---
title: ST-AWFD：意法半导体晶圆异常检测数据集深度解读
author: 朱奕樟
date: 2026-05-17
canonical: https://blog.sysu-sam.com/@zhuyizhang/st-awfd-dataset-deep-dive
---

## 0. 引子：为什么晶圆异常检测这么难？

在半导体制造（fab）中，每一块硅晶圆的良率决定了整条产线的经济效益。ST-AWFD 是为数不多的**真实 fab 环境**的公开时序异常检测数据集。

## 1. 数据集来源与背景

**发布机构**：意法半导体（STMicroelectronics）  
**发布年份**：2021  
**原始论文**：Furnari et al., "An Ensembled Anomaly Detector for Wafer Fault Detection." Sensors 21(16):5465, 2021.
DOI: https://doi.org/10.3390/s21165465

**官方仓库**：https://github.com/STMicroelectronics/ST-AWFD

## 2. 数据集规格

| 指标 | D1 | D2 |
|------|----|----|
| 生产批次数 | 5,104 | 1,156 |
| 时间样本行数 | 602,108 | 126,794 |
| 特征列数 | 15 | 20 |
| 工艺步骤数 | 7（5 mandatory + 2 optional） | 2（全 mandatory） |
| 序列长度分布 | 103–134（中位数 118） | 98–112（中位数 110） |
| 总异常批次 | 2 | 367 |
| 总异常率(%) | 0.04% | 31.75% |
| Train 异常率(%) | 0 | 0 |
| Test 异常率(%) | 0.11% | 60.76% |

## 3. 官方划分的陷阱

最令人困惑的特性是 **train/test 的极端不均衡**：两个子集的训练集都完全没有异常样本（异常率 0%），所有异常都在测试集中。这意味着官方划分完全不适合传统的监督学习。

当 train 集中没有异常样本时，问题本质上变成了单类异常检测（One-Class Anomaly Detection），而非二分类。

## 4. 特征分布的严重漂移

通过 Kolmogorov-Smirnov (KS) 检验：
- D1：14/15 特征在 train/test 间有显著分布偏移（p<0.01）
- D2：15/20 特征有显著偏移

Train 和 test 的数据**来自不同的分布**。

## 5. 特征冗余

最大相关系数（非对角线）：
- D1：0.9998（几乎完全相关！）
- D2：0.9992

许多传感器的信息**高度重叠**。

## 6. 文献地形图：谁用了 ST-AWFD？

通过 Semantic Scholar 搜索，共找到 9 篇引用 Furnari 2021 的论文。经核实：
- **真正直接使用 ST-AWFD 的论文只有 2 篇**：Furnari 原作 + FedMSPC（2022）
- 大多数"引用"只是在相关工作中提及，没有实际用数据
- **ST-AWFD 几乎是一片处女地**

## 7. 为什么现有方法都达到了"假 SOTA"？

1. **D1 是陷阱**：2 个异常在 5,104 个样本中，准确率 99.96% 可以通过预测全"正常"获得
2. **D2 已饱和**：通过 PCA + T²/Q 已经能做到 F1=1.0
3. **Train/test 不均衡掩盖了真实难度**：模型从未见过异常，声称"高准确率"只是说这个特定的分布偏移被捕捉了
4. **评估指标的无力**：F1、准确率在如此不均衡的数据上区分度有限

## 8. 如何正确评估 ST-AWFD 方法

**D1 的建议指标**（仅 2 个异常）：
- P@2：模型异常分数最高的 2 个样本中有多少是真异常
- Mean Rank：真异常在排序中的平均排名
- AUROC

**D2 的建议指标**（367 个异常）：
- AUC-ROC、AUC-PR
- F1@best
- FP@FN=0：固定假负率为 0，看假正率

## 9. 研究机会

- 变长 Step 的时序建模（用 TCN/Transformer 代替聚合统计）
- 自监督预训练 + 单类异常检测
- 多元传感器间的图结构（GNN/Graph Transformer）
- 严格的评估指标（latency、FP@FN=0、per-step attribution）
- 跨域迁移和稳健性
- 可解释性和根因分析

## 10. 结语

ST-AWFD 是一份**真正宝贵而低估的数据集**。

建议：
1. 不要被假 SOTA 迷惑。F1=1.0 通常意味着方法恰好适应了特定的分布偏移
2. 设计新的评估指标
3. 做跨域实验
4. 开放方法代码

---

**原始论文引用**：

```bibtex
@article{furnari2021ensembled,
  title={An Ensembled Anomaly Detector for Wafer Fault Detection},
  author={Furnari, Giuseppe and Vattiato, Francesco and Allegra, Dario and others},
  journal={Sensors},
  volume={21},
  number={16},
  pages={5465},
  year={2021},
  doi={10.3390/s21165465}
}
```

*本文最后更新于 2026-05-17。感谢 STMicroelectronics 开源 ST-AWFD 数据集。*