[粉丝专享] 计数型SPC(p图/u图)：缺陷率监控的正确姿势

【摘要】大部分工程师熟悉的Xbar-R图属于计量型SPC，遇到缺陷数、不良率这类计数型数据时套用就会出错。本文讲清p图、np图、c图、u图的选型逻辑，变样本量下控制限为什么是阶梯状的，过离散导致控制限失效怎么用Laney p撇图补救，以及一个把误报率从每周23次降到3次的真实改造案例。

分类：SPC过程控制 | 发布日期：2026-08-13 | 阅读时长：约12分钟

一、背景故事：一张误报了两百多次的控制图

2025年下半年，我们厂封装测试段的一位工程师找到我，说他负责的外观检验缺陷率控制图"没法用了"。打开一看，最近三个月，这张图上标红的超限点有两百多个，平均每天两三个。按照厂里的规定，每个超限点都要走OCAP流程，填异常单、查原因、写结论。他们组三个人，一半时间在填这些单子，而且99%的结论都是"未发现异常，判为正常波动"。

结果就是所有人都开始无视这张图。红点变成了背景噪声，真正的异常反而被淹没了。9月份有一次真实的来料批次问题，缺陷率连续五天偏高，愣是没人当回事，直到客户投诉回来才发现，那五天的产品已经出货了。

我拿到原始数据一看，问题一目了然：他们用的是Xbar-R图。这是计量型控制图，本来是给尺寸、厚度、电阻这类连续数值用的。而外观缺陷率是"每批检了多少个、坏了多少个"算出来的比率，是彻头彻尾的计数型数据，应该用p图。更麻烦的是他们每批的检验数量从300到1500不等，却用了一条固定的控制限。

这不是个例。我后来在厂内做了一次普查，17个涉及缺陷率、不良率、缺陷数的监控点里，有11个用错了控制图类型。这件事让我意识到，计数型SPC在国内工厂的普及程度远低于计量型，很多人的SPC知识就停留在"三倍标准差"这一句话上。

二、技术原理：为什么计数型数据不能套用计量型公式

2.1 计量型与计数型的本质区别

计量型数据是连续的，比如膜厚124.7埃、线宽45.2纳米。它可以取区间内任意值，理论上有无穷多个可能取值。这类数据的经典假设是正态分布，而正态分布有一个非常方便的性质：均值和方差是相互独立的参数。你可以有一个均值100、标准差0.5的过程，也可以有一个均值100、标准差5的过程，两者互不影响。

计数型数据是离散的，只能取0、1、2这样的整数。不良品率服从二项分布，缺陷数服从泊松分布。这两个分布有一个和正态分布截然不同的性质：均值和方差是绑定的。二项分布的方差是n·p·(1-p)，完全由n和p决定；泊松分布的方差直接等于均值lambda。这意味着你不能独立地估计"离散程度"，它由平均水平唯一确定。

这个区别决定了控制限的算法完全不同。Xbar-R图用极差R来估计标准差，而计数型控制图直接用理论公式从pbar或cbar算出标准差。用极差法去估计一个方差由均值决定的分布，算出来的标准差通常严重偏小，控制限就过窄，误报自然满天飞。

2.2 四种计数型控制图的选型逻辑

选型只需要回答两个问题。第一个问题：你数的是"坏掉的产品个数"还是"缺陷的总个数"？这两者的区别在于，一个产品可以同时有多个缺陷。一片晶圆上有5个划伤和3个颗粒，如果按不良品算，它是1个不良品；如果按缺陷数算，它是8个缺陷。前者用二项分布（p图、np图），后者用泊松分布（c图、u图）。

第二个问题：每批的检验数量是固定的还是变化的？固定的可以用绝对数（np图、c图），变化的必须用比率（p图、u图）。注意这里的"固定"要求很严格，如果批量在1000到1050之间波动，勉强可以当固定；如果在300到1500之间波动，那绝对不行。

表1：四种计数型控制图的选型判据与计算公式

关于表中的公式，有两个细节需要展开。第一，p图和u图的公式里有n_i这个下标，意思是每一批的样本量都要单独代入。所以画出来的控制限不是一条直线，而是随样本量变化的阶梯线。样本量大的批次控制限窄，样本量小的批次控制限宽，这符合直觉：检的多，估计就准，容忍的波动就小。

图1：p图实例。同一条中心线下，样本量n越小控制限越宽。第21批p=0.058，若按n=1200的控制限判定为超限，按n=400的控制限则在界内，这正是必须按批计算控制限的原因。

看图1的第21个点，p=0.058。如果这一批的检验量是1200，UCL是0.0479，它超限了；如果检验量是400，UCL是0.0592，它没超限。同一个数值，不同的判定结果。用一条固定控制限的工厂，本质上是在小批次上疯狂误报、在大批次上悄悄漏检。

2.3 过离散：教科书不太讲但现场经常遇到的坑

二项分布和泊松分布都有一个隐含假设：每个被检单位的缺陷发生概率是独立且相同的。在实验室条件下这可能成立，在Fab里往往不成立。

举个具体例子。同一批次的25片晶圆在同一台设备、同一个腔体、同一段时间内加工，它们的缺陷概率是高度相关的——如果那天腔体状态不好，25片全都会偏差。这导致批次之间的实际波动，远大于二项分布理论预测的波动。这就是过离散（overdispersion）。

过离散在p图上的表现是：大量的点跑到控制限外面，但你怎么查都查不出特殊原因，因为那些波动本来就是过程固有的。判断是否存在过离散有一个简单方法：计算所有点的Z值（Z_i = (p_i - pbar) / sigma_i），然后求Z序列的移动极差平均值MRbar，sigma_z = MRbar / 1.128。如果sigma_z明显大于1（比如大于1.2），说明存在过离散。

David Laney在2002年提出的解法非常优雅：把sigma_z作为一个膨胀因子乘进控制限，得到p撇图和u撇图。这个方法既保留了随样本量变化的阶梯特性，又修正了过离散带来的控制限过窄。现在Minitab、JMP都内置了这个功能，但很多国内工厂还不知道。

三、现状分析：厂内17个计数型监控点的普查结果

发现问题之后，我们花了三周时间把厂里所有涉及计数型数据的监控点梳理了一遍。结果比预想的更糟糕。

17个监控点里，11个用错了图型，占65%。其中7个把计数型数据套用了Xbar-R图或单值移动极差图，4个虽然用了p图但采用固定控制限。剩下6个图型正确的监控点里，又有3个存在中心线长期未更新的问题——最夸张的一个，pbar还是2023年建线时算的，过程能力早就改善了，控制限却纹丝不动，导致所有点都贴着下限跑，看起来"过程超好"，实际上完全失去了监控意义。

误报的代价是可以量化的。我们统计了2025年第三季度，这17个监控点一共触发了1847次超限报警，其中被判定为"确有异常"的只有94次，有效率5.1%。按每次OCAP流程平均占用工程师35分钟计算，一个季度浪费了约1020个工时，相当于1.6个人全年的工作量。

更严重的是信任成本。当有效率只有5%时，工程师会形成"报警大概率是假的"的心理预期，响应速度和认真程度都会下降。前面提到的那次来料批次问题漏检，本质上就是这个心理预期导致的。

四、瓶颈问题：为什么大家会用错，以及改起来难在哪

4.1 培训体系的断层

国内多数工厂的SPC培训，重点都在计量型部分：Xbar-R、Xbar-S、单值移动极差、Cp和Cpk。计数型往往只在最后半小时带过，讲个公式就结束了。而实际工作中，缺陷率、不良率这类指标的出现频率一点不比尺寸参数低。

4.2 软件默认值的误导

很多MES自带的SPC模块，新建控制图时默认就是Xbar-R。工程师如果不主动去改，就会一路默认下去。有些系统甚至根本没提供p图和u图的选项，只能用"单值图"凑合，那就更不用说变样本量控制限了。

4.3 变样本量控制限的实现成本

固定控制限只需要存三个数字：UCL、CL、LCL。变样本量控制限需要为每个数据点单独存一组控制限，数据结构和绘图逻辑都要改。对于老旧的MES系统，这个改造涉及数据库表结构变更，推动难度不小。

4.4 中心线更新的责任真空

控制图建好之后，谁负责定期评估中心线是否还合理？在多数工厂里，这个责任是模糊的。质量部门认为是工艺部门的事，工艺部门认为是质量部门的事，结果就是没人做。三年不更新的控制限比比皆是。

表2：计数型SPC实施中的六个高频错误与纠正方法

五、解决方案：四步完成计数型SPC的规范化改造

5.1 第一步：建立数据类型判定的决策树

我们做了一张单页的决策流程卡，贴在每个工程师的工位上。流程只有四个判断：数据是连续值还是计数值？计数的是不良品还是缺陷？样本量或检验单位是否恒定？是否存在过离散？四个问题回答完，图型就唯一确定了。

第四个判断需要计算，我们写了一个小脚本，输入历史数据自动输出sigma_z值和建议图型，工程师不需要手工算移动极差。

def check_overdispersion(counts, sizes): p_bar = sum(counts) / sum(sizes) z = [(c/n - p_bar) / ((p_bar*(1-p_bar)/n) ** 0.5) for c, n in zip(counts, sizes)] mr = [abs(z[i] - z[i-1]) for i in range(1, len(z))] sigma_z = (sum(mr) / len(mr)) / 1.128 return sigma_z # >1.2 建议改用Laney p撇图

5.2 第二步：改造MES的控制限存储与绘图逻辑

数据库层面，把原来的control_limit表从"每个监控点一行"改成"每个数据点一行"，增加sample_size、ucl_i、lcl_i三个字段。绘图层面，把控制限从水平线改为阶梯线（matplotlib的step函数或ECharts的阶梯折线）。

这里有个实现细节容易被忽略：当计算出的LCL为负数时必须截断为0，因为缺陷率不可能为负。但截断之后，下限就永远不会被触发，意味着你失去了"过程显著改善"这个信号。我们的补偿方案是同时启用连续9点位于中心线以下的判异规则，这个规则不依赖LCL，可以正常发现改善趋势。

5.3 第三步：制定中心线更新的制度

我们规定了三个必须重算基线的触发条件：时间触发，每季度末强制评估一次；事件触发，发生配方变更、设备大修、检验标准调整、来料供应商切换这四类事件之一时立即重算；统计触发，当连续25个点中有超过18个位于中心线同一侧时，系统自动推送重算提醒。

责任归属明确写进了岗位说明书：监控点的Owner是工艺工程师，质量工程师负责审核和存档，MES系统负责自动推送提醒。三方职责清晰，不再有责任真空。

5.4 第四步：判异规则的分级响应

不是所有报警都值得走完整的OCAP流程。我们把Nelson八条判异规则分成三级：一级（超出3sigma控制限、连续9点同侧）触发完整OCAP，需在4小时内给出初步结论；二级（连续6点递增或递减、连续14点交替升降）触发观察单，记录但不停线，24小时内跟进；三级（其余规则）仅系统记录，周会上汇总回顾。

分级之后，需要立即响应的报警数量下降了约七成，工程师能把精力集中在真正重要的信号上。

六、实战案例：封装外观缺陷率监控点的完整改造

还是文章开头那个监控点。原始状态：Xbar-R图，固定控制限UCL=0.0412、CL=0.0298、LCL=0.0184，批次检验量300到1500不等，2025年第三季度触发报警213次，确认异常9次，有效率4.2%。

第一步，数据类型判定。检验的是"这一批里有多少个外观不良品"，一个产品判一次好坏，不累计多个缺陷，所以是不良品数，用二项分布。批量变化大，所以用比率而非绝对数。初步结论：p图。

第二步，过离散检验。取2025年7月到9月共182个批次的数据跑脚本，sigma_z算出来是1.67，远大于1.2。这个结果符合预期，因为封装的外观缺陷高度依赖当班操作员的手法和当批来料的表面状态，批内相关性很强。最终结论：Laney p撇图。

第三步，重算基线。用182个批次算出pbar=0.0296，结合sigma_z=1.67计算膨胀后的控制限。以n=800的批次为例，普通p图UCL=0.0475，p撇图UCL=0.0595，控制限宽了约25%。

第四步，回测验证。把新控制限套用到那182个历史批次上，报警次数从213次降到11次。关键是要看那9次确认异常还在不在——结果是9次全部保留，而且其中有2次在新图上表现得更明显（因为背景噪声少了，信号更突出）。

第五步，上线运行。2025年10月切换到新控制图。第四季度报警14次，确认异常6次，有效率42.9%。对比第三季度的4.2%，提升了十倍。

还有一个意外收获。11月中旬，新图捕捉到一次连续9点位于中心线以下的信号。查下来是一家新来料供应商的载带表面处理工艺改进了，带来了实实在在的缺陷率下降。这个改善信号在老的固定控制限图上是完全看不到的，因为LCL被截断在0，而且噪声太大。后来我们把这家供应商的份额提高了，整体外观缺陷率又降了0.4个百分点。

七、实施效果：全厂17个监控点的改造成果

2025年10月到2026年3月，我们用半年时间完成了全部17个监控点的改造。其中改为p图的6个、u图的4个、c图的2个、np图的1个、Laney p撇图的3个、Laney u撇图的1个。

图2：六个监控点在完成计数型控制图选型改造前后的误报警次数对比，每周合计从23次降到3次，工程师响应OCAP的有效性显著提升。

整体数据：季度报警总数从1847次降到312次，降幅83.1%；确认异常次数从94次上升到118次（注意是上升，说明真实异常的检出能力增强了）；报警有效率从5.1%提升到37.8%。

OCAP流程占用工时从每季度1020小时降到约215小时，按人均成本折算，一年节省的直接人力成本超过45万元。这个数字还不包括漏检导致客户投诉的隐性成本。

异常平均发现时间从4.7天缩短到1.3天。原因很直接：报警少了，每一条都被认真对待了。

2026年第一季度，客户端外观类投诉从上年同期的7起降到1起。这一起还是包装环节的问题，与工艺无关。

最后说一个软性但重要的变化。改造之前，工程师提到SPC图的态度是"那玩意儿不准"；改造之后，开始有人主动来问"我这个新监控点应该用什么图"。工具的可信度一旦建立起来，使用它的意愿是会自我强化的。

八、延伸补充：工程落地的更多细节

8.1 Nelson八条判异规则在计数型控制图上的适用性

Nelson八条规则最初是为计量型控制图设计的，直接套用到计数型控制图上需要注意几点差异。

规则1（1点超出3sigma）完全适用，是最主要的判异依据。但要注意LCL被截断为0的情况，此时下侧的规则1永远不会触发。

规则2（连续9点同侧）完全适用，而且在计数型场景下特别重要，因为它是LCL截断后唯一能发现改善趋势的规则。

规则5和规则6涉及2sigma和1sigma分区，在变样本量的p图上，分区边界也是阶梯状的，实现起来比较麻烦，很多系统干脆不支持。如果系统不支持，可以只启用规则1、2、3、4，覆盖大部分实际需求。

规则8（连续8点都在1sigma之外）在计数型图上误报率偏高，尤其是当过程存在轻微过离散但还没到需要用Laney图的程度时。建议谨慎启用。

8.2 样本量下限：期望缺陷数至少要多少

一个常见问题是每批检多少个才够。对p图，经验准则是n·pbar至少要大于等于5，也就是每批期望出现的不良品数不少于5个。如果pbar=0.003，那么n至少要1667。低于这个量，二项分布的正态近似不成立，控制限计算会有较大偏差。

对c图和u图，要求是cbar或者n·ubar不小于5。如果实际达不到，有三个选择：扩大检验单位（比如从"每片晶圆"改成"每批25片"）；合并多个时间段的数据；改用基于累计和的CUSUM图，它在低计数场景下比传统控制图更灵敏。

在高良率的先进制程里，低计数是常态。有些关键缺陷的发生率是百万分之几，这时候传统的控制图完全不适用，需要用到"缺陷间隔"类的方法，比如g图（统计两次缺陷之间的合格品数量）或者t图（统计两次缺陷之间的时间间隔）。

8.3 计数型过程能力怎么评估

计量型有Cp和Cpk，计数型没有直接对应的指标，这是很多人的困惑点。实践中有三种常用做法。

第一种是直接用DPMO（每百万机会缺陷数）。公式是缺陷总数除以（单位数乘以每单位机会数）再乘以一百万。这个指标的好处是可以跨产品、跨工序横向对比，缺点是需要准确定义"机会数"，不同人定义不同，可比性会打折扣。

配套资料与实战工具包

本文涉及的脚本、参数模板、检查清单已整理成配套资料包，可直接用于工厂落地实施，内容随实践持续更新。点击文章上方「VIP资源」下载区免费获取：

计数型控制图选型决策树（单页速查卡，可打印张贴）

过离散检验脚本（sigma_z自动计算，含Laney p撇图控制限）

p图/np图/c图/u图控制限计算Excel模板（支持变样本量）

Nelson八条判异规则分级响应OCAP表单

控制图基线重算SOP与季度评估检查清单

────────────────────────────────────────

本文首发于博客：半导体智能制造 | MES工程师实战笔记

你在实际项目里遇到过类似情况吗？是怎么处理的？欢迎在评论区分享你的实战经验，一起交流进步。

标签：SPC过程控制 | 半导体Fab | MES系统 | SPC | 良率提升 | 智能制造