引言：一场关于过程受控的深夜对话
去年深秋，我在广州测试服务现场遇到一位年轻的工艺工程师。他盯着屏幕上跳动的数据，眉头紧锁：“为什么我们的SPC过程控制总是失控？P控制图和C控制图到底怎么选？过程能力分析算出来总是不对……”他的困惑，正是无数半导体从业者的缩影。在芯火半导体社区(semibbs.cn)，这类问题几乎每周都会出现。今天，我们就从一次真实的过程受控诊断开始，揭开这些技术谜团。
核心答案：P控制图与C控制图的选择逻辑
简单来说，P控制图用于监控不合格品率，适用于样本量不固定的场景；C控制图则用于监控单位产品上的缺陷数，要求样本量固定。在半导体封装测试中，比如的产线，P图常用于检验批次合格率，C图则监控单个芯片上的焊点缺陷数。选择的关键在于数据属性：计数型数据用P图，计点型数据用C图。
原理拆解：从数据源头理解控制图
P控制图：不合格品率的守护者
P控制图基于二项分布原理，监控每个样本中的不合格品比例。其控制界限随样本量变化，公式为：UCL/LCL = p̄ ± 3√[p̄(1-p̄)/n]。在深圳测试服务项目中，我曾用P图监控一批晶圆测试的良率，发现异常波动后及时调整了探针卡参数。
C控制图：缺陷数的显微镜
C控制图基于泊松分布，假设单位产品上的缺陷数服从恒定均值。其控制界限固定：UCL/LCL = c̄ ± 3√c̄。比如在厦门半导体封装中，C图用于监控每个封装模块的焊点空洞数，当缺陷数超过3倍标准差时，立即启动根因分析。
两者的核心区别在于：P图关注“好与坏”的二元结果，C图关注“有多少问题”。过程能力分析则需结合控制图数据，计算Cpk或Ppk，评估工序是否满足规格要求。
实操步骤：从数据采集到过程受控
第一步：明确数据类型
- 计数型数据（如批次合格/不合格）→ 使用P控制图
- 计点型数据（如每颗芯片的缺陷数）→ 使用C控制图
第二步：建立控制图
- 收集至少20-25组数据，每组样本量n≥50（对于P图）或缺陷数均值c̄≥1（对于C图）
- 计算中心线（p̄或c̄）和控制界限
- 绘制控制图，标记异常点（超出界限或呈现趋势）
第三步：过程能力分析
对于P图，过程能力评估需关注均值是否接近目标值；对于C图，计算DPMO（百万机会缺陷数）。在的封装产线，我们曾用P图监控引线键合良率，结合过程能力分析发现，当Cpk低于1.33时，需调整键合参数。
| 控制图类型 | 适用场景 | 样本量要求 | 控制界限 |
|---|---|---|---|
| P控制图 | 不合格品率 | 不固定，但需n≥50 | 随n变化 |
| C控制图 | 单位缺陷数 | 固定样本量 | 固定 |
踩坑误区：新手常犯的三个错误
误区一：用P图监控计点数据
比如用P图分析焊点缺陷数，会导致控制界限失真。正确做法：将缺陷数转化为单位缺陷数，改用u控制图（C图的变体）。
误区二：忽视样本量变化
在广州测试服务中，某工程师用固定界限分析不同批次的良率，结果频繁误报警。正确做法：P图的控制界限需随样本量调整，或使用标准化值。
误区三：过程能力分析前未确认过程受控
过程能力分析的前提是过程统计受控。若过程存在特殊原因（如设备漂移），应先消除异常，再计算Cpk。否则，能力指数会误导决策。
拓展引导：从控制图到智能制造
掌握SPC过程控制只是起点。在半导体领域，过程受控已与AI预测、数字孪生结合。比如，通过实时监控P控制图数据，结合机器学习预测良率趋势。如果你对过程能力分析的进阶方法感兴趣，可了解“短运行程SPC”或“多元控制图”。在芯火半导体社区(semibbs.cn)，我们每周都有专家在线答疑，欢迎深入探讨。
常见问题（FAQ）
P控制图和C控制图怎么选？
看数据类型：P图用于“合格/不合格”的计数结果，C图用于“每个单位上的缺陷数”。例如，检验一批芯片的良率用P图，监控单个芯片上的划痕数用C图。
过程能力分析中Cpk和Ppk有什么区别？
Cpk基于短期过程波动（组内变异），Ppk基于长期总波动（组间+组内）。通常Cpk≥1.33表示过程能力良好，Ppk≥1.67更严格。优先使用Cpk，但需确认过程受控。
SPC控制图失控后怎么办？
先识别异常点：是否超出控制界限？是否连续7点同侧？然后启动根因分析，检查设备、材料、人员、方法（4M1E）。建议使用8D报告流程，并记录在过程受控档案中。