半导体SPC 控制图怎么选:四类图种与八条判异准则的取舍

对比两种做法:把一套固定模板铺到所有产线,还是让每道工序挑自己的图种。前一种上手快,半年后误报堆积;后一种前期配置费工,长期稳定性好得多。半导体SPC 的图种选择,本质就是这道取舍。

先判数据类型,再挑图,这条顺序反过来做,后面每一步都会歪。

一、先判数据类型

计量型数据配 Xbar-R、Xbar-S、I-MR,长度、温度、电阻、膜厚都属于这一类;计数型数据配 p、np、c、u,不良率、缺陷点数属于这一类。封测现场两类同时存在,键合力与焊接温度走计量型,外观不良与电性失效走计数型。两类混用会直接让控制限失真。

二、计量型三张图的适用面

Xbar-R 适合子组 2 到 5 的场景,计算轻,现场接受度高。Xbar-S 适合子组大于 8 的场景,标准差估计更稳,代价是样本收集时间长。I-MR 适合单件流,每批仅一个读数的工序靠它兜底。封测里 I-MR 的使用面比想象中宽,小批量多品种的产线经常凑不齐一个完整子组,退到 I-MR 是常见解法。

三、计数型四张图怎么落

p 图盯不良率,子组大小可变时用它;np 图盯不良数,子组固定时更直观;c 图盯单位内的缺陷点数,样本面积一致时适用;u 图盯单位缺陷率,样本面积变化时用它。外观检常常一批一个视野,视野面积随封装尺寸变化,这种情况 u 图比 c 图稳。

四、八条判异准则的敏感度梯度

工程上常落地的八条规则大致是:一点越三倍标准差;连续九点落在中心线同侧;连续六点递增或递减;连续十四点上下交替;连续三点中有两点越两倍标准差;连续五点中有四点越一倍标准差;连续十五点落在中心线一倍标准差内;连续八点落在一倍标准差之外且两侧都有。前面几条抓突变,后面几条抓趋势与分层。

准则加得越多,灵敏度越高,误报量同步上升。八条全开在稳定产线上会天天响,实际配置一般按工序成熟度分档:新线开三条,跑稳后加到五条,关键工序全开。

五、特殊图种的边界

EWMA 对一到一点五倍标准差的缓变漂移敏感,适合掺杂、镀膜这类慢过程。CUSUM 对持续小偏移更锐,累计和越过决策区间就报警。多变量 T² 图用于多个相关参数同时监控,键合温度、压力、时间三项联动就是典型场景。这三种图的参数需要标定,直接套默认值,效果容易打折。

六、一套引擎要能换图

产线在变,图种也在变。新导入的车规产品线要加严,老产品线可以放宽。一套 SPC 引擎如果图种、准则、控制限都写死在代码里,每次调整都要排开发期。

更合适的做法是把图种作为配置项、准则作为规则集、控制限作为版本化参数,工艺工程师在界面上改,改完留痕。SiFactory 这类一体化平台把 SPC 引擎放在 MES 与 QMS 之间,控制图直接读设备侧实时数据,判异结果又能触发批次挂起,图种配置留在工艺侧维护。益普科技在封测项目里调这套配置时,一般先让工艺与品质各出一份准则清单,两边对齐后再进系统,上线后反复改的次数会少很多。

七、选型五看

看能否覆盖计量与计数两类;看准则是否可配、可分档;看控制限是否支持版本化;看数据来源能否直连设备;看判异结果能否联动处置。五项里前两项决定可用性,后三项决定使用顺畅度。

结语

这两件事都靠配置功夫,靠换一套软件解决的面很小。把类型判对、把准则分档、把控制限版本化,三步走完,半导体SPC 才算真正嵌进工艺管理里。

相关推荐
孟健4 小时前
用 HyperFrames 解决前端视频生成难题:国产 Flash 模型实测 3 条 1080p 视频
前端·人工智能·开源
两万五千个小时5 小时前
Agent 记忆不是聊天记录,而是为未来准备的上下文 ——Anthropic 的四层记忆架构与 Dream 思想
人工智能·程序员
汤姆宝库5 小时前
语料清洗流水线的实现:启发式过滤、MinHash去重与质量分级
人工智能
火山引擎开发者社区5 小时前
不会 FFmpeg 也能做视频后期?AI MediaKit Skill 帮你实现
人工智能
tellmewhoisi5 小时前
深度学习0:数学知识:(L1正则化和L2正则化)
人工智能·深度学习
AI_Gump6 小时前
AutoGLM 两年演进深度解读:一篇讲透智谱的手机 Agent 路线
人工智能·智能手机
玄枢AI6 小时前
AI把待办整理成JSON后,用Python检查漏字段、类型错误和未知值
人工智能
VIP_CQCRE6 小时前
GPT Image 2.6 选型别只看首张:用盲评与合格图耗时比较 Flare、Sunburst
软件测试·图像处理·人工智能
程序员cxuan6 小时前
REA 靠边站,逆向圈又一新王诞生了
人工智能·后端·程序员
AI算力6 小时前
企业调研——工业边缘计算隐形黑马,腾视科技以“硬件+算法”加速出海落地!
人工智能·ai·边缘计算·ai算力·无人叉车·物理ai·ainas