去年接了一个东莞电子代工厂的项目。他们8条SMT线，每天出3000多片PCBA板，功能测试良率在92-94%之间波动。乍一看这个数字还行，但算一笔账：每100片板里有6-8片到功能测试才发现有问题——返工成本（人工检测、拆焊、重焊、重新测试）单板约40-60元，一个月下来就是几万块的浪费。

更让人头疼的是，良率波动的原因很难定位。同一个产品昨天良率94%，今天就掉到88%，换班、换料、换程序——哪个环节出了问题？没人说得清。

这篇文章记录我们是怎么用边缘AI网关采集SMT产线的过程参数，通过AI模型预测良率走势的。不是科普，是完全真实的过程。

一、现场情况摸底

先说说工厂的现状。8条SMT线，主要生产消费电子和车载类PCBA。每条线配置：

问题在于：这些设备各自有数据输出（锡膏厚度、贴装偏移量、各温区实际温度曲线、AOI检出率），但数据互相独立。工程师看良率的时候，只能在功能测试站看到结果——"这批板不行"——但具体是锡膏太薄、回流焊温区3温度偏低、还是贴片偏移过大？没人知道。

工厂做过一些尝试：

老板的想法很直接："能不能在产线还在跑的时候就告诉我这批板有问题？别等到测试站才发现。"

二、方案设计

目标很明确：采集SMT产线各设备的过程参数，用AI模型建立过程参数 → 良率的预测关系，在功能测试之前就给出预警。

整体架构分为四层：

数据采集层：边缘AI网关统一接入

每条线部署一台边缘AI网关，负责采集以下数据：

每条线每块板的数据汇总成一条"过程参数记录"，包含约50个特征字段。

注意：市面上有MES系统能做到数据汇总，但我们选的边缘网关方案主要是因为现场IT基础薄弱——每条线的设备品牌不同、通讯协议不同，MES对接周期长、成本高。边缘网关可以逐个设备适配协议，逐步接入。

边缘计算层：本地预处理和特征工程

边缘网关不只是在透传数据，而是在本地完成了关键计算：

预处理后的数据以批次为单位上传到云端。

AI模型层：梯度提升模型做良率预测

模型选型上我们经历了反复。最开始试了LSTM（因为过程参数是时间序列），但实际效果不如XGBoost。原因很简单：良率受单批次参数影响更大，时间序列的长程依赖关系不明显。

最终使用的模型：

反馈层：看板 + 告警推送

预测结果通过Web看板展示：

三、实施过程

第一周：设备对接和协议适配

用的时间远超预期。虽然设备厂商都说"支持数据导出"，但实际上：

一条线8台设备，每台设备协议不同。一周内能接入4条线已经算效率高了。

这里踩了一个比较大的坑：SPI检测仪的数据输出周期和回流焊不是同步的。SPI每块板都检测，回流焊每10秒输出一次温度数据，但一片板在回流焊里要走4-5分钟。如何把这两个数据关联到同一块板上？

解决方案是用"板号 + 时间窗口"来关联。机器会在每块板上打印二维码，扫描站扫到板号后，取前后4-5分钟的SPI数据和回流焊数据作为这块板的关联参数。

第二周：数据质量问题和清洗

数据接进来了，但质量堪忧。最常见的问题：

解决这些问题的代价比想象中大。大约花了一周半的时间写清洗脚本和校验规则。规则本身不复杂，难在每种异常都要写对应的处理逻辑。

教训：做数据分析的项目，百分之六十以上的时间花在数据准备上，不是模型上。这个比例在工厂场景只会更高。如果一开始就低估数据清洗的工作量，项目一定会延期。

第三周：基线模型和特征工程

用3个月历史数据跑了一个基线模型。初始效果比较差，准确率只有约65%。分析后发现几个问题：

数据不平衡：1200个批次中，真正的不良批次（良率<85%）只有约90个，占比不到8%。直接用原始数据训练，模型倾向于把所有批次都预测为良品。

解决办法：SMOTE过采样 + 对不良批次加权，把不良批次的权重提高到正常批次的3倍。

特征太多反而不好：50个特征中有不少是高度相关的。比如回流焊温区3和温区4的实际温度高度相关（两个温区挨着，互相影响），同时保留反而增加了噪声。

解决办法：用特征重要性排序 + 人工审核保留了28个特征。一些"直觉上重要但数据上表现不佳"的特征也被剔除了——比如ESD数据，理论上静电影响良率，但该工厂的ESD控制一直做得比较好，这个特征几乎没有区分度。

最意外的发现：最重要的特征不是回流焊温度、也不是锡膏厚度，而是SPI检测的锡膏面积比标准差——也就是同一批板子之间锡膏面积的一致性。一致性越差，良率越低。这个发现反过来指导了产线改进——把锡膏印刷机的参数（刮刀压力、脱模速度）调稳后，良率确实有提升。

第四周：模型上线和联调

模型上线后第一周就遇到了问题：预测值和实际良率偏差较大。排查后发现，我们用的训练数据是冬季的（12月-2月），而现在是6月份。车间温度变化导致回流焊的热补偿和冬天不一样，同样的温度设置在夏天实际板温会偏高。

解决办法：每两周用小批量最新数据微调模型（在线学习），让模型适应季节性变化。

另外一个问题：产线工程师一开始不信任模型。"电脑算出来的良率，跟我测出来的不一样。"我们做了一件事让信任建立起来——在产线入口放了一个大屏幕，屏幕上显示：模型预测良率、实际良率、以及每批次的风险参数Top 3。当预测准了几次之后，工程师开始接受这个工具。

四、实际效果

良率：从92-94%提升到约97%
模型上线运行3个月后，8条线的平均良率稳定在约97%。不是模型直接提升了良率，而是模型提供的预警让工程师能提前干预：发现某批次风险高 → 检查对应的参数 → 调整设备 → 后续批次改善。
高风险批次提前预警：累计32次
其中有18次模型给出了明确的风险参数来源，工程师根据提示快速定位了问题（锡膏偏薄、炉温偏移、贴片偏移增大等），调整后后续批次恢复正常。
返工成本降低
不良批次从平均每月40-50批降到约15-20批。每批次平均返工成本约300-500元，月度节省约万元级别。更重要的是，不良品被更早发现（在功能测试前），返工难度和成本都更低。

还有一些意料之外的收获：

五、遇到的问题和解决办法

问题1：产品切换频繁，模型需要频繁重新训练

这家工厂的产品种类多（约20种不同型号的PCBA），每种产品的工艺参数差异大。统一模型的效果远不如按产品建模型好。

解决办法：改为按产品分组建模型。产量大的5个产品各建一个独立模型，产量小的产品统一用一个"其他"模型。前端自动识别产品型号后调用对应的模型。

问题2：回流焊温度数据滞后

回流焊的温度数据是10秒一个点，但整片板过完炉要4-5分钟。等温度数据全部出来，板已经到AOI甚至ICT了。"预警"变成了"事后验证"，失去了实时性。

解决办法：改为用各温区的设定温度 + 前5块板的实际温度均值来预测。虽然精度有所下降，但做到了"板还没出炉就预警"。

问题3：操作人员抵触

一些经验丰富的产线师傅觉得模型"乱说"——模型说这批板风险高，但凭经验觉得没问题。这种不信任在一次实际验证后开始瓦解：模型预判风险高的一个批次，功能测试确实挂了6块板（正常是1-2块）。

问题4：模型过拟合

早期模型在训练集上表现很好（准确率95%+），但上线后实际上有很大偏差。原因是训练数据量太少（只有90个不良批次），模型记住了特定模式。

解决办法：随着运行天数增加，每个新发现的不良批次都被加入训练集。运行3个月后，不良批次数据量增加到约200批，模型泛化能力明显改善。

六、我的思考

这个项目做完之后，我对"AI提升良率"这件事有了不同的理解。

做好质量预测的关键不是AI算法，而是数据基建。这个项目最花时间的是设备对接、协议解析、数据清洗——不是调参。如果工厂没有好的数据基础（设备互联、数据标准化、时序对齐），再好的算法也没用。

预测的目的不是替代人，而是帮人缩小排查范围。模型不能直接告诉工程师"你去调温区3的加热丝"，而是说"温区3温度异常和良率下降相关"。最终的判断和操作还是靠人。但从检查50个参数变成看Top 3风险参数，效率提升很明显。

产线上的AI落地最大的障碍不是技术，是信任。产线师傅不信任黑盒预测，是人之常情。最好的方式不是解释算法原理，而是让他看到预测对了——连续准了几次，信任自然建立。

产品切换频繁的工厂，按产品建模比通用模型靠谱得多。这个经验在后来的项目中也反复验证了——工业场景里，做特化的成本比做通用的低，效果反而好。

七、给你的建议

如果你也在考虑用AI做良率预测，几点个人经验：

  1. 先做数据摸底，再做模型——花至少一半的时间搞清楚你的设备能输出什么数据、数据质量怎么样、怎么把不同设备的数据关联起来。数据底子清楚了，模型就是顺水推舟的事
  2. 从一条线开始试点——别上来就想把所有产线全覆盖。先选一条线上跑通流程，验证效果再复制
  3. 给工程师看的预测结果要可解释——不要只给一个分，"良率92%→预测88%"没用。要告诉他"预测低是因为SPI锡膏面积比标准差超出正常范围"
  4. 行业经验比数据科学重要——团队里最好有懂SMT工艺的人。我们一开始把回流焊各温区温度全当作独立特征，后来工艺工程师告诉我们温区之间有热耦合，相邻温区温度关联性强。这个知识直接帮我们减了5个冗余特征
  5. 拥抱数据的不完美——工厂数据永远是脏的。不要等到数据完美了再开始，从能用的数据开始跑，边跑边改进
  6. 模型要持续更新——季节变化、设备老化、产品换代都会影响参数和良率的关系。把模型更新做成一个自动化流程，而不是一次性工作