当前位置：首页 > 半导体工艺与良率工程 > 正文内容

晶圆厂APC与SPC质量管控详解：控制图判异与Cpk实战

Q: Cpk 和 Ppk 有什么区别，该看哪个？

A：Cpk 用组内标准差估算，反映过程稳定状态下的固有能力；Ppk 用总体标准差，反映含换批、漂移在内的长期实际表现。日常工艺能力判断看 Cpk，交付能力评估与客户报告通常看 Ppk。两者差距大说明过程不稳定，应先解决稳定性再谈能力。

Q: 控制图没有越限，但客户投诉超规格，怎么解释？

A：这是典型的「过程受控但能力不足」。控制限由过程自身波动决定，与规格无关；过程波动大于公差时，即使没有特殊原因，产品也会持续超出规格。解决办法是降低过程波动或放宽规格，而不是继续盯控制图。

Q: Cpk 达到多少才算够？

A：普遍引用的分档是 1.33 为基本要求、1.67 为良好、2.0 以上为优秀，具体应以客户与行业要求为准。需要注意的是，Cpk 是对稳定过程的度量，过程尚未受控时计算 Cpk 意义有限。

Q: 多久需要重算一次控制限？

A：没有固定周期，判断依据是过程是否发生了持久变化：设备大修、换料、工艺变更后应重算；过程持续稳定则用较长的历史窗口滚动更新。关键是保留变更记录，避免新旧数据混算。

Q: 合理子组是什么意思？

A：合理子组指把在尽可能相同的条件下产生的连续数据归为一组，其目的是让子组内的波动主要来自普通原因，从而真实反映过程固有波动。若把不同班次、不同设备的数据混为一组，子组内波动会包含特殊原因，控制限因此被高估，监控灵敏度下降。

叶志辉4周前 (09-12)半导体工艺与良率工程78

【摘要】

本文系统梳理SPC 统计过程控制领域的核心问题与落地路径。晶圆厂质量管控的核心思路是管控生产全过程，而不是靠成品抽检筛选不良品。全文围绕「先说结论：晶圆良率的防线在过程，不在抽检、行业场景拆解：四类关键工序的质控诉求、问题现象分层：从良率波动倒查质控漏洞、根因多维分析：五个维度找病根、三分钟读懂判异规则与Cpk的统计逻辑」逐层展开，给出原理说明、实操步骤与验证方法。核心结论：晶圆厂质量管控的核心思路是管控生产全过程，而不是靠成品抽检筛选不良品。

【核心要点】

先说结论：晶圆良率的防线在过程，不在抽检：晶圆厂质量管控的核心思路是管控生产全过程，而不是靠成品抽检筛选不良品。在FAB（Fabrication Plant，晶圆制造厂）的实际运行中，…
行业场景拆解：四类关键工序的质控诉求：薄膜沉积工序。膜厚是第一监控对象，物理气相沉积与化学气相沉积设备的靶材损耗、腔体状态变化都会带来缓慢漂移。
问题现象分层：从良率波动倒查质控漏洞：表层现象：良率周期性波动。每次机台保养后良率回升，运行一段时间又下滑，波动周期与研磨垫更换、腔体清洁周期高度相关，说明漂移未被自动补偿。
根因多维分析：五个维度找病根：数据维度。量测数据录入滞后、抽样点位不固定，控制图的时序基础被破坏，判异结果失真。更隐蔽的情况是量测机台自身漂移：同一片晶圆在不同时间量测读数不一致，…
三分钟读懂判异规则与Cpk的统计逻辑：控制图的数学底座是正态分布：制程稳态时，百分之九十九点七三的数据落在均值上下三倍标准差之内，这就是三条控制线的由来。
晶圆厂SPC落地八步流程：步骤一：选定关键质量参数。按工序风险与良率敏感度排序，优先覆盖膜厚、CD、套刻精度、剩余厚度等直接影响器件性能的参数，每道工序先选一到两个参数试点，…

【适用场景】

过程能力不足时的改善方向判断（降波动还是纠偏移）。
控制图频繁报警的真伪判断（过程异常还是量测系统问题）。
新工艺/新设备的初始过程能力评估与验收。
质量问题闭环的结构化推进。

🔧 配套工具：本节的核算／判读可用站内工具直接跑，推荐晶圆边缘排除区良率分析器详解、CPK过程能力计算器详解、CUSUM累积和控制图分析器详解（zip 包，含可运行 Python 脚本与示例数据）。
这个方向的工具共 75 款，完整清单与选型建议见 SPC与质量分析工具包。全部 351 款见工具资源包下载页。

先说结论：晶圆良率的防线在过程，不在抽检

晶圆厂质量管控的核心思路是管控生产全过程，而不是靠成品抽检筛选不良品。在FAB（Fabrication Plant，晶圆制造厂）的实际运行中，SPC（Statistical Process Control，统计过程控制）负责监控工艺波动、发出异常预警，APC（Advanced Process Control，先进过程控制）负责自动修正机台参数、抑制制程漂移，两者一个事后诊断、一个事前调控，互相不可替代。伴随制程节点演进到九十纳米以下，器件工艺窗口急剧收窄，单片晶圆价值不断攀升，仅靠人工事后管控已经无法匹配量产精度要求，这也是主流十二英寸工厂全部采用SPC加APC组合方案的原因。本文从FAB工程师视角，把控制图判异规则、Cpk（过程能力指数）计算实操、SPC与APC的衔接方式讲清楚，并给出可直接落地的流程与判定表。

行业场景拆解：四类关键工序的质控诉求

薄膜沉积工序。 膜厚是第一监控对象，物理气相沉积与化学气相沉积设备的靶材损耗、腔体状态变化都会带来缓慢漂移。工艺工程师的诉求是在每片或每批晶圆量测后，立即知道膜厚是否仍在控制限内，漂移趋势是否已经形成。以十二英寸产线为例，一台沉积机台每天跑几十批，膜厚数据按批次录入控制图，一旦出现连续同侧分布，就提示靶材寿命或气体流量可能出了问题，需要抢先在批量超差之前干预。

刻蚀工序。 关键尺寸（CD，Critical Dimension）与刻蚀速率、选择比、片内均匀度共同构成监控矩阵，多变量耦合强，单参数失控往往牵连下游光刻与离子注入。这一工序对判异的及时性要求最高，因为缺陷会沿工序链逐层放大，一片晶圆在刻蚀环节欠刻十几纳米，到电性测试环节就是一批器件参数漂移。

CMP（化学机械抛光，Chemical Mechanical Polishing）化学机械研磨工序。 研磨后剩余厚度与碟形凹陷直接影响后续光刻套刻精度，研磨垫老化带来的漂移是典型异因，需要控制图尽早捕捉趋势性变化。研磨垫是消耗件，其劣化是渐进的，恰好是趋势类判异规则最擅长捕捉的形态，也是APC逐批补偿最能发挥价值的场景。

光刻与量测环节。 套刻精度数据进入控制图后，除了判异还要定期评估过程能力，为机台维保周期调整提供量化依据。光刻机是全厂最贵的产能瓶颈，其稳定性监控的任何优化都能直接转化为稼动率收益。

四类工序的共性是：数据量测成本高、抽样率有限，每一片量测数据都必须物尽其用，这决定了晶圆厂SPC系统的规则密度远高于传统机械行业。同时，晶圆单片价值随制程节点演进不断攀升，一次批量超差的损失足以覆盖整个质控环节的投入，这使过程管控从成本项变成了收益项。

问题现象分层：从良率波动倒查质控漏洞

表层现象：良率周期性波动。 每次机台保养后良率回升，运行一段时间又下滑，波动周期与研磨垫更换、腔体清洁周期高度相关，说明漂移未被自动补偿。这类波动最难被单点判异规则捕捉，因为它在控制限内缓慢移动，只有趋势与同侧规则才会叫停。它也是最浪费钱的波动，因为每次都在重复交学费。

中层现象：异常发现滞后。 工程师在下游工序的电性测试中才发现参数超标，回溯上游时不良晶圆已经批量流转，SPC没有在第一时间报警。常见诱因是数据录入延迟：量测第二天才出数据，判异再及时也追不上流转速度，这属于数据链路问题而不是统计方法问题。

深层现象：报警疲劳。 控制图天天报警，工程师麻木后把预警当成噪音忽略，真正的失控反而被淹没。这类现象多源于判异规则设置过密或控制限计算不当，本质是用统计工具的勤奋掩盖了流程设计的懒惰，报警不分级、不闭环，再多规则也救不回来。

根因多维分析：五个维度找病根

数据维度。 量测数据录入滞后、抽样点位不固定，控制图的时序基础被破坏，判异结果失真。更隐蔽的情况是量测机台自身漂移：同一片晶圆在不同时间量测读数不一致，图上的"制程漂移"其实是量测漂移，这也再次印证了量测系统分析必须前置。

方法维度。 控制限与规格公差混用是最常见错误：控制限应由制程实际波动计算生成，反映过程"本来"的波动幅度；规格公差是设计要求，两者含义不同，混用会导致虚警与漏警同时失控。

判异维度。 只用"单点出界"一条规则，漏掉趋势型、周期型的慢性失控；或者八条判异规则全部开启，虚警率飙升，两种极端都不可取。

能力维度。 制程本身Cpk不足就开始挂控制图，控制图监控的是"稳定的差"，永远达不到提升良率的效果。

组织维度。 SPC只交给统计员维护，工艺工程师不参与判异处置规则的制定，报警之后没有标准化的OCAP（Out-of-Control Action Plan，失控处置计划），异常闭环无从谈起。

三分钟读懂判异规则与Cpk的统计逻辑

控制图的数学底座是正态分布：制程稳态时，百分之九十九点七三的数据落在均值上下三倍标准差之内，这就是三条控制线的由来。单点出界的虚警概率只有约千分之三点八，所以单点出界几乎可以断定是异因；而连续九点同侧这种形态，在随机波动下出现的概率极低，一旦出现就强烈提示均值已经移动，哪怕所有点都在控制限内。这就是"趋势比出界更早预警"的道理：慢性漂移从不越线，越线时损失早已发生。

Cpk的逻辑同样直白：Cp衡量的是公差带能装下几个六倍标准差，反映潜在能力；Cpk在此基础上补偿均值偏心，反映真实能力。两者一比较就能判断问题类型——Cp高而Cpk低，去调均值；Cp本身低，去降波动。把这两个指数当成每月例行体检的指标，比等良率报表下滑后再归因快得多。

晶圆厂SPC落地八步流程

步骤一：选定关键质量参数。 按工序风险与良率敏感度排序，优先覆盖膜厚、CD（关键尺寸，Critical Dimension）、套刻精度、剩余厚度等直接影响器件性能的参数，每道工序先选一到两个参数试点，跑通后再扩展。选参数时同时确定抽样方案：量测点位、频次、子组大小，三个要素固定下来，控制图的统计含义才成立，事后变更抽样方案必须重新计算控制限。

步骤二：量测系统分析前置。 上控制图之前先做MSA（Measurement System Analysis，量测系统分析），确认量测设备自身的重复性与再现性合格，否则控制图监控到的是量测噪音而非制程波动。判断口径可以参考：量测系统误差占公差带的比例控制在可接受范围内，且同一片晶圆重复量测的读数差异明显小于片间差异，达不到这两条先修量测，再谈管控。

步骤三：绘制分析用控制图。 采集二十组以上稳态数据计算中心线与控制限，这一阶段允许剔除已确认的异常点后重新计算，目的是摸清过程"本来"的波动。计算时注意用极差法估计标准差，而不是直接用样本标准差，两者在子组抽样场景下含义不同，混用会让控制限失真。单值场景则用移动极差均值除以换算系数来估计标准差，口径选错是新手最常犯的计算错误。

步骤四：固定控制限转入管控。 稳态确认后冻结控制限，用于日常监控；制程发生确认的重大变更（换机型、换工艺配方）后才重新计算。控制限要有版本管理，谁在什么时间依据哪些数据算的，都要留痕，否则几个月后没人说得清图上的三条线从哪来。

步骤五：配置判异规则。 常用配置为GB/T 4091八项判异准则中的三到五条：单点出界、连续9点同侧、连续6点趋势是基础组合，对高敏感工序再加3点中2点近限与5点中4点过半规则。规则配置不是一锤子买卖，上线后每月回顾报警数量与处置率，虚警太多的规则降级或关闭，长期无报警的工序反过来要验证数据链路是否断了。

步骤六：制定OCAP处置流程。 每个监控参数绑定标准处置路径：谁确认、先查什么、多长时间内必须响应、处置后如何验证，把报警变成动作而不是信息。处置经验要沉淀回规则库：某次报警最后查明是气体质量波动，就把这个检查项写进对应参数的处置路径，OCAP才会越用越准。

步骤七：定期评估Cpk。 每月对关键参数计算Cp与Cpk，Cpk持续下降往往是设备劣化的前兆，可与FDC（Fault Detection and Classification，故障侦测分类）联动做预测性维护。汇报时同时给出Cp与Cpk：两者差距大，说明均值偏心，先调中心；两者都低，说明波动大，先查异因，处置路径完全不同。

步骤八：衔接APC闭环。 对漂移可控、参数可自动调整的工序，把SPC的长期偏移信息输入APC系统，由R2R（Run-to-Run，批次间控制）算法逐批修正配方，让控制图从"发现异常"升级为"预防异常"。衔接的前提是参数分层：哪些是工艺规定不许动的受控参数，哪些是设备允许微调的可调参数，清单不清就上APC，等于让算法踩着工艺红线做优化。

风险评估与常见误区拆解

误区一：控制图一挂就万事大吉。 控制图只负责发现异常，改进制程要靠DOE（Design of Experiments，试验设计）等工具先把工艺窗口优化好，顺序不能颠倒。用控制图盯着一个Cpk不到一的过程，得到的只是精确记录的报废过程，谈不上任何改善。

误区二：Cpk越高越浪费精度。 Cpk冗余反映的是抗漂移能力，晶圆制程节点越先进工艺窗口越窄，关键工序Cpk大于等于1.67是行业通行目标，不是过度质量。能力冗余还直接影响抽样策略：能力充裕的参数可以放宽抽样频次，把量测资源让给能力吃紧的参数，这是量测成本管控的底层逻辑。

误区三：SPC与APC二选一。 SPC管稳定、APC管补偿，先进FAB两者并存，砍掉任何一个都会出现监控盲区。

风险提示。 抽样率下降是量测成本压力下最常见的隐性风险，抽样一旦稀疏，趋势规则的有效性大幅下降，需要在抽样方案调整时同步重新评估判异规则的检出力。另一个高频风险是控制图与量测数据接口脱节：量测数据改了格式或延迟上传，图上持续显示旧数据，团队以为一切受控，实际上监控已经断线，建议对数据链路本身设置心跳检测与断线告警。

下表给出控制图选型参考，按数据类型与监控对象两个维度展开。

表一：常用控制图选型对比表

对比维度	X-R均值极差图	I-MR单值移动极差图	P图/np图	c图/u图
数据类型	计量型，子组抽样	计量型，单值	计数型，合格率	计数型，缺陷数
典型对象	膜厚、CD按批抽样	每片晶圆量测均值	批合格率	单位面积缺陷点
抽样成本	中	高	低	低
检出灵敏度	高	中	中	中
适用阶段	稳态量产	小批量、破坏性量测	最终检验	缺陷监控

下表给出Cpk等级判定与对应处置动作，供月度能力评估使用。

表二：Cpk等级判定与处置表（行业经验口径，示例）

Cpk区间	能力判定	处置动作	对良率的影响预期
≥1.67	充足	维持管控，APC衔接做漂移补偿	超差报废概率极低
1.33~1.67	尚可	加密抽样，排查漂移来源	偶发超差，需跟踪
1.00~1.33	不足	DOE优化工艺窗口，限期改善	明显劣化风险
<1.00	严重不足	停线专项攻关，禁用控制图掩盖问题	批量报废风险高

晶圆厂SPC高频问答（FAQ）

问一：控制限为什么不能直接用规格公差？

控制限描述过程自身的波动范围，规格公差描述客户或设计要求，两者来源不同。用公差当控制限，过程早已失控而图上永远合格，等于自废报警功能。正确做法是控制限用制程数据算、规格公差用来算Cpk，两条线各管各的。

问二：抽样多少组数据才够算控制限？

惯例是二十到二十五组稳态数据。组数太少，极差估计不稳定，控制限偏差大，判异规则可信度下降。数据采集期间还要记录当时的机台状态，保养后、换料后的数据要么剔除要么单独建图，混在一起算出来的控制限既宽又钝。

问三：Cpk和良率能直接换算吗？

不能精准换算。Cpk只描述单参数正态假设下的能力，实际良率还受多参数耦合、缺陷密度等影响，Cpk达标是良率达标的必要条件而非充分条件。实践中把Cpk当过程健康度指标、把良率当经营结果指标，两套口径分开汇报，避免用良率反推Cpk的错误做法。

问四：八条判异准则都要开吗？

不建议全开。规则越多虚警率越高，报警疲劳反而放大漏检风险。按工序敏感度选三到五条，并定期回顾报警处置率来调整。

问五：SPC发现漂移后为什么不直接人工调机？

人工调机依赖经验且滞后，调过头会造成新的波动。对可自动补偿的工序，把偏移信息交给APC的R2R控制器逐批修正，波动被压制在形成之前，这正是先进FAB采用SPC加APC组合方案的原因。

问六：多品种混线的FAB怎么设控制图？

按产品族分组建图，不同产品的工艺窗口与目标值不同，混在一张图上等于用一把尺子量所有人。量大的主力产品单独建图，长尾产品合并到族内近似图，并定期复核分组的统计合理性。

延伸阅读与相关推荐

晶圆厂自动化体系的底座是设备通信与数据采集，SPC系统的实时数据供给依赖EAP（Equipment Automation Program，设备自动化程序）的稳定运行，相关机制可参阅站内《EAP系统全解：半导体设备自动化的7大核心功能》。多品种小批量场景下R2R控制算法如何逐批修正配方，可进一步阅读《APC先进过程控制：晶圆良率提升的隐形武器》。若需要梳理制造执行层与质控系统的整体协同，可参阅《现代集成制造CIM与CIMS完整解析》。

相关推荐：

· 《EAP系统全解：半导体设备自动化的7大核心功能》

· 《APC先进过程控制：晶圆良率提升的隐形武器》

· 《现代集成制造CIM与CIMS完整解析》

本文为实战诊断方案，文中配套的自查清单、ROI测算模板可查阅资料介绍页。全部资料包仅提供文档模板，不含一对一项目咨询。

---

【常见坑】

步骤一：选定关键质量参数。按工序风险与良率敏感度排序，优先覆盖膜厚、CD、套刻精度、剩余厚度等直接影响器件性能的参数，每道工序先选一到两个参数试点，跑通后再扩展。选参数时同时确定抽样方案：量测点位、频次、子组大小，三个要素固定下来，控制图的统计含义才成立，事后变更抽样方案必须重新计算控制限。
步骤三：绘制分析用控制图。采集二十组以上稳态数据计算中心线与控制限，这一阶段允许剔除已确认的异常点后重新计算，目的是摸清过程"本来"的波动。计算时注意用极差法估计标准差，而不是直接用样本标准差，两者在子组抽样场景下含义不同，混用会让控制限失真。
步骤八：衔接APC闭环。对漂移可控、参数可自动调整的工序，把SPC的长期偏移信息输入APC系统，由R2R（Run-to-Run，批次间控制）算法逐批修正配方，让控制图从"发现异常"升级为"预防异常"。
误区一：控制图一挂就万事大吉。控制图只负责发现异常，改进制程要靠DOE（Design of Experiments，试验设计）等工具先把工艺窗口优化好，顺序不能颠倒。用控制图盯着一个Cpk不到一的过程，得到的只是精确记录的报废过程，谈不上任何改善。
误区二：Cpk越高越浪费精度。 Cpk冗余反映的是抗漂移能力，晶圆制程节点越先进工艺窗口越窄，关键工序Cpk大于等于1.67是行业通行目标，不是过度质量。能力冗余还直接影响抽样策略：能力充裕的参数可以放宽抽样频次，把量测资源让给能力吃紧的参数，这是量测成本管控的底层逻辑。
误区三：SPC与APC二选一。 SPC管稳定、APC管补偿，先进FAB两者并存，砍掉任何一个都会出现监控盲区。

常见问题（FAQ）

Q：Cpk 和 Ppk 有什么区别，该看哪个？