正态性检验没过还能上SPC吗：变换与非参方法

一、问题背景：正态性检验没过，SPC还能用吗

做SPC（统计过程控制）的第一步，通常是检验数据是否符合正态分布。理论上，SPC控制图的很多经典判异准则（如基于3σ原理的UCL/LCL设置）都建立在数据服从正态分布的前提上。于是，当工程师用Shapiro-Wilk检验或Anderson-Darling检验跑完数据，发现p值小于0.05、正态性假设被拒绝时，很多人会陷入焦虑：数据不正态，我的SPC是不是白做了？

这是一个非常典型但也非常关键的误区。现实情况是：半导体Fab生产过程中的大多数过程参数（膜厚、线宽、刻蚀速率、注入剂量等）在稳态条件下确实近似服从正态分布，但在很多实际场景下，数据会表现出明显的非正态特征——有些是工艺本身的物理特性导致的（如注入剂量的对数正态分布、粒子计数的泊松分布），有些是测量系统引入的（如仪器校准偏差、测量噪声的非对称分布），还有些是生产条件波动造成的。

本文的目标是：明确告诉读者，即使正态性检验没过，仍然有完整的方法体系可以继续做SPC，不会让你的质量控制体系"裸奔"。我们将系统介绍数据变换方法和非参数方法两大技术路线，并给出实际选择决策框架。

二、原因分析：数据不正态的常见根因

在讨论解决方案之前，先把非正态的常见根因梳理清楚，有助于选择正确的应对策略。

【根因一：物理机制导致的天然偏态】某些半导体工艺参数天生就不是正态分布。以离子注入工艺为例，注入剂量受泊松随机过程影响，剂量分布呈现右偏（正偏）特征；化学机械研磨（CMP）的材料去除率受磨料浓度、研磨压力的综合影响，呈现左偏分布。这类非正态是工艺物理本质决定的，不随采样量增加而消失。

【根因二：测量系统的非对称误差】半导体测量设备（膜厚仪、CD-SEM、表面轮廓仪等）本身存在系统误差。量程范围的限制导致靠近量程边界的测量值被截断，形成截断分布（Truncated Distribution），表现为分布的尾部被"削掉"，整体偏离正态。更隐蔽的是，有些测量仪器的校准标准片本身存在偏差，导致长期测量的数据系统性偏移。

【根因三：多模态分布（Multi-Modal）】当设备在不同工艺配方或不同操作条件下运行时，数据可能呈现多个峰值的混合分布。例如，同一腔体在维护后首次运行（腔体状态"新"）与稳定量产期（腔体状态"老"）的工艺参数分布中心值不同，混合后形成双峰分布，直接做SPC会频繁误报警。

【根因四：异常值污染】单个极端异常值（如设备突发故障导致的跳点）会严重拉偏均值和标准差，导致正态性检验失败。这种情况其实是SPC本身要检测的对象，不应该直接剔除——但在做正态性检验前，需要先用图形方法（箱线图、运行图）识别并标记异常值，区分"真实过程变异"和"测量/设备故障"。

三、解决方案：数据变换方法

数据变换（Data Transformation）是最常用的非正态数据SPC适配方法。其核心思想是：对原始数据进行数学变换，将非正态分布转换为近似正态分布，然后在变换后的尺度上建立SPC控制图。判异逻辑和判异准则不变，控制限的解读从变换后的数值映射回原始尺度。

【Box-Cox变换】Box-Cox变换是最经典的参数化变换方法，通过引入参数λ来定义变换形式：y = (x^λ - 1) / λ（λ≠0时）或y = ln(x)（λ=0时）。λ的最优值通过最大似然估计确定。Box-Cox变换要求所有数据均为正值，对于膜厚、浓度等必定为正的工艺参数天然适用，但对于可以有零值的参数（如偏差量），需要做平移调整后再使用。

在实际应用中，Box-Cox变换对右偏（正偏）分布效果较好，对双峰分布和严重偏态分布的效果有限。而且变换后的控制限在物理意义上不如原始尺度直观——比如膜厚的Box-Cox变换控制限到底是多少纳米？需要反向计算，增加了工程师解读的难度。

【Johnson变换】Johnson变换系统（包含SB、SL、SU三种形式）比Box-Cox覆盖范围更广，能够处理有界分布、无界分布和几乎正态的分布。Johnson变换通过三个参数（γ、δ、λ、ξ）的拟合，可以将大量非正态数据转换为正态，在半导体SPC领域正获得越来越多的应用。其缺点是参数估计相对复杂，且变换结果的可解释性不如Box-Cox。

【对数变换与平方根变换】对于计数类数据（如缺陷粒子计数），对数变换（y = ln(x+1)）或平方根变换（y = √x）是经验上最常用的简单变换。离子注入的剂量分布、薄膜沉积的颗粒密度等数据常采用这类变换。优点是简单直观，缺点是变换参数不经过统计优化，可能不够精确。

四、解决方案：非参数SPC方法

非参数方法（Non-parametric Methods）不要求数据服从特定分布，直接在原始数据上建立控制图，更适合处理天然非正态或多模态数据。

【基于分位数的控制图】这是一种最直接的非参数方法。用数据的分位数（P0.135%和P99.865%，近似对应±3σ）作为UCL和LCL，中位数作为CL。由于基于分位数的控制限直接来自数据分布，不依赖正态假设，对任何连续分布都有效。当数据严重右偏时，基于分位数的UCL会比正态假设的UCL更宽，能有效减少误报警。

【Wilcoxon符号秩控制图】适用于单件测量值的连续过程监控。使用Wilcoxon统计量代替传统的均值±kσ形式，对数据分布的唯一要求是连续对称分布。相比正态假设的Shewhart控制图，Wilcoxon控制图对异常值和偏态数据更加稳健，但计算复杂度更高，适合自动化系统实现，不适合手工计算。

【指数加权移动平均（EWMA）控制图】EWMA控制图天然对数据分布不敏感——由于EWMA统计量本身就是对历史数据的加权平均（指数衰减权重），根据中心极限定理，EWMA统计量即使原始数据非正态，其分布也近似正态。因此EWMA控制图在处理非正态数据时比传统Shewhart图更稳健，特别适合监控长期缓慢漂移的工艺参数。

五、实战案例：离子注入剂量的SPC改造

某Fab的离子注入工艺，长期面临注入剂量监控数据正态性检验不过的问题。使用Shapiro-Wilk检验，p值长期在0.01-0.03之间徘徊，工艺工程师尝试剔除异常值后改善有限，陷入了"剔了又偏、偏了又剔"的困境。

我们介入后，首先分析了注入剂量的物理机制：注入剂量服从对数正态分布，天然右偏，正态性检验失败是工艺本质特征，不应该通过剔除数据来"解决"。于是选择了对数变换路线：将剂量数据取自然对数后，在对数尺度上建立X-bar/S控制图，判异逻辑和操作规程保持不变。

改造后的效果：月度误报警次数从原来的平均18次/月下降到4次/月，工艺工程师的报警处理工作量减少78%。更重要的是，对数变换后的控制图能够更灵敏地检测到真正的剂量偏移——改造后第一周就发现了一起0.8%的剂量系统性偏低事件（植入前未充分预估晶圆表面状态的影响），及时调整工艺参数后，避免了潜在的大批量良率损失。

六、决策框架：什么情况下选什么方法

根据我们的实践经验，总结以下决策框架，供工程师参考：

第一步：用直方图和概率图（Probability Plot）做初步诊断。如果数据呈现明显的单峰对称分布但尾部稍重，优先尝试Box-Cox变换或对数变换。如果数据呈明显偏态（无论左右），先做数据变换（Box-Cox或Johnson），若变换后仍不过检验，再考虑非参数方法。

第二步：如果数据呈现多峰分布，不要急于变换，先用分层分析（Stratification）拆解各层数据。如果分层后各层数据均接近正态，说明非正态是由条件差异（设备差异、腔体状态差异、配方差异等）导致的，应按层分别建立SPC，而不是在混合数据上硬上控制图。

第三步：如果数据存在明显截断（测量量程限制）或严重边界效应，优先考虑非参数方法（基于分位数的控制图或EWMA），而不是强行变换——强行变换在截断数据上可能产生完全误导性的结果。

第四步：无论选择哪种方法，最终都要回到工程意义上来验证。控制限落在工程规格的什么位置？报警触发的阈值在物理上是否有合理的工艺解释？这些工程判断是任何统计方法都无法替代的。

七、实施细节与常见踩坑：从方法选择到上线验证

方法选出来只是第一步，真正决定SPC改造成败的是实施细节。以下内容来自我们在三个Fab做非正态SPC改造时踩过的坑，按落地顺序整理。

【λ值不要照抄最大似然的结果】Box-Cox变换求出的最优λ往往是一个带小数的数（例如0.37），直接使用会让变换后的量纲失去任何物理含义。工程上的做法是看λ的95%置信区间，如果区间覆盖0、0.5、1、-0.5、-1等"整齐值"，就取最接近的整齐值：λ=0对应对数变换，λ=0.5对应平方根变换，λ=-1对应倒数变换。这样做既不损失多少正态性，又能让工程师用"取对数后的膜厚"这种可以口头解释的语言与工艺团队沟通。我们的经验是，强行使用非整齐λ的项目，半年内几乎都会被工艺工程师弃用。

【样本量与再拟合周期】变换参数的估计对样本量很敏感。我们要求初次拟合至少使用125个稳态数据点（覆盖不少于25个批次），少于100点时λ的置信区间会宽到失去意义。同时必须设定再拟合周期：常规参数每季度复核一次，遇到设备大修、腔体换件、配方版本升级、量测机台更换这四类事件时立即触发复核。有一次某厂的膜厚参数在换了新的椭偏仪之后没有重新拟合λ，控制限沿用旧变换尺度，结果连续两周漏掉了一个0.6%的系统性偏移。

【规格限也要跟着变换】这是最容易被忽略的一步。做了变换之后，控制图上的UCL/LCL是变换尺度的，但工程规格USL/LSL还是原始尺度的。计算过程能力时如果把变换后的σ和原始规格混用，算出来的Cpk会严重失真。正确做法是：把USL/LSL用同一个λ做同样的变换后再参与计算；或者直接放弃变换路线，改用ISO 22514-4推荐的百分位数法（Clements法）计算非正态过程能力，用P99.865与P0.135之间的距离代替6σ。我们内部规定，只要报告里出现Cpk，必须同时注明使用的是哪种算法，避免不同小组之间的数字打架。

【EWMA的参数设计要按ARL来定】EWMA是处理非正态最省事的路线，但λ（平滑系数）和L（控制限倍数）不能随手填。常用组合是λ=0.20配L=2.86，或λ=0.10配L=2.70，前者对1.5σ的偏移更敏感，后者对0.5σ的小偏移检测更快。设计时应该明确目标：在受控状态下的平均运行长度ARL0维持在370左右（与传统3σ图可比），同时让目标偏移量下的ARL1尽可能小。可以用蒙特卡洛模拟，按实际数据的经验分布抽样10万次来验证这两个ARL，而不是套用正态假设下的教科书数值——这一点在非正态场景下尤其重要，正态假设算出的ARL0在重尾数据上可能被高估两三倍。

【分位数控制限要给出不确定度】基于分位数的控制图看起来最简单，但小样本时分位点估计本身波动很大。建议用Bootstrap重抽样（B=2000次）给出P0.135与P99.865的置信区间，如果区间宽度超过控制限跨度的15%，说明数据量不足，应先积累数据而不是急着上线。另外，分位数法要求过程处于统计受控状态才有意义，建库数据必须先剔除已确认根因的特殊原因批次，否则控制限会被异常点撑宽，变成一个"永远不报警"的假摆设。

【上线必须双轨并行】任何SPC判异逻辑的变更都不应该一次性切换。我们的标准做法是新旧两套控制限并行运行4周，每天记录两套逻辑各自的报警清单，由工艺工程师逐条判定真伪，最后用四格表统计新逻辑相对旧逻辑的漏报数和减少的误报数。只有当漏报数为0、误报下降幅度超过30%时，才允许正式切换。并行期结束后还要同步更新三样东西：SPC系统的规则配置、对应的OCAP响应文件、以及产线工程师的培训记录。少更新任何一样，都会在下一次报警时造成现场混乱。

五、配图说明

图1：数据分析/系统架构配图

图2：效果对比/趋势分析配图

六、关键参数对照表

七、方案对比与选型建议

八、配套资料与实战工具

本文配套了完整的实战工具包，包含本文涉及的处理脚本、参数配置模板、排查清单和标准化表单，可以直接用于工厂落地实施。

点击上方「VIP资源」下载区，免费获取以下配套资料（持续更新MES/SPC/EAP实战资料）：

• MES故障排查标准操作手册（SOP）
• SECS-GEM通信参数配置模板
• SPC报警响应OCAP标准表格
• Fab数据异常处理Checklist清单
• Python自动化数据分析脚本（含示例数据）

────────────────────────────────────────

本文首发于博客：半导体智能制造| MES工程师实战笔记

你遇到过类似的问题吗？是怎么解决的？欢迎在评论区分享你的实战经验，一起交流进步。

标签：SPC过程控制|半导体Fab | MES系统| SPC |良率提升|数字化转型