当前位置：首页 > MES/ERP 工厂落地实战 > 正文内容

Nelson八大判异规则实战：只开规则1你会漏掉80%异常

Nelson八大判异规则实战：只开规则1你会漏掉80%异

【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。控制图判异业界通用 Nelson 八大规则，但很多工程师只开了规则1（点出界），漏掉的趋势、偏移、分层全靠规则2-8。全文围绕「八大规则到底管什么、规则1-2：最常用也最基础、规则3-4：趋势型异常、规则5-6：偏移型异常、规则7-8：分布异常」逐层展开，给出原理说明、实操步骤与验证方法。核心结论：代码逻辑就是逐条判断：规则1比 3σ，规则2数同侧连续数，规则3数单调段……写成函数后，新数据进来自动标异常类型和位置，比肉眼看图快十倍。补充说明：SPC 的核心思想是把过程波动区分为「普通原因」与「特殊原因」：前者是过程固有的随机波动，只能通过改变系统来降低；后者是外来干扰，必须立即定位并消除。混淆两者会导致越调越乱。

【核心要点】

八大规则到底管什么：控制图判异，业界主流有两套：Western Electric（WE）规则和 Nelson 规则。
规则1-2：最常用也最基础：规则1：任一点超出 3σ 控制限，立即判异。这是底线，不用多说。规则2：连续 9 点在中心线同侧。
规则3-4：趋势型异常：规则3：连续 6 点持续上升或下降。这抓的是"渐变"，比如腔体老化、耗材损耗导致的缓慢劣化。规则4：连续 14 点上下交替（锯齿）。
规则5-6：偏移型异常：规则5：连续 3 点中至少有 2 点落在中心线同侧 2σ 以外。规则6：连续 5 点中至少 4 点落在 2σ 外同侧。
规则7-8：分布异常：规则7：连续 15 点落在中心线 ±1σ 内。听起来"很稳定"是好事？错。过度集中往往意味着数据被截尾、测量分辨率不够、或过程被过度调整（过度控制）。
用 Python 自己实现一套：别完全依赖软件。我用 30 行 Python 把八条规则写成函数，每天把量测数据灌进去跑一遍，输出触发了哪几条。这样你既懂原理，又能对软件报警做交叉验证。

【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。

控制图判异业界通用 Nelson 八大规则，但很多工程师只开了规则1（点出界），漏掉的趋势、偏移、分层全靠规则2-8。这篇逐条讲清八条规则抓什么、我的实战触发经历，以及为什么规则7"太稳定"反而是病。

🔧 配套工具：本节的核算／判读可用站内工具直接跑，推荐半导体SPC控制图分析工具v2 详解、六西格玛水平计算器详解、抽样检验AQL计算器详解（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。

一、八大规则到底管什么

控制图判异，业界主流有两套：Western Electric（WE）规则和 Nelson 规则。WE 是老一辈工厂用的 8 条，Nelson 在 1984 年做了修订，把 WE 里重复和矛盾的条文理顺，成了今天最通用的版本。八条规则覆盖"点出界、连续同侧、趋势、偏移、混合"五大类异常。

为什么工程师必须背熟这八条？因为控制图软件大多只默认开规则1（点出界），其余七条要靠你主动开、主动读。很多慢漂移和分层问题，规则1根本抓不到，全靠规则2-8。我见过产线因为只开规则1，漏掉连续趋势导致整批均匀性报废。

控制图判读不能只看是否越过控制限。连续多点同侧、连续多点递增递减、周期性起伏等模式都指向特殊原因，需要配合判异规则才能及时发现趋势性异常。

SPC（统计过程控制，Statistical Process Control）与 FMEA、8D（八步法，8 Disciplines）等方法应形成闭环：控制图发现异常，原因分析定位根因，纠正措施落实到工艺文件，再通过控制图验证效果。缺任一环节都会导致问题复发。

控制图的采样分组方式会影响灵敏度：把连续相近时间点的数据分为一组（合理子组）能有效过滤过程漂移，凸显子组内的随机波动，从而更准确地估计过程固有波动。

二、规则1-2：最常用也最基础

规则1：任一点超出 3σ 控制限，立即判异。这是底线，不用多说。规则2：连续 9 点在中心线同侧。单看一个点没事，但连续 9 点偏一边，说明过程均值已经悄悄偏移，只是还没出界。

我每天看 trend 第一眼就是规则2：如果连续 7-8 点都在均值上方，哪怕没超 3σ，我也会提前介入查机台。等它真出 3σ，往往已经漂了十几片。规则2是"未雨绸缪"的利器。

过程能力指标中，Cp 只看波动、Cpk（过程能力指数，Process Capability Index）同时看波动与中心偏移，Ppk（过程性能指数，Process Performance Index）用总体标准差反映长期实际表现。Cpk 与 Ppk 差距明显时，说明过程中存在系统性偏移或时间相关性，应追查换批、换班或设备漂移。

过程改善后未重算控制限，持续误报导致监控失效。

APC 的有效性依赖测量精度与采样频率。测量滞后超过过程漂移速度时，反馈会失稳甚至放大波动，因此必须评估控制回路的响应能力。

控制回路的响应速度必须快于扰动的变化速度，否则补偿会滞后甚至产生反向效果。因此评估 APC 可行性时，第一步应是比较扰动变化速率与控制回路的响应周期。

三、规则3-4：趋势型异常

规则3：连续 6 点持续上升或下降。这抓的是"渐变"，比如腔体老化、耗材损耗导致的缓慢劣化。规则4：连续 14 点上下交替（锯齿）。正常随机过程不该这么规律，锯齿往往暗示数据被人为修匀，或采样周期和某周期信号撞车。

一次我们膜厚连续 6 点单调上升，规则3触发。查下来是加热器老化温度缓升，换了加热块就好了。如果只靠规则1，要等温度飘到出界才报警，那批 waf易已经废了。

控制限与规格线是两套完全不同的界限：控制限由过程自身数据计算得出，反映过程实际能力；规格线由客户或设计给定，反映需求。过程稳定但能力不足时会出现「没有越限却持续超规格」的情形。

量测数据与工艺数据的关联需保证时间与批次对应关系一致，否则分析会出现错位，得出误导性结论。

工程判断力的积累依赖结构化的复盘：把每次问题定位的过程、当时的错误假设、以及最终有效的线索记录下来，形成个人知识库。没有复盘的重复经历不会转化为能力。

自动化改造的优先级可用四个维度筛选：执行频次、规则稳定性、数据量、容错要求。频次高且规则稳定的工作收益最确定。

四、规则5-6：偏移型异常

规则5：连续 3 点中至少有 2 点落在中心线同侧 2σ 以外。规则6：连续 5 点中至少 4 点落在 2σ 外同侧。这两条抓"均值小幅偏移"——单一两点在 2σ 外可能随机，但成组出现就是真偏移。

这两类最容易被忽略，因为单个点没出 3σ 大家就当没看见。我建议 SPC 软件把规则5、6 的报警单独标黄，和规则1的红色区分，养成"黄灯也要查"的习惯。

SPC 的落地顺序通常是先稳定再优化：过程尚未受控时计算能力指标意义有限，因为此时数据混合了特殊原因造成的波动，算出的能力值既不可比也不稳定。

控制图报警后直接调整工艺，未先确认报警是真实特殊原因还是量测或数据问题。

量测系统本身也有波动，所以任何工艺监控结论都建立在测量系统可信的前提上。MSA 的核心问题是：观测到的差异里，有多少是过程真实的差异，有多少只是量测的重复性与再现性。

量测方案的设计要与工艺控制目标对应：SPC 需要能反映过程波动的稳定数据，工艺开发需要更高精度的表征数据，两者对量测设备与抽样频率的要求不同。

五、规则7-8：分布异常

规则7：连续 15 点落在中心线 ±1σ 内。听起来"很稳定"是好事？错。过度集中往往意味着数据被截尾、测量分辨率不够、或过程被过度调整（过度控制）。规则8：连续 8 点全在 ±1σ 外（两侧都有）。这说明数据来自两个不同总体（分层），比如两批不同材质的料混用了。

规则8 我踩过：某参数连续 8 点全在 1σ 外两侧，查出来是两班用的载气供应商不同，纯度差一档。分层问题不解决，CPK 永远算不对。

有效 SPC 的前提是量测系统可信。测量系统波动占过程波动的比例过高时，控制图实际监控的是量测噪声而非过程，因此 MSA 应先于 SPC 完成。

GRR 用于量化量测系统的重复性（同一人同一次测量的波动）与再现性（不同人或不同设备之间的差异）。通行判据是 GRR 占公差比例控制在 10% 以内为优、30% 以上视为不可用。

APC 要解决的问题是设备漂移带来的工艺结果缓慢变化。传统做法靠定期标定与人工调整配方，滞后且不连续；APC 用测量反馈自动修正配方，把漂移及时补偿掉。

量测设备需要定期校准与漂移监控，但校准只保证准确性不保证稳定性。因此除校准外还需用标准片做日常趋势跟踪，才能发现缓慢漂移。

六、用 Python 自己实现一套

别完全依赖软件。我用 30 行 Python 把八条规则写成函数，每天把量测数据灌进去跑一遍，输出触发了哪几条。这样你既懂原理，又能对软件报警做交叉验证。

代码逻辑就是逐条判断：规则1比 3σ，规则2数同侧连续数，规则3数单调段……写成函数后，新数据进来自动标异常类型和位置，比肉眼看图快十倍。下篇我贴完整代码。

多变量监控能发现单变量监控的盲区：多个参数各自都在范围内，但其相互关系（如两个参数的差值或比值）已经偏离，这类异常在单变量控制图上完全不可见。

只做单变量 SPC 而不看参数相关性。实际异常常常联合出现在多个参数上，单变量图各自都不报警。

模型预测控制用过程模型预估参数变化的效果，在约束条件内求解最优调整量。相比简单比例修正，它能同时处理多输入多输出与约束边界。

APC 的控制对象与调整手段必须明确对应：控制对象是最终产品质量指标，调整手段是设备的可控参数。两者之间的传递关系通过模型描述，模型的准确性直接决定控制效果。

写在最后

你们厂 SPC 软件默认开了几条规则？有没有因为只开规则1漏过异常？评论区聊聊，我下篇直接贴 Python 实现八条规则的完整代码。

---

SPC 的核心思想是把过程波动区分为「普通原因」与「特殊原因」：前者是过程固有的随机波动，只能通过改变系统来降低；后者是外来干扰，必须立即定位并消除。混淆两者会导致越调越乱。

量测系统波动与过程波动的区分。

APC 不能替代工艺理解。模型失配、传感器失效或异常工况下，若无人判断干预，控制系统可能长时间运行在错误轨道上，因此必须设置异常识别与人工接管机制。

反馈控制基于已完成的批次结果修正下一批配方，属于事后补偿，对随机扰动无力；前馈控制依据来料状态的测量提前调整，属于事前预防。两者结合才能覆盖主要波动来源。

问题定位能力的核心是假设与验证的循环：先基于现象提出可能的原因排序，再设计成本最低的验证动作逐一排除。缺少这一循环的人往往靠经验直觉反复试错，效率与稳定性都受制于个人经历。

任何自动化流程都必须保留人工复核环节与异常处理路径。自动运行而不设校验的系统，在数据异常时会静默产出错误结果。

数据造假或选择性剔除。为了让图好看而剔除「异常」数据，等于放弃 SPC 的全部价值。

【常见坑】

这两类最容易被忽略，因为单个点没出 3σ 大家就当没看见。我建议 SPC 软件把规则5、6 的报警单独标黄，和规则1的红色区分，养成"黄灯也要查"的习惯。
规则8 我踩过：某参数连续 8 点全在 1σ 外两侧，查出来是两班用的载气供应商不同，纯度差一档。分层问题不解决，CPK 永远算不对。
把 Cpk 当作一次性验收指标，只在客户审核前算一次。Cpk 需要按时间滚动跟踪，才能反映过程是否在退化。
用规格线代替控制限画控制图，导致几乎不报警，SPC 沦为形式。控制限必须由过程数据算出。
控制限长期不重算。工艺经过改善后过程波动已显著缩小，仍用旧控制限会频繁误报。

常见问题（FAQ）

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。

Q：控制图报警频率太高怎么办？

A：先区分三类原因：控制限估计不当（子组划分问题）、过程确实不稳定、以及量测系统波动过大。处理顺序建议从量测系统查起，再修正子组划分，最后才是工艺调整。反过来做容易越调越乱。

【总结】

SPC 统计过程控制的难点往往不在单点技术，而在于把原理、数据与现场验证串成闭环。代码逻辑就是逐条判断：规则1比 3σ，规则2数同侧连续数，规则3数单调段……写成函数后，新数据进来自动标异常类型和位置，比肉眼看图快十倍。下篇我贴完整代码。控制限与规格线是两套完全不同的界限：控制限由过程自身数据计算得出，反映过程实际能力；规格线由客户或设计给定，反映需求。过程稳定但能力不足时会出现「没有越限却持续超规格」的情形。建议先用小范围试点验证有效性，再逐步扩大适用范围，并保留完整的数据与判断记录以便复盘。

术语速查

SPC（Statistical Process Control，统计过程控制）：用控制图等统计方法对过程进行实时监控，区分随机波动与异常波动的管理方法。　工程意义：是把「事后检验」变为「过程预防」的核心工具。
CP（Chip Probing，晶圆针测）：用探针卡对晶圆上每颗芯片进行功能与参数测试，并生成 Bin Map。　工程意义：CP 良率是判断是否继续封装的主要依据。
Cpk（Process Capability Index，过程能力指数）：同时考虑过程中心偏移与波动幅度、衡量过程满足规格能力的过程能力指标。　工程意义：Cpk 低于 1.33 通常被视为能力不足。
Ppk（Process Performance Index，过程性能指数）：以总体标准差计算的过程能力指标，反映长期实际表现。　工程意义：Ppk 与 Cpk 差距大说明过程存在系统性偏移。
UCL（Upper Control Limit，控制上限）：基于过程自身波动计算出的统计界限，超出即判为过程异常。　工程意义：注意控制限由过程数据算出，与规格线含义完全不同。
OOC（Out Of Control，失控）：过程数据超出控制限或触发判异规则的状态。　工程意义：OOC 不等于产品不合格，但必须立即追查原因。
8D（8 Disciplines，八步法）：从成立小组、描述问题到根因、纠正、预防、固化的一条结构化问题解决路径。　工程意义：适合跨部门质量问题的闭环管理。