当前位置：首页 > 半导体工艺与良率工程 > 正文内容

计数型SPC：p图u图选错，分析结论全错

计数型SPC：p图u图选错

[粉丝专享] 计数型SPC：p图u图选错，分析结论全错

【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。[粉丝专享] 计数型SPC：p图u图选错，分析结论全错。全文围绕「痛点：p图u图选错，分析结论全错、计数型SPC的两个核心图型、选图型的决策树、真实踩坑案例：u图用成p图的代价、p图u图的参数设置」逐层展开，给出原理说明、实操步骤与验证方法。核心结论：计数型SPC和计量型SPC的核心区别是什么？计量型监控的是连续变量（温度、厚度、良率），计数型监控的是离散事件（缺陷数、不良品数）。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】

痛点：p图u图选错，分析结论全错：计数型SPC和计量型SPC的核心区别是什么？计量型监控的是连续变量（温度、厚度、良率），计数型监控的是离散事件（缺陷数、不良品数）。
计数型SPC的两个核心图型：p图：用于监控不合格品率（Proportion）。适用场景：每批检验数量固定或不固定都行，监控"这批产品中有多少比例是不合格的"。
真实踩坑案例：u图用成p图的代价：E厂的一个封装线做SPC，用p图监控"每片芯片的缺陷数"。问题来了：芯片有大有小（3mm×3mm vs 5mm×5mm），同样检测到2个缺陷，…
避坑清单：① 不是"监控缺陷数"就要用p图——如果缺陷数随样本量变化（大片缺陷多，小片缺陷少），应该用u图；

【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 CUSUM累积和控制图分析器详解、EWMA指数加权控制图详解、FAB_SPC_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。

一、痛点：p图u图选错，分析结论全错

计数型SPC（统计过程控制，Statistical Process Control）和计量型SPC的核心区别是什么？计量型监控的是连续变量（温度、厚度、良率），计数型监控的是离散事件（缺陷数、不良品数）。选错图型会让你的SPC完全失效。我在D厂见过一个case：PE用X-bar图监控刻蚀腔的缺陷数，结果连续3周报警不断，PE折腾了一通宵，最后发现根因是"那段时间产线在跑一个新品种，wafer尺寸比标准大，导致AOI检测的缺陷定义变了"——这不是设备异常，是测量系统的问题，但X-bar图根本不应该用来监控缺陷数。这个例子说明：选对图型是一切SPC分析的前提。

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。

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。

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。

二、计数型SPC的两个核心图型

p图：用于监控不合格品率（Proportion）。适用场景：每批检验数量固定或不固定都行，监控"这批产品中有多少比例是不合格的"。p图的优点是考虑了每批检验数量的差异（批次大允许更多不合格品，批次小允许更少），控制限根据每批的实际检验数量动态调整。举例：100片wafer里有3片不合格，p=3%；1000片里有20片不合格，p=2%——虽然绝对数差了7倍，但p=2%的批次质量实际上更好（比例告诉你真相）。

u图：用于监控单位缺陷数（Defects per Unit）。适用场景：每批的"检验单位"数量不同，无法用"不合格品率"描述。比如：每片wafer上有多个die，每个die上有多个缺陷点；或者每张面板上有多个区域，每个区域有独立缺陷计数。这种情况下用"不合格品率"（要么整片不合格要么合格）会掩盖大量信息，用"单位缺陷数"（每单位面积/每个die的平均缺陷数）才能真实反映质量状态。

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。

缺陷分析的起点是分类而非计数。缺陷总数相同但类型分布不同的两批产品，对良率的影响可能完全不同，因此必须经过复查分类才能得出可用结论。

前馈控制适用于存在可测量的扰动源场景：如已知来料膜厚偏高，可提前调整去除量。反馈控制适用于结果可测但扰动源未知的场景。两者组合使用能覆盖大部分工程情况。

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。

三、选图型的决策树

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。

SPC 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。

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。

过程改善后未重算控制限，持续误报导致监控失效。

控制限估计失真的子组划分优化。

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。

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。

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。

四、真实踩坑案例：u图用成p图的代价

E厂的一个封装线做SPC，用p图监控"每片芯片的缺陷数"。问题来了：芯片有大有小（3mm×3mm vs 5mm×5mm），同样检测到2个缺陷，大芯片的"每单位缺陷密度"远低于小芯片，但p图对大小芯片用的是同样的控制限（因为p图只看你"合格还是不合格"，不看你缺陷密度）。结果：大芯片连续两周被p图判为"异常"（因为缺陷数2超过小芯片的控制限），PE花了两周排查设备问题——实际上大芯片的缺陷密度远低于小芯片，质量更好。换成u图（监控每mm²的缺陷数），大芯片的质量优势立刻显现，报警消失了。这个case的教训：监控"每单位"的量比监控"总量"更能反映真实质量状态。

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。

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。

缺陷检测设备的灵敏度设置过高，产生海量噪点，掩盖真实缺陷。

缺陷复查是分类的前提，而分类结果是改善的前提。缺少分类的缺陷数据只能给出总量趋势，无法指导具体工序的改善。

五、p图u图的参数设置

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。

子组划分不合理，把不同条件下的数据混为一组，导致控制限估计失真。

缺陷检测的灵敏度设置需要与工艺水平匹配：灵敏度过低会漏掉关键缺陷，过高则产生大量噪声掩盖真实问题。合理的做法是依据历史缺陷分布与良率影响反复校准。

缺陷的空间分布携带着归因信息：边缘环状分布常与传输、夹持或边缘工艺相关；与腔体位置对应的扇区分布指向设备差异；全片随机分布多与颗粒污染或化学液相关。

检测灵敏度设置过高，噪声掩盖真实缺陷分布。

致命性判断需要结合图形环境：同样尺寸的颗粒落在场区可能无害，落在关键图形上则直接导致断路或短路。因此缺陷分析必须叠加版图信息才能估算对良率的影响。

缺陷数据与工序数据的时序对应关系是归因的关键：只有明确缺陷是在哪道工序产生或引入的，才能定位改善对象。

六、避坑清单

① 不是"监控缺陷数"就要用p图——如果缺陷数随样本量变化（大片缺陷多，小片缺陷少），应该用u图；② p图的控制限是动态的（随每批检验数量变化），不要设成静态的——静态限在样本量变化时会产生大量误报；③ 最小样本量要求：p图每批至少20个单位，u图总检验单位数至少100；低于这个数量，控制限宽到没有意义；④ 计数型SPC不要求数据服从正态分布——但要求缺陷是"稀有事件"（不合格率10%），p图会失去灵敏度，考虑改用计量型SPC或改善过程本身；⑤ p图u图只能告诉你"有没有异常"，不能告诉你"为什么异常"——报警后的根因分析（OCAP）必须由工程师执行，SPC只是信号灯，不是诊断工具。

配图说明

图1：核心数据可视化示意

图2：补充分析示意

配套资料

本文完整Python源码（可直接跑）

示例数据集（含正常/异常两组）

配套使用说明与参数配置指南

FAB工程师踩坑案例合集（PDF）

----------------------------------------

本文首发于博客：半导体智能制造 | MES（制造执行系统，Manufacturing Execution System）工程师实战笔记

你在这些工艺/数据/管理场景里踩过什么坑？欢迎评论区分享真实经历，一起把行业认知做深。

标签：SPC过程控制 | 半导体Fab | 工程实战 | 量化改进

---

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。

缺陷的致命性判断必须结合版图环境：相同尺寸的缺陷在不同图形位置上的影响差异极大，因此叠加版图信息的缺陷分析才能估算对良率的真实影响。

缺陷检测灵敏度的优化（检出能力与噪声的平衡）。

【常见坑】

E厂的一个封装线做SPC，用p图监控"每片芯片的缺陷数"。问题来了：芯片有大有小（3mm×3mm vs 5mm×5mm），同样检测到2个缺陷，大芯片的"每单位缺陷密度"远低于小芯片，但p图对大小芯片用的是同样的控制限（因为p图只看你"合格还是不合格"，不看你缺陷密度）。
你在这些工艺/数据/管理场景里踩过什么坑？欢迎评论区分享真实经历，一起把行业认知做深。
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。计数型SPC和计量型SPC的核心区别是什么？计量型监控的是连续变量（温度、厚度、良率），计数型监控的是离散事件（缺陷数、不良品数）。选错图型会让你的SPC完全失效。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。
AP（Action Priority，措施优先级）：按严重度、发生度、探测度的组合直接划分高/中/低优先级，替代单纯依赖 RPN 排序。　工程意义：解决了 RPN 相同但风险性质完全不同的问题。
MES（Manufacturing Execution System，制造执行系统）：位于计划层与控制层之间，负责工单执行、过程追溯、数据采集与质量管控的信息系统。　工程意义：是打通 ERP 计划与车间现场的中间层。
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。