跳至主要内容

📊 基礎理論與名詞解釋

本章節旨在為讀者建立製程統計控制 (Statistical Process Control, SPC) 的完整知識體系。無論讀者背景為何，透過本篇深度解析，將能從基礎統計學概念跨越至半導體高階製造的品質管理思維。

🎯 學習目標​

完成本章閱讀後，您將能夠：

  1. 區分變異來源：準確辨識「隨機原因」與「異常原因」對生產線的不同意義。
  2. 解讀控制圖：理解中心線、管制界限與規格界限的本質差異。
  3. 評估製程能力：掌握 Cp,Ca,CpkC_p, C_a, C_{pk} 的數學邏輯及其在商業決策中的應用。
  4. 掌握系統全局：理解數據從採集、計算、判定到處置的完整閉環流程。

🏎️ 核心觀念：車庫停車比喻 (The Garage Analogy)​

在進入複雜公式前，請想像一個場景：「將車子停進車庫」。

  • 車庫的寬度 (USL - LSL)：代表客戶給你的「容忍空間」。
  • 車子的寬度 (6σ)：代表你的製程「佔用的空間」（波動大小）。
  • 停在哪裡 (μ)：代表你的製程「中心點」。

透過這個比喻，我們能輕易理解以下指標：

  1. CpC_p (製程精密度)：你的車子是否夠窄？如果車子比車庫寬，技術再好也停不進去。
  2. CaC_a (製程準確度)：你是否把車子停在正中間？還是快撞到左邊牆壁了？
  3. CpkC_{pk} (綜合能力)：考慮了車子寬度與停車位置，你最後是否會刮傷車漆？

🧠 知識架構心智圖​

🔄 SPC 系統運行全景圖​

在深入細節前，請先理解本手冊涵蓋的技術全景：

🛡️ 核心哲學：預防勝於治療 (Prevention vs. Detection)​

這是 SPC 系統存在的商業邏輯。

模式做法成本評級結果
事後偵測 (Inspection)產品做完後再檢查是否合格❌ 高 (100x)發現廢品時，損害已造成，只能報廢或重工。
事前預防 (SPC)監控製程的「穩定性」，在變異發生初期介入✅ 低 (1x)在廢品產生前就修正機台，保持高品質產出。

📊 品質成本的 1:10:100 法則​

  • 1 元 (預防)：在 SPC 發現趨勢時調整參數的成本。
  • 10 元 (重工)：產品做壞了，在廠內發現並修復的成本。
  • 100 元 (保固)：廢品流向客戶，導致退貨、賠償與品牌受損的成本。

1. 核心哲學：變異的本質 (The Nature of Variation)​

在工業生產中，沒有任何兩個產品是完全相同的。這種差異性稱為「變異」。

1.1 隨機原因 (Common Cause) —— 「正常的呼吸」​

  • 定義：製程中固有的、不可避免的波動。例如：環境溫度的微小起伏、設備的自然震動。
  • 特性：穩定、可預測，且呈現常態分佈。
  • 管理意義：就像人的呼吸一樣，雖然有起伏但很規律。改善此類變異通常需要更換設備或改變製程設計。

1.2 異常原因 (Special Cause) —— 「感冒咳嗽」​

  • 定義：由特定、可辨識的因素引起的變異。例如：操作員錯誤、材料批次瑕疵、設備零件損壞。
  • 特性：不穩定、不可預測。
  • 管理意義：這是「不正常」的訊號。SPC 系統的主要目標即是偵測並消除異常原因，使製程回歸受控。

2. 數據分群與抽樣 (Subgrouping & Sampling)​

統計學是透過「樣本」推論「母體」的過程。

2.1 樣本組 (Subgroup)​

  • 定義：在極短時間內產出的產品集合。
  • 理性分群 (Rational Subgrouping)：設計分群的原則是使「組內變異」僅包含隨機原因（呼吸），而「組間變異」則用來偵測異常原因（咳嗽）。

2.2 樣本數 (Sample Size, nn)​

  • 每一組樣本中包含的量測點數量。在 X-bar 圖中，nn 通常設定為 33 到 55。

3. 控制圖的構造：製程的聲音 vs. 客戶的聲音​

3.1 管制界限 (UCL/LCL) —— 「機台的實力自白」​

  • 定義：由製程本身的數據計算而來的邊界。
  • ±3σ\pm 3\sigma 原則：機台告訴你：「在正常情況下，我的表現就在這兩條線之間。」
  • 區分點：管制界限反映的是製程的**「真實表現」**，而非「預期需求」。

3.2 規格界限 (USL/LSL) —— 「客戶的嚴格要求」​

  • 定義：由工程設計或客戶需求定義的邊界，代表產品的「合格範圍」。
  • 區分點：規格界限與管制界限無關。產品在規格內未必代表製程受控；反之，製程受控也未必代表產品合格。

4. 製程能力指標 (PCI)：從潛力到現實​

4.1 CpC_p (Process Capability) —— 「理想中的極限潛力」​

  • 物理意義：衡量製程的「分佈寬度」是否小於「規格寬度」。
  • 公式： Cp=USL−LSL6σC_p = \frac{USL - LSL}{6\sigma}
  • 白話解釋：假設你把車子停在正中間，你的車子到底有多寬？Cp>1.33C_p > 1.33 代表車子很窄，兩邊還有很多空間。

4.2 CaC_a (Process Accuracy) —— 「瞄準目標的精確度」​

  • 物理意義：衡量製程中心與規格中心（Target）的偏離程度。
  • 白話解釋：你停車時偏離正中央多少？00 代表完美正中，11 代表你已經撞牆了。

4.3 CpkC_{pk} (Process Capability Index) —— 「現實中的真實表現」​

  • 物理意義：同時考慮精密度與準確度.
  • 白話解釋：這才是真正的良率指標。就算你的車子很窄 (CpC_p 很高)，但如果你停得太歪，你還是會撞牆 (CpkC_{pk} 低)。
  • 計算原則：看哪邊離牆壁比較近，就拿那一邊來計算： Cpk=min⁡(USL−μ3σ,μ−LSL3σ)C_{pk} = \min \left( \frac{USL - \mu}{3\sigma}, \frac{\mu - LSL}{3\sigma} \right)

5. 進階概念：CpC_p vs. PpP_p (技術極限 vs. 生產現實)​

5.1 Cp/CpkC_p / C_{pk} (短期能力) —— 「最好的你」​

  • 計算基準：組內變異 (σwithin\sigma_{\text{within}})。
  • 物理意義：想像機台在 10 分鐘內產出的產品。環境沒變、材料沒變、操作員沒變。這代表製程的**「技術極限」**。

5.2 Pp/PpkP_p / P_{pk} (長期能力) —— 「真實的你」​

  • 計算基準：全體變異 (σoverall\sigma_{\text{overall}})。
  • 物理意義：考慮一個月內的生產，包含白晚班、氣溫變化、材料更換。這代表客戶最後收到的**「真實良率」**。

6. 異常判定規則 (Decision Rules) —— 誰在求救？​

如何判定製程已經脫離受控？

6.1 OOC (Out of Control) —— 「統計受控」失敗​

  • 出界 (Out of Limits)：數據點落在 UCL 以上 or LCL 以下。
  • 非隨機模式 (Non-random Patterns)：例如連續 9 點在中心線同一側、連續 6 點遞增或遞減。這代表系統已發生偏移 (Shift) 或趨勢 (Trend)。

6.2 OOS (Out of Specification) —— 「產品合格」失敗​

  • 數據點超出 USL 或 LSL，代表產品已產生實質缺陷，屬於廢品。

7. 進階統計術語 (Advanced Statistics)​

7.1 常態性檢定 (Normality Test)​

  • 驗證數據是否符合鐘形曲線分佈。若數據不符合常態（非常態），則基於 3σ3\sigma 的計算將會失效，需改用分位數法。

7.2 組內變異 vs. 全體變異 (Within vs. Overall)​

  • 組內變異 (σwithin\sigma_{\text{within}})：計算 CpkC_{pk} 的基礎，反映製程的瞬時能力。
  • 全體變異 (σoverall\sigma_{\text{overall}})：計算 PpkP_{pk} 的基礎，反映製程的長期穩定性。

8. 結語：專家的決策循環​

一名 SPC 領域專家應具備以下思維：

  1. 看圖不看數：如果控制圖點位亂跳，算出來的 CpkC_{pk} 都沒有意義（基礎不穩）。
  2. 先穩定後優化：先把車子變窄（縮小波動），再去調整停車位置（對準中心）。
  3. 區分目標與現實：隨時校準規格界限（客戶要的）與管制界限（機台給的）的鴻溝。