多元统计过程控制入门：MSPC 新手指南

结语

• 传统限制： 单变量 SPC 在复杂的制造过程中经常失败，因为它孤立地处理过程变量，忽略了它们之间的相互作用。
• 多元优势： MSPC 分析变量之间的关系，从而能够更早地检测到标准图表无法发现的故障。
• 关键指标： Hotelling 的 $T^2$ 和平方预测误差 (SPE) 等概念是现代故障检测的支柱。
• 技术： 主成分分析 (PCA) 和偏最小二乘法 (PLS) 将海量数据集简化为可操作的见解。
• 实际应用： 从半导体制造到药物批量处理，MSPC 可防止误报并提高产量。

介绍

现代制造业会产生海量数据。麦肯锡公司2018年的一份报告指出，数据驱动型制造可以将机器停机时间减少高达50%，并将质量成本降低高达20%。然而，许多工厂仍然依赖于近一个世纪前开发的图表。

如果一家工厂运行数百个传感器，逐个检查就不再有效了。这就像试图通过观察一棵树来判断整个生态系统的健康状况一样。因此，正式学习多元统计过程控制（SPC）就显得尤为必要。随着流程之间联系日益紧密，变量之间的关系远比单个变量的值更为重要。

当工程师忽略这些相关性时，他们会面临两个代价高昂的问题：错过实际缺陷（第二类错误）或追逐由误报引起的幽灵（第一类错误）。

超越休哈特图表

传统的统计过程控制（SPC），通常称为单变量SPC，对于简单的过程非常有效。例如，你只有一个变量，比如活塞的直径，你只需将其与一个上限值和下限值进行比较。如果直径值保持在设定的范围内，则零件合格。

然而，如今的工业流程很少再那么简单了。

单变量思维的问题

在一个复杂的系统中，各种变量相互影响。例如，在化学反应器中，随着压力的升高，温度可能也需要相应升高，以维持平衡状态。

如果只看压力图，一切看起来正常。如果只看温度图，也看起来正常。但如果压力过高而温度过低，反应就可能失败。单变量图表会显示绿色，而实际上产品正在被破坏。

多元统计过程控制（MSPC）解决了这个问题。它不问“这个变量是否在限值范围内？”，而是问“这些变量之间的关系是否呈正态分布？”

多元统计预测控制的核心概念

要理解多元统计过程控制（MSPC），你必须熟悉“变量空间”的概念。MSPC 不是将数据点绘制在一条水平线上（时间序列），而是将数据绘制在多维空间中。

霍特林 T² 统计量

多元统计过程控制（MSPC）方法中最常用的指标是霍特林T²。可以把它看作是标准差的增强版。

在单变量图表中，你需要检查某个点与均值之间的距离是否超过 3 个标准差 ($3σ)。在多变量分析中，$T^2$ 衡量数据点与多变量均值（数据云的中心）之间的距离，并考虑了相关性结构。

从数学角度来说，对于样本向量 $x$，该统计量计算如下：

$$T^2 = (x – \bar{x})' S^{-1} (x – \bar{x})$$

地点：

• $x$ 是测量值的向量。
• $\bar{x}$ 是均值向量。
• $S^{-1}$ 是协方差矩阵的逆矩阵。

如果 $T^2$ 值超过计算出的限值，则该过程将失控，即使每个单独的传感器读数都为“正常”。

平方预测误差（SPE）

T^2 统计量告诉你该过程是否偏离了模型，而平方预测误差 (SPE)，有时也称为 Q 统计量，告诉你变量之间的关系是否被打破了。

如果您的流程通常要求变量 A 和变量 B 同步变化，而突然间它们朝相反方向变化，则 SPE 值会出现峰值。这是 MSPC 检测传感器故障或异常扰动的主要方法。

多元统计过程控制的实用示例

让我们来看一个涉及半导体蚀刻工艺的具体多元统计过程控制示例。

场景：

您正在监控等离子蚀刻腔。关键变量包括：

1. 射频功率
2. 腔室压力
3. 气体流量

单变量视图：

• 射频功率： 505 瓦（上限：510 瓦）。状态：正常。
• 压力： 42毫托（上限：45）。状态：正常。
• 气体流量： 98 sccm（上限：100）。状态：正常。

标准控制系统未检测到任何报警。操作员认为晶圆加工正常。

多变量视图：

物理学原理表明，如果腔室压力下降，气体流量通常会增加以进行补偿并维持等离子体密度。

在这次运行中，压力略微下降到 42，但气体流量也下降到 98。单独来看，这些数值都正常。但同时出现呢？在正常运行条件下，这是不可能的。相关性结构被破坏了。

MSPC模型会立即发出警报。T²图可能保持稳定，但SPE图会发出警告。工程师停止测试，发现质量流量控制器堵塞。如果他们依赖的是单变量图，那么整盒晶圆就报废了。

关键多元统计预测控制（MSPC）方法

处理来自 50 或 100 个传感器的数据需要进行降维。你不可能直接查看一张 100 维的图表。这就需要用到一些计算量巨大的算法了。

主成分分析（PCA）

主成分分析是连续过程分析中最常用的工具。它通过寻找“主成分”来简化数据，这些主成分是新的、不相关的变量，可以解释数据中的方差。

• PC1（第二主成分）： 通常可以解释大部分的变异性（例如，系统的整体能量水平）。
• PC2（第二主成分）： 解释了下一个最大的部分（例如，反应物之间的平衡）。

通过监控两到三个主成分而不是 100 个原始变量，您可以获得一个清晰易读的仪表板。

偏最小二乘法 (PLS)

PCA 侧重于输入变量 ($X$)，而 PLS 侧重于输入 ($X$) 和输出 ($Y$) 之间的关系，例如产量或质量。

如果您想了解哪些工艺参数导致了质量缺陷，PLS 是理想之选。它能根据工艺数据构建质量预测模型，并在预测质量低于标准时发出警报。

传统行业为何转型？

多元统计过程控制的应用正在加速。据国际自动控制联合会（IFAC）称，工业系统的复杂性使得数据驱动的监控成为获得具有竞争力的良率的必要手段（秦，2012）。

减少误报

如果警报频繁无故响起，操作员最终会忽略它们。对高度相关的数据进行单变量分析会产生大量的统计噪声。MSPC 可以过滤掉这些噪声。它考虑了噪声的影响，这意味着当警报响起时，就应该立即采取行动。

故障诊断

知道出了问题固然是好事，但知道哪里出了问题则更好。

现代MSPC软件包含“贡献图”。当触发$T^2$或SPE报警时，软件会生成一个柱状图，精确显示哪个变量对报警的贡献最大。这能帮助维护团队直接定位故障加热器或漂移传感器。

注意：系统的性能取决于输入数据的质量。可靠的MSPC始于正确的SECS/GEM设备集成，以及校准后的传感器和一致的数据历史记录。

在您的工厂实施MSPC

多元统计过程控制入门可能会让人感到畏惧，但它遵循着合乎逻辑的路径。

1. 数据采集​​： 收集流程运行良好时期（即流程运行正常时期）的历史数据。这就是您的“黄金批次”或参考数据集。
2. 模型训练： 使用软件对这些历史数据进行主成分分析 (PCA) 或偏最小二乘分析 (PLS)。该软件将确定相关结构并计算控制限。
3. 验证： 使用包含已知故障的数据集测试模型。模型能否捕获这些故障？
4. 在线监控： 将模型部署为实时运行，通常由专用服务器提供支持。 SPC控制图软件 它将实时数据与参考模型进行比较。

从小处着手是明智之举。不要试图一次性对整个工厂进行建模。选择一个关键的单元操作，例如蒸馏塔或数控机床，先验证其价值。

常见的挑战和误解

尽管多元统计过程控制功能强大，但它并非万能灵药。

• 黑匣子恐惧症： 工程师有时会拒绝使用多系统预测控制（MSPC），因为他们无法“理解”主成分的物理意义。培训至关重要。团队需要相信数学的准确性。
• 线性假设： 标准主成分分析假设关系呈线性。如果您的过程是高度非线性的（例如 pH 中和），则可能需要更高级的版本，例如核主成分分析。
• 静态模型： 工艺流程会发生变化。工具部件会磨损。原材料供应商也会更换。MSPC 模型需要定期维护才能保持精度。

结语

制造业的发展已经超越了简单折线图的能力范围。《多元统计过程控制入门》是重新掌控复杂、数据密集型环境的第一步。通过分析变量之间的关系，而不是将它们视为孤立的个体，工程师可以更早地发现缺陷，并显著减少浪费。

无论你身处半导体、制药还是重工业领域，向 MSPC 的过渡都不是一种奢侈；它是现代质量保证的标准。