FDC（Fault Detection and Classification）利用设备运行数据识别异常，并把异常归入可行动的故障类别。它不是等设备硬故障报警，而是在温度、压力、流量、功率和动作时间的细微变化中寻找过程偏离。
1. 先把数据对齐到工艺阶段
同一传感器在抽气、稳定、加工和清腔阶段的正常范围不同。FDC 首先要依据事件或状态对波形分段，再提取均值、斜率、峰值、积分、稳定时间和频域特征。
时间戳、采样率和缺失值必须受控。错误对齐会让正常切换看似异常，重采样也可能抹掉短暂尖峰。
2. 检测与分类是两个问题
检测回答“是否偏离正常”，可使用规则、单变量阈值、多变量距离或模型残差；分类回答“更像哪类已知故障”，需要有质量的标签和故障知识。系统也必须保留 Unknown，而不是强迫所有异常进入已知类别。
3. Context 决定基线
产品、Recipe、腔体、步骤和维护状态都会改变正常分布。一个全局模型通常产生大量误报。过度细分又会让每个模型样本不足，因此需要在物理相似性与数据量之间取平衡。
4. 从告警到处置
FDC 告警要包含异常变量、阶段、严重度和证据，并关联受影响晶圆。轻微偏离可追加量测，严重异常可中止、Hold Lot 或转维护。自动处置必须经过风险验证。
模型上线后要监控数据漂移、报警率、确认率和漏检案例。维护或传感器更换可能改变基线，应触发重新验证。
5. 避免数据泄漏
训练与验证若随机拆分相邻批次，模型可能记住时间与产品组合而非故障机制。应按时间、设备或批次进行更严格的留出，并用后来发生的数据验证。
总结
FDC 的工程难点不只是算法，而是阶段对齐、上下文、标签和反应流程。能发现异常却不能解释证据、定位晶圆或指导处置的模型，难以成为生产控制的一部分。