晶片质量一致性预测训练分析数据

本数据集适用于精密制造行业中角度类尺寸的质量检测与过程控制，适用对象如光学元件、齿轮、轴承等具有严格角度公差要求的批量产品。数据范围包括：已定义标准角度、中心角度、分选跨度（公差带）以及规格上下限；能够获取每个零件的实测角度值，运用统计过程控制指标与XGBoost、浅层神经网络两种机器学习模型，解决以下具体问题：1.实时预测单件产品是否合格，替代人工逐件判定，提升效率；2.通过CPK等指标评估制程能力，预警偏移风险；3.自动分选并标记不合格品，减少漏检误判。禁用场景包括：无明确公差带或测量系统未校准的情况；生产条件（材料、设备、环境）发生重大变化后未重新训练模型时，预测结果不可靠。1.加工前数据：数据来源于晶片分选机对每件晶片的实测输出，原始记录包含文件名、时间、实测角度、标准角度、中心角度及分选跨度等。2.处理规则：首先将角度单位统计转换为十进制秒，以标准角度与中心角度计算偏差，基于每个批次内所有的实测值生成标准差、CA（制程准确度）、CP（制程精密度）等。合格判定规则为：实测角度在USL/LSL（此处为±60″）范围内即标记为“实际合格”。随后构建质量一致性AI预测模型，包含两个监督学习模型——XGBoost（梯度提升树）和浅层神经网络（三层全连接），输入特征包括单件实测角度、批次均值、标准差、CA、CP、CPK及分选跨度，输出为二分类（合格/不合格）。模型采用历史批次数据训练，预测时若置信度低于0.7则拒判并转人工复核。此过程不保留个体角度值与批次统计量之间的可逆映射关系。3.数据内容描述：最终用于算法规则的数据集包含以下字段：批次名称、测量时间、标准角度（秒）、实测角度（秒）、中心角度（秒）、分选跨度（秒）、平均角度（秒）、标准偏差（秒）、RANGE（秒）、CA、CP、CPK、USL/LSL（秒）、实际合格（是/否）、XGBoost预测合格、神经网络预测合格。该模型能够在生产全周期中动态评估和预测质量波动趋势，支持制造企业实时介入调整。用于高精度制造场景下的质量实时监控与预警、生产过程能力持续评估、抽样频次优化等。

搜集汇总

背景与挑战

背景概述

该数据集用于精密制造行业中角度类尺寸的质量检测与过程控制，涵盖光学元件、齿轮、轴承等产品的角度公差数据。通过统计过程控制指标（如CA、CP、CPK）及XGBoost和浅层神经网络模型，实现单件产品合格性的实时预测、制程能力评估及不合格品自动分选。数据包含批次名称、测量时间、各类角度值、统计指标及模型预测结果等字段，共2976条记录，适用于生产全周期的质量监控与预警。