[粉丝专享] 批次良率趋势追踪：缓慢下滑最难被发现

【摘要】良率突然掉五个点，全厂都会在两小时内知道；良率每周掉零点一个点，半年过去可能没人察觉。本文讲清缓慢漂移为什么会绕过常规Shewhart控制图，如何用EWMA、CUSUM与Mann-Kendall趋势检验组合成分层监控网，以及我们把一次持续七个月、累计损失2.6个百分点的隐性漂移抓出来的完整过程。

分类：良率工程 | 发布日期：2026-08-13 | 阅读时长：约12分钟

一、背景故事：半年时间悄悄丢掉的2.6个点

这件事的起点是一次客户例会。客户的品质经理拿出他们自己统计的一张图，横轴是过去八个月，纵轴是我们供货批次的最终测试良率，一条肉眼可见向下的斜线。他问了一句：你们内部有没有注意到这个趋势？当时在场的我们这边四个人，包括我，没有一个人答得上来。

回来查数据，客户说的完全属实。以八个月前为基准，主力产品的批次良率从94.2%一路下滑到91.6%，累计跌了2.6个百分点。按当时的月产量折算，这2.6个点相当于每月少产出约一千一百颗合格Die，八个月累计的经济损失在四百万人民币以上。而在这八个月里，我们的SPC系统一次报警都没有发出过。

为什么没报警？因为我们的良率控制图用的是标准Shewhart单值图，控制限设在正负3sigma。当时的批次良率标准差约0.7个百分点，所以LCL在92.1%左右。良率是从94.2%慢慢往下走的，走了七个多月才第一次跌破92.1%。而在跌破之前，每一个单点都在控制限内，图上看起来风平浪静。更麻烦的是，因为下滑极其缓慢，每周看图的工程师会不自觉地把眼前的水平当成正常水平，这在心理学上叫做基线漂移适应，是人眼监控的固有缺陷。

这次事件之后我们做了系统性的改造。这篇文章记录的就是改造的完整思路：为什么Shewhart对缓慢漂移无能为力、EWMA和CUSUM的原理与参数怎么定、如何设计分层监控网让不同幅度的异常都有对应的哨兵、以及落地后的真实效果数据。

二、技术原理：为什么Shewhart看不见缓慢漂移

Shewhart控制图的判异逻辑本质上是无记忆的：它只看当前这一个点落在哪里，不考虑之前的点。这个设计在应对突发跳变时非常好用，一个点跳出去立刻抓住。但对于缓慢漂移，每个单点的偏离都很小，单看任何一个点都不足以判异，而Shewhart又不会把这些小偏离累积起来，于是漂移就在它眼皮底下一路走完了。

衡量控制图灵敏度的标准指标是ARL（Average Run Length，平均运行长度）。ARL0指过程正常时平均多少批才误报一次，越大越好，标准3sigma图的ARL0约为370。ARL1指过程发生特定幅度偏移后平均多少批才检出，越小越好。关键数字是：当偏移幅度为0.5sigma时，Shewhart单点判异法的ARL1高达155批。如果一批是一天，那就是五个月。这就是我们那次漂移的数学解释。

EWMA（指数加权移动平均）的思路是给控制统计量加上记忆。它的递推式是Zi等于lambda乘以当前观测值加上一减lambda再乘以上一期的Zi，lambda是介于0和1之间的权重系数。lambda越小，历史信息保留得越多，对小幅持续偏移越敏感，但对突发跳变的响应越慢。实践中lambda取0.1到0.3之间，0.1适合监控极缓慢的长期漂移，0.3适合兼顾中等幅度变化。EWMA的控制限不是固定的，它随期数增长而逐渐收窄至稳态值，稳态控制限等于中心线加减L乘以sigma再乘以根号下lambda除以二减lambda，L通常取2.7到3.0。

表1：四类良率异常模式的特征与适配监控方法

CUSUM（累积和）的思路更直接：把每期与目标值的偏差累加起来。为避免正常波动导致的随机游走，CUSUM引入了松弛量k，通常取待检出偏移量的一半，即k等于0.5sigma。上侧统计量为前一期上侧值加上当前偏差减k，与0取大；下侧统计量类似。当累积量超过决策界限h（通常取4或5倍sigma）时判异。CUSUM与EWMA在小偏移检出能力上非常接近，选哪个更多取决于团队习惯。我个人偏好EWMA，因为它的统计量可以直接画在与原数据同一量纲的坐标上，工程师看图时更直观，不需要额外解释累积和的物理含义。

还有一类工具是趋势的统计检验，最实用的是Mann-Kendall检验。它是非参数方法，不要求数据服从正态分布，只看数据点两两之间的大小关系，统计所有后项大于前项与后项小于前项的对数之差，构造出的S统计量在无趋势假设下近似正态。Mann-Kendall的价值在于它给出的是一个明确的p值，可以回答这个下滑到底是不是随机波动这个问题。我们把它作为月度复核工具，对每个产品族的近二十六周数据跑一次，p值小于0.05即触发趋势建案。

三、现状分析：多数工厂的良率监控长什么样

我看过的良率监控体系，绝大多数有三个共同特征。第一是只有一层：全厂或全产品的日良率画一张图，这张图上什么细节都看不出来，因为不同产品、不同工艺路线的良率被平均成了一个数，任何局部问题都被稀释掉了。

第二是只用Shewhart。这不奇怪，因为绝大多数商用SPC软件的默认模板就是Xbar-R图，EWMA和CUSUM虽然软件里有，但需要额外配置参数，而参数怎么定没人说得清，于是就一直用默认的。我问过好几家厂的SPC负责人，能说清lambda物理含义的不到三分之一。

第三是人眼兜底。很多厂的实际做法是每周良率会上把趋势图投出来，大家一起看一眼。这种方式对突发问题有效，对缓慢漂移几乎无效，原因就是前面说的基线漂移适应。我们做过一个小实验：把那八个月的良率数据分成八张图，每张只显示一个月，混在其他正常数据里给十二位工程师看，只有两位指出了下滑趋势；而把八个月画在同一张图上，十二位全部一眼看出。这说明问题不在工程师的能力，而在于他们从来没有机会看到完整的长期视图。

还有一个隐蔽问题是数据分层的缺失。良率数据天然是多层嵌套的：产品族下面有产品，产品下面有工艺路线，路线上有几十道工序，每道工序有多台机台，每台机台有多个腔体。把这些混在一张图上做SPC，统计上叫做子群划分错误，结果是组内变异被人为放大，控制限被撑得很宽，任何真实信号都会被淹没。这是很多厂良率图看起来永远受控的根本原因，不是过程真的稳定，是尺子太粗了。

四、瓶颈问题：卡在哪里

第一个瓶颈是漂移根因的物理特性决定了它必然缓慢。导致良率缓慢下滑的原因往往是消耗性的：溅射靶材逐渐变薄导致沉积速率变化、刻蚀腔体内壁聚合物逐层积聚改变了等离子体阻抗、光刻机光源能量随使用时间衰减、显影液和清洗化学品随时间老化、离子源灯丝逐渐消耗。这些过程的时间常数都是周到月的量级，不可能产生突变信号，也就不可能被为突变设计的工具捕捉。

第二个瓶颈是良率数据本身的滞后性。从晶圆投片到拿到最终测试良率，成熟制程也要三到六周，先进制程可能超过两个月。这意味着当良率图上出现信号时，产线上已经有几十甚至上百批在制品带着同样的问题在流。这个滞后决定了良率监控必须尽可能前移到inline量测和工艺参数层，而不能只依赖最终良率。

第三个瓶颈是误报与漏报的两难。把控制限收紧确实能提早发现漂移，但代价是误报率上升。我们试算过，如果把Shewhart控制限从3sigma收到2sigma，ARL0会从370暴跌到约22，意味着即使过程完全正常，平均每22批就会误报一次。在日投片几十批的规模下，这等于每天都在报警，产线两周内就会对告警彻底脱敏。EWMA和CUSUM的价值恰恰在于它们能在保持ARL0约370的同时把小偏移的ARL1压到十几批，这是单纯收紧控制限做不到的。

第四个瓶颈是组织层面的：谁负责看趋势。突发异常有明确的责任人，因为它会立刻卡住生产，有人被迫处理。缓慢漂移不卡任何人，每周良率会上大家看一眼觉得还行就过去了。没有明确的责任人和触发机制，再好的统计工具也只是摆设。

五、解决方案：分层趋势监控网

我们最终建的是一张六层监控网，核心思想是不同层级用不同粒度、不同方法、不同响应时限，让各类异常都有对应的哨兵。完整的层级设计见本文表2，这里说几个关键的设计决策。

第一个决策是坚决先分层再建图。我们定了一条硬规则：任何一张SPC图，其数据来源必须满足单一产品族加单一工艺路线加单一机台组，三个条件缺一不可。分层后单张图的数据量变少了，但组内变异显著收窄，控制限从原来的正负2.1个百分点收到了正负0.9个百分点，同样幅度的漂移能被更早识别。代价是图的数量从三十几张变成四百多张，这就要求监控必须自动化，不能靠人翻。

第二个决策是全部自动跑、只推异常。四百多张图人肯定看不过来，所以我们写了一套自动化流程：每天凌晨从数据仓库拉数，对每一层每一个分层组合分别计算Shewhart、EWMA、CUSUM三套统计量，只把触发判异规则的组合推送出来。推送内容不是一张图，而是一份结构化的异常卡片，包含分层标识、触发的规则类型、当前偏移幅度估计、近二十六周趋势图、以及自动跑出来的共性因子扫描结果。工程师收到卡片就能直接开始分析，不用再去系统里找数据。

图1：一个真实的缓慢漂移案例。实际良率从94.2%以每周约0.075个百分点的速度下滑，Shewhart控制图直到第30周才勉强触限，EWMA在第16周即已越过控制限，提前14周报警。

第三个决策是引入Mann-Kendall做月度全量趋势体检。EWMA和CUSUM是在线监控，Mann-Kendall是离线体检，两者互补。每月初对所有分层组合的近二十六周数据跑一遍Mann-Kendall，输出一张趋势体检表，按p值排序。p值小于0.01的标红强制建案，0.01到0.05之间标黄要求工程师书面说明，大于0.05放行。这套机制的价值在于它是全量扫描，不会因为某个分层组合恰好没触发在线规则而被遗漏。

第四个决策是把监控前移到参数层。最终良率滞后太严重，我们把每道关键工序的核心工艺参数也纳入了同一套趋势监控，比如刻蚀速率、沉积厚度、CD量测值、套刻精度。这些参数的数据在几小时内就能拿到，比良率快了三到六周。实践证明大部分良率缓慢漂移在参数层都有更早的对应信号，我们后来抓到的漂移案例中有七成是先在参数层报的警。

第五个决策是明确责任与时限。每一层的告警都指定了唯一责任岗位和响应时限，写进了部门的绩效考核。第4层腔体级告警要求24小时内首次响应，第2层产品族级要求触发即建案。响应记录在系统里留痕，超时自动升级到主管。这一条纯管理措施，但它是整个体系能跑起来的前提。

六、实战案例：抓住一次靶材导致的隐性漂移

体系上线四个月后抓到的一个典型案例。第二层监控在某产品族的周良率EWMA统计量上触发了下侧告警，偏移幅度估计约0.6sigma，累计下滑约0.5个百分点。此时Shewhart图上所有点仍在控制限内，人眼看趋势图只能看出一点点向下的意思，不足以判断。

异常卡片自带的共性因子扫描给出了第一条线索：触发批次在PVD工序上高度集中于两台机台中的一台，卡方检验p值0.003。工程师顺着这条线索去查PVD-B机台，第四层的腔体级监控确实也有一条黄色告警，只是幅度更小没有强制建案。

进一步下钻到参数层，发现该机台的沉积厚度均值在过去九周里从目标值缓慢上移了约1.8%，但仍在工艺规格窗口内，所以inline量测从未报过OOS。这就是典型的受控但不合意状态：参数没有超规格，但已经偏离了最优工作点。设备工程师检查后确认是溅射靶材已使用至寿命后期，侵蚀轮廓发生变化导致沉积速率与均匀性同步漂移。

按原有的靶材更换规则，这块靶材还有大约三周才到累计功率时间的更换阈值。我们提前更换后连续跟踪四周，沉积厚度回到目标值，该产品族的周良率在两周后恢复到94.1%，EWMA统计量回到控制限内。从告警到确认根因用了三天，到效果验证完成用了六周。

这个案例带来的额外收获是靶材更换规则本身的修订。我们把三块不同批次靶材的全寿命沉积速率数据调出来做对比，发现速率漂移在累计功率时间达到额定值的78%左右开始明显加速。于是把更换阈值从100%调整到80%，并在80%到100%之间增加了逐周的厚度复核。靶材成本因此上升了约两成，但按避免的良率损失折算，净收益是正的。

七、实施效果：数据说话

体系运行满一年后做了完整复盘。最核心的指标是良率异常的平均检出滞后时间，定义为从漂移实际起始点（事后回溯确定）到系统首次告警的间隔。改造前这个数字无法统计，因为缓慢漂移基本靠客户或年度复盘发现；改造后全年抓到的十四起缓慢漂移案例，平均检出滞后为11.3个生产周，其中最快的一起在漂移起始后第4周即报警。

第二个指标是漂移造成的累计良率损失。我们对每起案例估算了如果按改造前的检出速度会额外损失多少。十四起案例合计避免的良率损失约为11.8个百分点年累计，按当年产量与售价折算，经济收益约在一千九百万人民币量级。这个数字在向管理层申请第二期预算时起了决定性作用。

第三个指标是误报控制。很多人担心加了EWMA和CUSUM会导致告警泛滥，实际情况是全年第2层和第3层合计触发告警一百七十三次，其中确认为真实问题的一百零九次，误报率37%。这个误报率听起来不低，但要看绝对量：平均每周三点三次告警，分摊到六个工艺段的工程师身上，每人每周半次，完全在可承受范围内。而且我们把误报也做了归因分析，其中约四成的误报源于量测系统本身的波动，这直接推动了后续的Gage R&R专项治理。

第四个变化是文化层面的。过去良率会讨论的都是本周哪批出了问题，现在会议议程里固定有一个趋势议题，看的是各分层组合近二十六周的Mann-Kendall体检结果。工程师逐渐养成了看斜率而不只看当前值的习惯。有位资深工艺工程师的原话是，以前觉得没报警就是好的，现在知道没报警也可能正在慢慢烂掉。

最后说一个副产品。为了支撑四百多张图的自动化计算，我们把良率数据仓库的分层维度做了彻底重构，统一了产品族、工艺路线、机台组三个维度的编码体系。这套编码后来被MES、SPC、良率分析、客户报告四个系统共同复用，跨系统取数对不上的老问题也顺带解决了。很多时候治理项目的最大收益并不在项目目标本身，而在于它逼着你把底层数据结构理顺了。

图2：小幅漂移正是Shewhart的盲区。0.5sigma漂移时单点判异法平均需要155批才报警，EWMA与CUSUM只需10至11批，灵敏度差了十四倍以上。

表2：分层趋势监控网的层级设计与参数配置

八、延伸补充：参数选择、常见误用与推进建议

8.1 EWMA的lambda到底怎么定

理论上lambda应该根据待检出的偏移幅度来优化，偏移越小lambda应越小。工程上有一个简单的经验法则：要检出delta倍sigma的偏移，lambda可取delta除以2再平方与0.05取大。比如要检出0.5sigma偏移，lambda约取0.0625，实践中会圆整到0.1。更实用的做法是拿自己厂的历史数据做回溯测试：把已知的几起漂移事件的数据取出来，用lambda从0.05到0.4逐个试算，看哪个值能在保证ARL0不低于300的前提下最早检出，这比套公式可靠得多。

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：

EWMA/CUSUM参数选型与ARL仿真计算脚本（含lambda回溯优选工具）

分层趋势监控网六层配置模板（含各层方法、参数与响应时限定义）

Mann-Kendall月度趋势体检脚本包（含p值分级与体检表自动生成）

良率异常卡片模板与共性因子自动扫描脚本（卡方检验加决策树）

控制限重算管理规程与漂移案例损失测算表（含审批留痕表单）

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

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：良率工程 | 半导体Fab | MES系统 | SPC | 良率提升 | 智能制造