3. FDC核心概念与KLA设备场景

在晶圆厂的设备健康管理体系中，FDC（Fault Detection and Classification，故障检测与分类）并不是一个孤立的软件模块，而是一套把设备传感器信号转化为可判断结论的工程方法。它要回答三个层层递进的问题：设备当前是否偏离正常状态（检测）、偏离属于哪一类问题（分类）、以及这个偏离是否已经影响或即将影响产品（诊断与处置）。理解FDC，必须先把故障检测、异常检测、诊断、SPC这几个容易混淆的概念区分清楚，再落到KLA设备的真实场景中。

故障检测与分类：从"发现"到"归因"

故障检测（Fault Detection）关注的是"有没有问题"。它通常基于设备在健康状态下建立的基线模型，对关键信号做实时比对。例如KLA的缺陷检测设备在扫描晶圆时，激光功率、探测器增益、载台运动速度、聚焦伺服误差等信号都有稳定的正常区间。当某个信号超出基线允许的波动范围，或信号之间的相关性被破坏，系统就判定为一次故障事件。

故障分类（Fault Classification）则进一步回答"是哪一类问题"。分类的依据可以是信号特征、发生位置、时间模式或与已知故障库的匹配度。工程上常见的分类维度包括：传感器漂移、机械卡滞、光学污染、伺服振荡、通信丢包、温控失效等。分类的价值在于把海量报警收敛为有限的可处置类别，让工程师不必逐个排查原始信号。

需要强调的是，检测与分类的输入是同一批信号，但输出不同：检测输出"异常/正常"的判定与时间戳，分类输出"故障类型标签"与置信度。二者常在同一套FDC引擎中串联实现。

异常检测与诊断：统计边界与因果推理

异常检测（Anomaly Detection）与故障检测在工程语境中常被混用，但侧重点不同。异常检测更强调"偏离正常模式的未知形态"，它不预设故障类型，常用无监督方法，如基于历史数据的分布建模、马氏距离、自编码器重构误差等。当设备出现从未记录过的信号组合时，异常检测能先发出预警，而不必等待故障库更新。

诊断（Diagnosis）则要求给出原因和影响路径。它通常是有监督或基于规则的：把异常特征映射到具体部件、具体机理，并评估对晶圆质量的影响。例如KLA量测设备中，若发现某测量通道的重复性变差，同时伴随环境温度周期性波动，诊断逻辑会指向温控或热漂移，而非光学系统本身。诊断的输出应包含"可能原因排序"和"建议动作"，这是FDC从监控走向闭环的关键一步。

SPC与FDC的区别：控制产品质量还是控制设备状态

SPC（统计过程控制）与FDC最容易混淆，因为两者都用统计方法、都画控制图。核心区别在于监控对象和干预时机。

• SPC监控的是产品质量特性，如膜厚、线宽、缺陷密度、测量值。它回答"产品是否合格、过程是否稳定"，数据来自抽检或量测结果，反馈周期较长，通常以批次或时间为单位。
• FDC监控的是设备状态与过程信号，如功率、压力、温度、振动、伺服误差。它回答"设备是否正在偏离健康状态"，数据来自设备传感器，采样频率高，可在产品出问题之前发出预警。
• 干预时机不同：SPC通常在产品质量已经偏移后触发纠正；FDC追求在设备劣化早期、尚未影响产品时介入，属于预防性控制。
• 数据粒度不同：SPC以产品/批次为粒度，FDC以信号/时间为粒度，可细到毫秒级。

二者不是替代关系，而是互补：FDC提供设备侧的早期预警，SPC提供产品侧的最终验证。当FDC报警后，SPC数据可用于确认该异常是否已传导到产品。

KLA设备典型FDC应用场景

KLA设备覆盖缺陷检测、量测、掩模检测等多个环节，其FDC应用各有侧重。以下为典型场景：

以缺陷检测设备为例，一个可落地的FDC配置思路是：选取激光功率、聚焦误差、载台速度三路信号，分别建立健康基线（均值与标准差），设定报警阈值为基线±3σ；同时计算三路信号之间的相关系数，当相关系数偏离历史范围时触发"相关性异常"。报警后，系统根据偏离信号组合自动分类：仅功率偏离→光学/光源类；仅聚焦误差偏离→伺服/机械类；多信号同时偏离→系统性异常，需停机检查。这样一套配置即可在设备劣化早期给出可处置的结论。

从这张信号链可以看出，FDC的完整闭环是：传感器信号→健康基线→实时检测→故障分类→诊断与处置，而SPC在末端提供产品侧的验证。对KLA设备而言，FDC的价值不在于报警数量，而在于报警是否可分类、可诊断、可处置。工程师在部署时应优先选择与设备失效机理强相关的信号，建立可靠的健康基线，并让分类规则与诊断逻辑一一对应，避免"只报警不归因"的空转。