晶片动态阈值分选优化分析数据

本数据适用于自动化分选产线中对产品质量的实时动态控制，尤其是对角度、尺寸等连续型测量指标的在线分选。原始数据来源于晶片角度分选机采集的实际测量值与标准值之间的偏差，数据采集频率高、批次特征明显。适用对象包括机械加工件、光学元件、电子元器件等需要严格角度或尺寸控制的产线，数据条件要求每个测量点均包含标准值、实测值及当前分选阈值。模型能够解决的核心问题是：在传统固定规格限分选模式下，往往出现“过杀”（合格品被误剔）或“漏杀”（不良品流入下道工序）的矛盾。通过实时分析当前批次的过程能力指数Cpk、偏差均值、标准差及历史不良趋势，动态推荐最佳分选跨度，从而在保证最终产品质量合格率的前提下，最大限度地降低不必要的复检成本。（一）加工前的数据说明：加工前的原始数据包含以下字段：文件名、测量时间、标准角度、中心角度、分选跨度、实际测量角度、平均角度、标准偏差、最大值、最小值、极差、CA、CP、CPK、USL/LSL等。所有角度数据均为晶片角度分选机直接输出，不包含任何个人身份信息或可关联到自然人的数据，将角度数据对度分秒格式进行归一化转换，并剔除明显超出设备量程的异常值。（二）处理规则：首先将每个测量点的实际角度与标准角度相减，得到偏差值（单位为秒），并按批次分组。每个批次计算以下统计特征：偏差均值μ、偏差标准差σ、实际不良率（超出±60″的比例）、过程能力指数Cpk。随后，将当前批次的Cpk、σ与历史相邻批次的不良率变化趋势（一阶差分）作为输入，送入强化学习智能体（或等价启发式规则）中，输出动作——收紧5″、不变或放宽5″。最终将原分选跨度加上动作值，得到推荐分选跨度。同时，基于正态分布假设（合格品服从N(μ,σ²)，不良品均值偏移15″）计算预期漏检率与误检率。（三）数据内容描述：每条记录对应一个生产批次，包含以下字段：批次号、测量时间、角度、偏差均值（秒）、偏差标准差（秒）、Cpk、不良率趋势、原分选跨度（秒）、推荐分选跨度（秒）、预期漏检率（%）、预期误检率（%）、实际不良率（%）。这些数据反映了每个批次的过程能力状态及模型给出的最优分选策略。通过对比预期与实际的漏检率/误检率，可闭环验证模型效果。

搜集汇总

背景与挑战

背景概述

该数据集用于自动化分选产线中晶片角度等连续型指标的动态质量控制，包含每个生产批次的偏差均值、标准差、Cpk、不良率趋势及分选跨度等关键信息。基于实际测量数据，通过分析过程能力指数和历史不良趋势，动态推荐最佳分选跨度，以平衡过杀与漏杀风险，在保障产品质量的同时降低复检成本。数据规模为2976条，采用xlsx格式，来自企业自行产生，每条记录对应一个批次，可直接用于模型效果的闭环验证。