[公开] 良率与量产爬坡曲线：学习曲线的数学建模

【摘要】新产品导入量产后，良率爬坡到底该多快、什么时候能达到承诺值，绝大多数工厂靠拍脑袋。本文用三种学习曲线模型（指数逼近、Wright幂律、Gompertz）对真实爬坡数据做拟合与外推，给出参数标定方法、置信区间估计、里程碑承诺的定量口径，以及模型失效时的识别信号，全部步骤可用pandas与scipy复现。

分类：良率工程　|　发布日期：2026-08-19　|　阅读定位：良率工程师 / 量产导入PM / 制造运营

一、问题背景：承诺的良率曲线，为什么总是兑现不了

新产品从工程批转量产，管理层最关心的只有一句话：什么时候能做到目标良率。这个问题在多数工厂的回答方式是，研发说三个月，制造说六个月，最后写进项目计划的是四个月，理由是折中。这不是估算，这是谈判。当第四个月良率停在目标值以下八个百分点时，没有人能说清楚是爬坡本身就该这么慢，还是过程中确实出了问题。

我们经历过一次典型的失败。某电源管理芯片从工程批转量产，工程批良率已经做到八十六个点，量产爬坡计划写的是十二周达到九十二个点。第八周良率停在八十八点五，第九周甚至掉到八十七点九。产品线负责人在会上问了一个很直接的问题：这条曲线现在是正常的爬坡波动，还是已经失速了。会议室里六个人，没有一个人能给出有依据的回答，因为大家心里都没有那条曲线应该长什么样的定量参照。

这就是本文要解决的问题。良率爬坡不是玄学，它在统计上有非常稳定的形态，工业界几十年积累下来的学习曲线模型可以把它描述得相当准确。一旦有了模型，我们就能回答三类问题：第一，按当前趋势外推，目标良率什么时候能达到；第二，当前实测值落在预测区间之内还是之外，也就是爬坡是否失速；第三，如果要提前两周达标，缺陷密度需要额外压降多少。

需要先明确一个前提，学习曲线描述的是系统性改善的累积效果，它假设团队在持续地发现问题、解决问题、固化改善。如果一个厂在爬坡期什么都不做，那曲线自然是一条平线，模型也就没有意义。反过来说，模型拟合出来的时间常数，本质上量化的是这个团队解决问题的速度，这个数字对工厂而言比良率本身更有价值。

二、三种学习曲线模型：形态、参数含义与适用边界

2.1 指数逼近模型：最常用，也最容易被误用

指数逼近模型的形式是，第t周良率等于渐近良率减去，渐近良率与初始良率之差乘以自然常数的负t除以时间常数次方。三个参数分别是初始良率、渐近良率和时间常数。初始良率就是量产第一周的实测值，可以直接观测；渐近良率是这个工艺平台在当前设计和当前设备条件下能达到的天花板；时间常数是爬坡快慢的度量，物理含义是从初始值走完剩余差距百分之六十三所需的周数。

这个模型的最大优点是参数可解释。渐近良率可以从同平台成熟产品反推，时间常数可以从历史项目统计得到，两个参数都不是凭空拟合出来的数字。我们统计过厂内近三年十九个量产导入项目，成熟平台衍生产品的时间常数中位数是三点二周，全新平台首颗产品是六点八周，两者差了一倍以上，这个差异比任何主观判断都更能支撑排程决策。

最容易被误用的地方在于，很多人拿前四周数据就去拟合三个参数。四个数据点拟合三个参数，几乎必然过拟合，渐近良率会被拟合到九十九甚至一百以上，得出的结论完全不可信。工程经验是，至少需要八个数据点，并且要把渐近良率约束在合理区间内做带约束拟合，才能得到稳定解。

2.2 Wright幂律模型：适合用累计产量而不是时间做自变量

Wright幂律的原始形式描述的是单位成本随累计产量的下降，映射到良率场景，我们关心的是不良率随累计投片量的下降。形式是，累计投产N片时的不良率等于首片不良率乘以N的负b次方，其中b是学习指数。定义学习率为二的负b次方，含义是累计产量每翻一倍，不良率下降到原来的多少。

这个模型比指数模型更贴近半导体的实际机理。良率改善来自于发现并消除缺陷源，而缺陷源的发现依赖于跑过的片数，不是依赖于日历时间。同样十二周，一个月投两千片和一个月投两百片，改善速度不可能一样。我们厂内的数据显示，成熟平台的学习率通常落在零点八到零点八八之间，也就是累计产量翻倍，不良率下降百分之十二到二十。

Wright模型的局限在于它没有天花板。当N趋于无穷，不良率趋于零，这在物理上不成立。因此实际使用时要给它加一个基底不良率，也就是不良率等于基底不良率加上可消除部分乘以N的负b次方。加了基底之后模型就有三个参数，同样面临样本量要求。

2.3 Gompertz模型：处理有启动延迟的爬坡

有一类爬坡曲线的前几周几乎不动，然后突然加速，最后再趋缓，整体呈S形。这通常发生在爬坡初期主要瓶颈是量测能力或工艺窗口尚未打开的项目上，前期做的工作是在搭基础设施，还没转化成良率。这种形态用指数模型拟合会严重低估最终良率，因为指数模型假设改善速度从第一天就是最快的。

Gompertz模型的形式是，良率等于渐近良率乘以自然常数的，负b乘以自然常数的负ct次方，次方。参数b控制起始位置，c控制陡峭程度。识别是否需要用Gompertz的方法很简单，把不良率取对数后画图，如果指数模型成立，取对数后应该接近直线；如果实际曲线明显上凸，说明存在启动延迟，应该改用Gompertz。

2.4 缺陷密度视角的交叉验证

以上三个模型都是唯象模型，只描述曲线形态，不涉及物理机理。要做交叉验证，需要引入缺陷密度视角。Poisson模型下良率等于自然常数的负缺陷密度乘以芯片面积次方；Murphy模型考虑缺陷密度的空间分布不均匀，给出的表达式是，一减自然常数的负缺陷密度乘以面积次方，除以缺陷密度乘以面积，整体再平方。

交叉验证的做法是，把学习曲线外推得到的第N周良率，反算成对应的缺陷密度，再看这个缺陷密度是不是工艺团队认为可达的。如果模型说第十二周良率九十三，反算缺陷密度需要降到每平方厘米零点零八，而工艺团队认为在现有清洗和光刻条件下极限是零点一二，那么这条外推曲线就是不可信的，需要重新审视渐近良率的设定。

三、完整落地步骤：从原始数据到可承诺的爬坡计划

Step 1：定义良率口径，这一步错了后面全错

爬坡曲线用的良率必须是同一口径。常见的坑是把工程批和量产批混在一起统计，工程批往往用宽放的测试规范，良率天然偏高，混进来会让前期曲线虚高，后期看起来像失速。同样要排除的还有，因为设备计划外停机导致的报废批、因为物料错误导致的整批报废、以及量测异常导致的假性低良率批。

我们的做法是建立三层良率口径：全口径良率用于财务核算，剔除非工艺因素的工程良率用于爬坡建模，单点缺陷限制良率用于工艺能力评估。爬坡建模只用第二种。口径定义要写进项目章程，由良率工程师和产品工程师双签，中途不允许修改，否则曲线就失去了可比性。

Step 2：确定拟合窗口与数据加权

拟合窗口建议使用滚动窗口而不是全量数据。原因是爬坡过程中如果发生过重大工艺变更，比如换了一款光刻胶或者调整了关键层的曝光条件，变更之前的数据反映的是另一个系统，混在一起拟合会拉低模型精度。我们的规则是，发生Class A变更后重新开始计时，把变更前的数据只作为渐近良率先验，不参与曲线拟合。

数据加权方面，每周的批次数不同，投片量差异可能达到五倍。直接用周平均良率会让小样本周的噪声被放大。正确做法是按每周的净投片数加权做最小二乘，权重取投片数的平方根，既反映了样本量差异，又不至于让大批量周完全主导拟合结果。

Step 3：带约束的参数拟合与置信区间

拟合用scipy的curve_fit加bounds约束。渐近良率的上界设为同平台成熟产品的历史最好水平加一个点，下界设为当前实测最高值加零点五个点。时间常数下界设为一点五周，上界设为十五周。这些约束不是为了让曲线好看，而是把工程知识注入到统计过程里，避免纯数学最优解跑到物理上不可能的区域。

置信区间用Bootstrap求。具体做法是对周数据做有放回重采样一千次，每次重新拟合，得到一千组参数，再对每个未来时间点求预测值的百分之五和百分之九十五分位数，形成预测带。这个预测带才是判断爬坡是否失速的依据：连续两周实测值落在预测带下沿之外，才判定为失速，单周跌出不算。

Step 4：把外推结果转化为可承诺的里程碑

模型给出的是中位数预测，直接拿去承诺是危险的，因为按定义有一半概率达不到。工程上的做法是取预测带的下沿加上一定缓冲作为对外承诺值，中位数作为内部目标值，上沿作为挑战目标。我们厂的规则是，对外承诺用百分之二十分位，内部目标用中位数，两者之间的差额就是项目风险缓冲。

同时要把里程碑写成双维度的，不能只写时间。正确写法是，在累计投片达到八千片且日历时间满十周之后，工程良率达到九十一点五个点。这样写的好处是，如果因为订单不足导致投片量没跟上，未达标的责任归属是清晰的，不会变成良率团队单方面背锅。

Step 5：每周复盘的固定动作

每周固定做四件事：更新拟合曲线并重算预测带、检查实测点相对预测带的位置、更新缺陷帕累托并核对Top3缺陷模式是否变化、检查上周行动项的关闭情况。这四件事必须在同一份材料里呈现，如果分成四份材料，会议就会退化成各部门轮流汇报，而不是围绕一条曲线做决策。

当发现失速信号时，排查顺序建议是从量测系统开始，而不是从工艺开始。原因很简单，量测系统漂移导致的假性失速在我们的统计中占到全部失速事件的百分之二十二，而排查成本远低于工艺排查。先花两小时确认量测系统正常，再启动工艺排查，这个顺序能省下大量无效工时。

四、实测数据演示：一次二十周爬坡的完整拟合

下面用一组脱敏后的真实数据演示完整流程。产品为某模拟芯片，芯片面积二十八平方毫米，量产首周工程良率八十二点一，目标是二十周内达到九十三。数据为周度工程良率，已按前述口径清洗。

图1：三种学习曲线模型的拟合与外推对比。第11、12周实测值连续跌出预测下沿，触发失速判定，事后确认为清洗槽液更换周期延长导致的颗粒缺陷上升。

图1把三种模型的拟合结果画在一起。可以看到，指数逼近模型在前八周拟合得最好，但外推到二十周时给出的是九十三点四；Wright幂律模型对中段的拟合更贴，外推给出九十二点一；Gompertz模型因为这组数据没有明显启动延迟，拟合结果与指数模型接近但略微保守。三个模型在第二十周的预测差异是一点三个百分点，这个差异本身就是不确定性的度量。

更重要的是图中第十一周和第十二周这两个点，它们连续落在预测带下沿之外，触发了失速判定。事后复盘确认，原因是一台清洗设备的槽液更换周期被延长，导致颗粒缺陷上升。这个问题在触发判定后的第三天被定位，如果没有预测带做参照，按传统的看趋势方式，大概率要到第十四周才会引起重视。

第二组图展示的是良率损失的构成变化。爬坡不是良率单调上升那么简单，它的内部结构一直在变，早期主导的缺陷模式和后期完全不同，这个结构变化本身就是判断爬坡是否健康的重要信号。

图2：良率损失结构随爬坡阶段的演变。颗粒与光刻类损失下降三分之二以上，参数型失效与边缘良率成为后期主要瓶颈，改善难度显著高于前期。

图2把二十周分成四个阶段，每个阶段的良率损失按缺陷类别拆分。第一阶段主导的是颗粒和光刻缺陷，占到总损失的百分之六十以上，这是典型的量产初期特征，说明基础的洁净度和曝光条件还没稳定。到第四阶段，颗粒和光刻的绝对损失都下降了三分之二以上，剩下的主要是参数型失效和边缘良率，这两类的改善难度显著高于前者。

这张图给出的管理含义是，后期爬坡变慢是结构性的，不是团队不努力。用同一个时间常数去要求第十六周到第二十周的改善速度，是不合理的。分段建模，也就是对每个阶段单独拟合时间常数，能更真实地反映改善难度的变化，我们厂内现在的标准做法是至少分两段：颗粒主导期与参数主导期。

五、关键参数与模型对照表

下面两张表是这套方法落地时最常被引用的内容。第一张表对比三种模型的适用条件与参数要求，第二张表给出爬坡各阶段的典型参数区间与判定阈值，都可以直接贴进项目文档。

表1：四类爬坡建模方法的适用条件与局限对照

选型建议：默认从指数逼近起步，数据满十周后同时跑Wright与Gompertz做对照，三者外推差异超过两个百分点时，说明数据本身信息量不足，此时应以最保守的结果作为对外承诺依据。

表2：良率爬坡分阶段特征与失速判定阈值参考表

表中时间常数为二十八平方毫米以下中小面积芯片的经验值。大面积芯片（超过八十平方毫米）建议将各阶段时间常数上浮百分之三十至五十，因为单位面积缺陷对良率的杠杆效应更强，同样的缺陷密度改善带来的良率增量更小。

六、避坑清单与适用边界

【坑一】用拟合优度好坏来判断模型对错。R方高不代表外推可信。爬坡数据本身单调性强，随便一个单调函数R方都能做到零点九五以上。真正该看的是外推稳定性：每周新增一个数据点后重新拟合，看渐近良率的估计值是否收敛。如果每周都在大幅跳动，说明数据还不足以支撑外推，此时不应对外给承诺。

【坑二】把渐近良率当成设计极限。渐近良率是当前工艺条件下的极限，不是设计能力的极限。同一个设计换一个更成熟的产线，渐近良率可以提高三到五个点。把这两个概念混为一谈，会导致在爬坡后期做出错误的止损决策，比如认为已经到顶而放弃继续投入，实际上只是当前产线的能力边界。

【坑三】忽略测试程序变更对曲线的干扰。测试程序在爬坡期通常会有多次调整，收紧或放宽某个测试项的限值，都会让良率发生阶跃。这种阶跃不是工艺改善，混进曲线会污染拟合。规范做法是，每次测试程序版本变更都要在数据表中打标记，拟合时对阶跃做校正，或者干脆用变更后的版本重跑一批历史数据做归一化。

【坑四】只跟总良率，不跟良率的分布。同样是九十的平均良率，一种是所有批次都在八十八到九十二之间，另一种是一半批次九十六一半批次八十四，两者的管理动作完全不同。后者说明存在明显的批次间系统性差异，此时的首要任务是找出差异因子，而不是继续做全局的工艺优化。建议在爬坡看板上同时显示良率的批次间标准差。

【坑五】把爬坡模型用在小批量多品种产线上。学习曲线的前提是重复生产带来的经验积累。如果一条线上同时跑二十个产品，每个产品每月只投两百片，那么单产品的学习效应会被稀释到几乎观测不到。这类产线应该按工艺平台而不是按产品建模，把同平台产品的累计投片量合并计算。

适用边界方面，本文方法适合月投片量在一千片以上、产品生命周期超过十二个月、有稳定的周度良率数据采集能力的量产项目。对于研发阶段的工程批、月投片量低于三百片的小批量产品、以及生命周期不足半年的短命产品，投入建模的边际收益不高，用简单的移动平均加人工判断即可。

最后强调一点，模型的价值不在于预测得多准，而在于它把爬坡这件事从主观争论变成了可以被证伪的假设。当实测值跌出预测带，团队讨论的焦点会自然地从谁的责任转向哪里出了问题，这个转变对组织效率的提升，比预测精度本身重要得多。

七、配套资料与实战工具包

本文涉及的全部脚本、参数模板、判定表和检查清单已整理成实战工具包，拿回去改改路径和字段名就能在自己厂里跑起来，不需要从零写。

点击上方「VIP资源」下载区，免费获取以下配套资料（MES / SPC / EAP / 良率分析方向持续更新）：

爬坡曲线三模型拟合脚本（指数逼近 / Wright幂律 / Gompertz，含Bootstrap置信区间）

良率爬坡里程碑承诺表模板（含风险缓冲计算规则）

缺陷密度D0与良率换算工具（Poisson / Murphy / Seeds三模型对照）

周度爬坡复盘会议纪要模板（含拐点判定检查项）

爬坡失速根因排查Checklist（工艺 / 设备 / 量测 / 物料四象限）

资料包按「可直接运行」标准整理：脚本自带示例数据，模板自带填写说明，表单自带评审要点，避免下载回去还要再花两天做适配。

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

本文首发于博客：半导体智能制造 | MES工程师实战笔记

你在自己厂里遇到过类似情况吗？是怎么处理的？欢迎在评论区留下你的做法和踩过的坑，我会逐条回复，也会把有价值的案例补充进后续文章。

标签：良率工程 | 量产爬坡 | 学习曲线 | 缺陷密度 | 半导体Fab | 数据建模