第四章：统计过程控制（SPC）——用数据说话，让良率不再靠运气
各位工程师朋友，大家好。今天我们来聊聊SPC。说实话，我刚入行那会儿，觉得SPC就是画几张控制图，应付客户审核用的。直到有一次，一个产品在量产三个月后突然良率暴跌，我们排查了整整两周，最后发现是某个参数早在两个月前就开始漂移了——控制图早就发出了警告，但没人看。从那以后，我再也不敢小看SPC了。
SPC，说白了就是给生产过程装一个“仪表盘”。你开车不能光看终点，得盯着转速表、油量表对吧？生产也一样。我们通过统计方法，实时监控工艺是否稳定，在不良品出现之前就喊停。
4.1 SPC的基本原理：波动是常态，但要有边界
任何工艺都有波动。你想想看，同一台机器、同一个操作员、同一批材料，做出来的产品也不可能完全一样。这种波动分两种：
- 普通原因波动：设备微振动、环境温湿度变化、材料批次内差异。这是系统固有的，你很难消除，但可以接受。
- 特殊原因波动：模具磨损、操作失误、材料混料。这是异常，必须找到根因并消除。
SPC的核心思想就是：区分这两种波动。当只有普通原因时，过程是“受控”的；一旦出现特殊原因，控制图就会报警。
我个人习惯：在项目启动时，先花一周时间收集数据，确认过程是否稳定。如果连受控都做不到，谈Cp/Cpk就是自欺欺人。
4.2 控制图的构建与解读：三种最常用的“武器”
控制图种类很多，但封装厂里最常用的就三种：Xbar-R图、P图、U图。我一个个说。
4.2.1 Xbar-R图（均值-极差图）——监控连续型数据
这是最经典的控制图，适用于长度、厚度、压力等连续型数据。它由两张图组成：
- Xbar图：监控样本均值的波动，反映过程中心的变化。
- R图：监控样本极差的波动，反映过程离散程度的变化。
构建步骤：
- 收集数据：比如每天抽5个样品，测键合拉力值，连续收集25天。
- 计算每组的均值（Xbar）和极差（R）。
- 计算总均值（Xbarbar）和平均极差（Rbar）。
- 计算控制限：
Xbar图：
UCL = Xbarbar + A2 * Rbar
LCL = Xbarbar - A2 * Rbar
R图：
UCL = D4 * Rbar
LCL = D3 * Rbar
系数A2、D3、D4查表可得（样本量n=5时，A2=0.577，D3=0，D4=2.114）
解读要点：
- 先看R图：如果R图失控，说明组内波动变大，可能是设备或操作有问题。
- 再看Xbar图：如果Xbar图失控，说明过程中心偏移，可能是材料或参数变化。
避坑指南：我曾经遇到一个案例，R图一直正常，但Xbar图连续7个点都在中心线同一侧。当时年轻，觉得没超限就不管。后来发现是焊头温度缓慢漂移了。记住：判异准则不止“出界”这一条，还有“链”、“趋势”、“周期”等模式。
4.2.2 P图（不合格品率图）——监控离散型数据
当数据是“好/坏”、“通过/不通过”这种二项分布时，用P图。比如每天抽检200个产品，统计焊球缺失的比例。
构建要点：
- 样本量可以不等，但每个子组的样本量n要足够大（通常np>5）。
- 控制限不是固定的，因为每个子组的n不同，控制限会上下波动。
中心线 = pbar（总不合格率）
UCL = pbar + 3 * sqrt(pbar*(1-pbar)/n_i)
LCL = pbar - 3 * sqrt(pbar*(1-pbar)/n_i)
注意：如果LCL算出来是负数，就取0。不合格率不可能为负嘛。
我建议：用P图时，子组样本量不要相差太大。如果今天抽100个，明天抽1000个，控制限会忽宽忽窄，很难解读。尽量保持样本量一致。
4.2.3 U图（单位缺陷数图）——监控泊松分布数据
当数据是“每个单位上的缺陷数”时，用U图。比如每块基板上的气泡数、每片晶圆上的颗粒数。注意和P图的区别：P图看的是“有没有缺陷”，U图看的是“有多少个缺陷”。
中心线 = ubar（平均单位缺陷数）
UCL = ubar + 3 * sqrt(ubar / n_i)
LCL = ubar - 3 * sqrt(ubar / n_i)
嗯，这里要注意：U图的样本量n是“检查的单位数”，比如检查了10块基板，n=10。如果每块基板面积不同，最好用面积作为单位。
4.3 Cp/Cpk计算与判定标准：你的过程到底有多“能”？
控制图告诉你过程是否稳定，而Cp/Cpk告诉你过程是否满足规格要求。两者缺一不可。
先看公式：
Cp = (USL - LSL) / (6 * σ)
Cpk = min( (USL - μ) / (3 * σ), (μ - LSL) / (3 * σ) )
其中：
- USL/LSL：规格上限/下限（客户给的，不能改）
- μ：过程均值（用Xbarbar估计）
- σ：过程标准差（用Rbar/d2估计，d2查表）
判定标准（行业通用）：
| 指标 | 数值范围 | 判定 | 行动建议 |
|---|---|---|---|
| Cp | < 1.0 | 过程能力不足 | 必须改进，减少波动 |
| Cp | 1.0 ~ 1.33 | 勉强接受 | 严格监控，持续改进 |
| Cp | 1.33 ~ 1.67 | 良好 | 适合量产，偶尔抽检 |
| Cp | > 1.67 | 过剩 | 可考虑放宽检验或降本 |
| Cpk | < 1.0 | 中心偏移或波动大 | 调整中心或减小波动 |
| Cpk | 1.0 ~ 1.33 | 合格 | 保持现状 |
| Cpk | > 1.33 | 优秀 | 客户通常满意 |
关键点：Cp只看波动，不看中心；Cpk既看波动又看中心。所以Cpk永远≤Cp。如果Cp很大但Cpk很小，说明过程中心偏了，赶紧调参数吧。
举个例子：某键合工艺，焊球直径规格为50±5μm。收集数据后算得μ=52μm，σ=1.5μm。
Cp = (55-45)/(6*1.5) = 10/9 = 1.11
Cpk = min( (55-52)/(3*1.5), (52-45)/(3*1.5) ) = min(0.67, 1.56) = 0.67
你看，Cp=1.11还算可以，但Cpk只有0.67，因为均值偏上规格了。这时候你不需要改设备，只需要把目标值从50μm调到49μm左右，Cpk就能提上来。
我的经验：很多工程师只看Cpk，不看Cp。其实Cp更重要——它告诉你波动的“天花板”在哪里。如果Cp只有0.8，你调中心也没用，必须从根源上减少波动。比如换更稳定的材料、优化设备参数。
4.4 实战中的几个坑
- 数据不独立：相邻两个样品的数据是相关的（比如同一批材料），这时候用控制图会误判。我建议在取样时保证随机性，或者先做自相关检验。
- 过度调整：过程有正常波动，你看到一点偏移就去调参数，反而会增大波动。这叫“过度控制”。记住：只有特殊原因才需要调整，普通原因不要动。
- 样本量太小：有些工程师为了省事，每组只抽2个样品。这样控制限会很宽，异常根本检不出来。一般建议每组至少4-5个样品。
好了，SPC这部分就讲到这里。说白了，它不是什么高深的理论，而是一套“用数据做决策”的习惯。你想想看，如果每次工艺异常都能在产生10个不良品之前被发现，而不是等到1000个不良品堆在产线上才去救火，那该多省心？
下一章我们聊聊DOE，那是主动优化工艺的利器。到时候见。