[粉丝专享] 计数型SPC：p图u图选错，分析结论全错

分类：SPC过程控制 | 发布：2026-08-11 1号槽位

一、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）。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。

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。

三、选图型的决策树

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。

五、p图u图的参数设置

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<5%），如果不合格率太高（>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

本文配套实战工具包（含完整Python源码+示例数据），点击上方「VIP资源」下载区获取：

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