ChatGPT+SPC：AI帮我写出完美控制限（UCL/LCL计算全流程）

算错UCL，报废300片晶圆的惨痛教训

2024年我刚转到SPC组，接到的第一个任务是给新工序设控制限。

我用最简单的方法：均值±3σ。数据是从最近50个批次里取的。

结果：我设的UCL是25.3μm，但实际上这个工序的UCL应该是22.1μm——因为数据里混入了3个异常批次，把均值拉高了，标准差也变大了。

后果：UCL设高了，有15批本该被判异常的晶圆通过了检测，最终在下游工序报废。300片晶圆，直接损失45万。

那天晚上我加班到凌晨2点，把整个数据清洗和计算流程重新过了一遍。从那以后，我再也没用原始数据直接算控制限。

正确的控制限计算流程（5步）

Step 1: 数据清洗——去掉异常批次

Step 2: 正态性检验——Shapiro-Wilk检验，p<0.05说明不服从正态分布

Step 3: 子组分析——按时间分n=5的子组，计算子组均值和极差

Step 4: 控制限计算——基于子组均值，用A2/D3/D4常数

Step 5: AI辅助验证——让ChatGPT检查计算过程，发现可能的错误

图1：X-bar控制图——两个异常点超出UCL（需排除后重新计算）

Python+ChatGPT联合计算

import numpy as np
from scipy import stats
from openai import OpenAI

# Step 1: 数据清洗 - 用IQR法剔除异常值
data = np.loadtxt("wafer_thickness.csv")
Q1, Q3 = np.percentile(data, [25, 75])
IQR = Q3 - Q1
clean = data[(data > Q1-1.5*IQR) & (data < Q3+1.5*IQR)]
print(f"清洗: {len(data)}条 -> {len(clean)}条")

# Step 2: 正态性检验
stat, p = stats.shapiro(clean[:5000])
print(f"Shapiro-Wilk: p={p:.4f}", {"("非正态，考虑Box-Cox变换)" if p<0.05 else "(正态分布✓)"})

# Step 3: 子组分析(n=5)
subgroups = clean.reshape(-1, 5)
x_bar = subgroups.mean(axis=1)
R = subgroups.max(axis=1) - subgroups.min(axis=1)

# Step 4: 控制限计算
A2, D3, D4 = 0.577, 0, 2.114 # n=5的常数
cl = x_bar.mean()
ucl = cl + A2 * R.mean()
lcl = cl - A2 * R.mean()
print(f"CL={cl:.2f}, UCL={ucl:.2f}, LCL={lcl:.2f}")

为什么用子组均值而不是直接用3σ？

直接对原始数据取均值±3σ的问题是：原始数据里可能包含过程漂移。子组均值（X-bar）能过滤掉组内变异，只反映组间变异，这样计算出的控制限更准确。

图2：AI辅助方案错误率仅0.5%，耗时5分钟

效果数据

踩坑经验

1. 永远不要用原始数据直接算3σ——必须先清洗异常值

2. 子组大小n=5是经验值，太小不稳定，太大可能掩盖短期异常

3. A2/D3/D4常数随n变化，查错一次就全错了（我犯过这个错误）

这份模板/工具我整理了很久，建议收藏备用，下次需要直接拿出来用。

你在FAB遇到过类似问题吗？评论区说说你的处理思路，有代表性的我帮你分析！

—

VIP资源推荐：关注我获取半导体AI实战工具包（SPC异常检测/OEE分析/FDC分类）