半导体晶圆多元轮廓数据异常检测系统

项目背景

半导体制造过程中，设备会随时间发生长期漂移，晶圆的多元轮廓数据维度高、噪声强、异常模式隐蔽，靠人工监控既不及时也不可靠。团队目标是构建一套从原始传感器数据到异常根因定位的完整检测系统。

• 项目时间：2025.03 - 2025.08
• 我的角色：核心队员
• 荣誉：2025 年清华 IE 亮剑教指委赛道特等奖

我的工作

1. 鲁棒特征工程

针对设备长期漂移导致传统统计量失效的问题，设计了鲁棒统计量更新机制，让特征对缓慢漂移保持稳定而对真实异常敏感。

随后基于互信息分层聚类对传感器做筛选：

• 输入：129 个传感器通道
• 输出：20 个核心通道
• 完成特征提取与两级降维，在保留判别信息的前提下大幅降低后续建模成本

2. 函数型数据分析（FDA）建模

独立完成 FDA 模块的封装：把轮廓数据视为函数而非离散点序列，提取其形态特征，用于刻画正常与异常轮廓的差异。

3. 异常聚类与根因定位

参与异常模式聚类与根因定位模块开发：当检测到异常后，通过主成分贡献分析反推是哪些关键传感器导致的异常，让结果从"报警"升级为"可解释、可处理"。

4. 系统串联与消融实验

• 参与系统核心流程整合与全链路串联；
• 编写消融实验脚本，逐项验证传感器筛选、FDA 特征等模块的真实贡献。

成果数据

指标	结果
传感器维度	129 → 20（降低 86%）
模型 AUC	提升 3.7%（相对未筛选基线）
奖项	清华 IE 亮剑教指委赛道 特等奖

关键结论：降维不但没有损失信息，反而因为去除了冗余和噪声通道而提升了检测性能。

收获

• 完整经历了工业数据项目链路：数据 → 特征 → 模型 → 根因 → 消融验证；
• 理解了"降维"在工程上不只是算得快，更是一种主动的偏差-方差权衡；
• 体会到消融实验的价值：任何模块的有效性都必须用对照实验证明，而不是靠直觉。