半导体设备FDC故障检测：从阈值报警到AI模式识别
核心结论
传统阈值式FDC存在误报率高、多参数联合异常漏报、无法预测故障3大缺陷，AI驱动的FDC可将异常检出率提升至95%以上。AI-FDC从正常运行数据中自动学习设备”健康画像”，实现多变量联合分析，能检测传统方法发现不了的参数关联异常。一台关键设备异常若未及时发现，可能导致整批晶圆报废，损失数十万甚至上百万。
FDC（Fault Detection and Classification，故障检测与分类）是半导体制造中设备健康管理的核心技术。在晶圆厂中，一台关键设备的异常如果不能及时发现，可能导致整批晶圆报废，损失数十万甚至上百万。
FDC 到底在检测什么？
FDC 系统实时采集设备运行数据（如温度、压力、气体流量、RF 功率、转速等），通过模型判断设备是否处于正常状态。核心功能包括：
- 故障检测（FD）：实时判断设备是否偏离正常运行区间
- 故障分类（FC）：识别故障类型——是 Chamber 漂移、气体泄漏还是机械磨损
- 预测性维护（PdM）：基于设备退化趋势，预测何时需要维护
传统 FDC 的问题
传统 FDC 主要依赖统计阈值法——为每个传感器参数设定上下限，超限就报警。问题是：
| 问题 | 表现 | 后果 |
|---|---|---|
| 误报率高 | 正常波动也触发报警 | 工程师”报警疲劳”，真正异常被忽略 |
| 漏报严重 | 多参数联合异常检测不到 | 批量晶圆报废 |
| 无法预测 | 只能发现已发生的故障 | 被动维修，非计划停机 |
| 阈值维护成本高 | 每台设备、每个腔体都要手调 | 工程师疲于应付 |
AI 驱动的 FDC：从阈值到模式识别
AI-FDC 不再依赖人工设定的阈值，而是从正常运行数据中自动学习设备的”健康画像”。任何偏离正常模式的行为都会被识别，包括多参数联合漂移这种传统方法检测不到的异常。
关键优势：
- 多变量联合分析：综合分析数十个传感器的关联关系，不是单个参数看
- 自适应基线：设备基线随运行时间自动更新，不需要手动调阈值
- 故障预测：在设备真正故障前 2-4 小时预警，留出维护窗口
- 分类定位：不仅告诉你”设备异常了”，还告诉你”哪里异常、可能是什么原因”
边缘部署：50ms 实时检测
FDC 对实时性要求极高——故障检测的延迟越大，受影响的晶圆越多。迈烁集芯的 NeuroBox E3200 将 AI-FDC 部署在设备端的边缘盒子中，实现 50ms 实时推理，从数据采集到故障判定全部在本地完成，不依赖网络和云端。
了解更多：NeuroBox E3200 产品详情 | 联系我们
