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/MTTRMTBFMean Time Between Failures平均故障间隔时间和MTTRMean 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HI70分绿色正常运行HI 50-70分黄色7天内安排计划维护HI50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 npfrom collections import dequeclass HealthIndexCalculator:设备健康评分计算器支持多传感器融合def __init__(self, thresholdsNone):# 默认阈值配置self.T thresholds or {vib_rms_warn: 4.5, vib_rms_crit: 7.0, # mm/s RMStemp_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]) * 30elif 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])) * 50return 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_tempif rise self.T[temp_rise_warn]:return 100 - (rise / self.T[temp_rise_warn]) * 30elif rise self.T[temp_rise_crit]:return 70 - ((rise - self.T[temp_rise_warn]) /(self.T[temp_rise_crit] - self.T[temp_rise_warn])) * 50return 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]) * 30elif 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])) * 50return 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]) * 30elif deviation self.T[current_var_crit]:return 70 - ((deviation - self.T[current_var_warn]) /(self.T[current_var_crit] - self.T[current_var_warn])) * 50return 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.baselinescores {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、效果对比指标被动维修预测性维护非计划停机/年8次0-1次MTBF真空泵720小时2160小时MTTR10小时4小时年度维护成本约480万约290万年化停产损失约5000万约800万六、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
