2. Fab良率监控系统架构总览

Fab良率监控系统采用经典的四层分层架构，将数据从采集到最终可视化展示进行解耦。每一层职责明确，通过标准化的接口进行交互，确保系统具备高可扩展性、低耦合性和实时处理能力。本章将详细阐述各层的核心职责、技术选型以及层间交互流程。

2.1 系统分层架构总览

系统自底向上分为：数据采集层、数据处理层、分析层和展示层。数据从设备端产生，经过清洗、聚合、分析，最终以图表或告警形式呈现给工程师。

2.2 各层职责详解

2.2.1 数据采集层

数据采集层是系统的“触角”，负责从Fab内的各类设备、传感器和MES系统中获取原始数据。该层必须支持多种工业协议，并保证数据采集的实时性和完整性。

• 设备数据： 通过SECS/GEM协议从刻蚀机、光刻机、沉积设备等工艺机台采集工艺参数（温度、压力、RF功率等）。
• 量测数据： 从CD-SEM、膜厚仪、缺陷检测设备获取晶圆关键尺寸和缺陷信息。
• 日志数据： 收集设备日志、操作日志和系统日志，用于异常追溯。
• 环境数据： 采集洁净室的温湿度、颗粒度等环境参数。

2.2.2 数据处理层

数据处理层是系统的“消化系统”，负责对采集到的原始数据进行清洗、转换、标准化和聚合。该层需要同时支持实时流处理和批量处理两种模式。

• 数据清洗： 剔除异常值、填充缺失值、处理重复数据。
• 数据标准化： 将不同设备、不同格式的数据统一为内部标准格式（如JSON Schema或Avro）。
• 实时聚合： 使用Flink或Spark Streaming计算秒级/分钟级的统计指标（均值、标准差、CPK等）。
• 批量处理： 使用Spark或Hive进行日/周级别的批次聚合，生成良率汇总报表。

2.2.3 分析层

分析层是系统的“大脑”，承载了良率监控的核心业务逻辑。该层利用统计学和机器学习算法，对处理后的数据进行深度分析，并生成控制规则和预测模型。

• SPC统计过程控制： 实时计算控制图（X-bar、R图、P图等），检测工艺偏移和异常波动。
• 良率预测： 基于历史数据和当前工艺参数，使用回归或分类模型预测批次良率。
• 缺陷根因分析： 通过关联规则挖掘或决策树，定位导致良率下降的关键工艺步骤或设备参数。
• 批次追踪： 支持按批次号、晶圆ID、设备ID等多维度追溯，快速定位问题批次。

2.2.4 展示层

展示层是系统的“窗口”，负责将分析结果以直观、易理解的方式呈现给不同角色的用户（工艺工程师、设备工程师、生产主管等）。该层需要支持多终端适配和实时数据刷新。

• Web Dashboard： 提供良率总览、设备OEE、缺陷分布等核心看板。
• 实时告警： 当SPC规则被触发或良率预测低于阈值时，通过WebSocket推送告警至浏览器或移动端。
• 报表生成： 支持按日/周/月导出PDF或Excel格式的良率报告。
• 大屏展示： 在Fab现场部署大屏，实时滚动显示关键良率指标。

2.3 层间交互流程

各层之间通过标准化的API和消息队列进行通信，确保数据流动的可靠性和可追溯性。典型的交互流程如下：

1. 采集层 → 处理层： 采集层将原始数据封装为标准消息，通过Kafka发送至数据处理层。每条消息包含设备ID、时间戳、参数名和参数值。
2. 处理层 → 分析层： 处理层完成清洗和聚合后，将标准化数据写入时序数据库（如InfluxDB或TimescaleDB），并通过REST API或gRPC接口供分析层调用。
3. 分析层 → 展示层： 分析层将计算结果（如SPC告警、预测良率）写入Redis或内存数据库，展示层通过WebSocket订阅实时数据，或通过HTTP接口查询历史数据。

2.4 架构设计关键考量