = {'temp': 55.0}
result = calc.calculate(data, baseline)
print(f"健康评分: {result['health_index']} | 状态: {result['status']} | 建议: {result['action']}")

为什么这样写：分项评分函数使用分段线性映射，将传感器原始值映射到0-100的健康评分；阈值参数化，方便针对不同设备类型调整；HI计算采用加权平均，振动权重最高（40%）因为真空泵的主要故障模式就是机械振动劣化；返回结构化结果，包含分项评分、状态和建议操作，方便MES系统直接使用。

五、效果对比

六、实施建议

传感器选型是第一个坑。不是越贵的传感器越好，关键是采样率和量程要匹配设备特性。真空泵的振动信号，10kHz采样率已经足够捕捉轴承的特征频率（通常在2-5kHz范围），更高采样率只会增加数据量和存储成本。

基线建立至少需要4周。设备健康评分需要在新设备或大修后稳定运行时建立基线，基线数据不足会导致早期报警误报率高，影响工程师对系统的信任。建议用前4周的均值作为基准值。

七、进阶方向

基于物理信息的神经网络（PINN）：将设备退化物理模型（Arrhenius方程、疲劳累积损伤模型）嵌入神经网络，在数据不足时仍能保证预测准确性；数字孪生设备：构建虚拟真空泵模型，实时仿真运行状态，支持What-if场景分析；自动维护工单生成：当HI触发阈值时，自动在MES中创建维护工单并通知相关工程师，全程无需人工干预。

互动话题

• 你们FAB现在用的是什么方法做良率预测？效果如何？有什么痛点？
• SPC统计过程控制和机器学习预测之间，你们更倾向哪种方案？理由是什么？

觉得这篇文章有收获？欢迎收藏、点赞支持！
本文首发于：blog.csdn.net/yeflashzhihui