📚 课程目录第2章良率改善核心指标

2. 良率改善核心指标：DPU、DPMO、RTY、Cpk、Ppk 的计算与解读

在半导体与高端制造业中，良率改善不能仅凭直觉或最终合格率来判断。必须建立一套可量化、可追溯、可预测的核心指标体系。本章将深入解析五个最关键的指标：DPU（单位缺陷数）、DPMO（百万机会缺陷数）、RTY（滚动产出率）、Cpk（过程能力指数）和 Ppk（过程性能指数）。掌握这些指标的计算逻辑与解读方法，是进行系统性良率改善的基石。

2.1 缺陷计数指标：DPU 与 DPMO

DPU（Defects Per Unit） 是最直观的缺陷密度指标，衡量每个产品平均包含多少个缺陷。其计算公式为：

DPU = 总缺陷数 / 检验单位总数

例如，在晶圆制造中，若一批 25 片晶圆共发现 50 处颗粒缺陷，则 DPU = 50 / 25 = 2.0。DPU 大于 1 并不代表所有产品都报废，因为缺陷可能集中在少数产品上。

DPMO（Defects Per Million Opportunities） 则进一步考虑了缺陷发生的“机会数”，适用于复杂制程的横向对比。其计算公式为：

DPMO = (总缺陷数 / (检验单位总数 × 每单位机会数)) × 1,000,000

下表对比了 DPU 与 DPMO 的核心差异：

对比维度	DPU	DPMO
定义	每个产品平均缺陷数	每百万个机会中的缺陷数
适用场景	单一产品、单一缺陷类型	多产品、多缺陷类型、跨制程对比
对复杂度的敏感性	不敏感（忽略产品复杂度）	敏感（通过机会数归一化）
行业基准	无统一基准	六西格玛目标：DPMO ≤ 3.4

实战提示：在半导体封装工序中，焊球桥接、芯片偏移、塑封气泡等缺陷的机会数不同。使用 DPMO 可以公平比较不同工序的缺陷水平，避免“工序越复杂，缺陷越多”的误导。

2.2 流程产出率指标：RTY（滚动产出率）

传统最终合格率（FY）忽略了工序间的返工与报废。RTY（Rolled Throughput Yield）则计算产品一次性通过所有工序的概率，真实反映流程的“第一次就做对”能力。其计算公式为：

RTY = Y₁ × Y₂ × Y₃ × ... × Yₙ

其中 Yᵢ 为第 i 道工序的一次合格率（First Pass Yield, FPY）。

例如，某光刻流程包含涂胶、曝光、显影、检测四道工序，FPY 分别为 98%、95%、99%、97%，则：

RTY = 0.98 × 0.95 × 0.99 × 0.97 ≈ 0.894 或 89.4%

这意味着即使最终合格率可能高达 95%，但真正一次性通过所有工序的产品只有 89.4%，其余 10.6% 需要返工或产生隐性成本。

  关键洞察：RTY 与 DPU 之间存在数学关系：RTY = e^(-DPU)。当 DPU 为 0.1 时，RTY ≈ 90.5%；当 DPU 为 1.0 时，RTY ≈ 36.8%。这揭示了缺陷累积对产出率的指数级影响。

2.3 过程能力指数：Cpk 与 Ppk

Cpk（过程能力指数）和 Ppk（过程性能指数）是衡量制程是否满足规格要求的核心统计指标。两者均基于正态分布假设，但计算逻辑与用途不同。

Cpk 仅考虑组内变异（短期变异），反映制程的“潜在能力”。其计算公式为：

Cpk = min( (USL - μ) / (3σ_within), (μ - LSL) / (3σ_within) )

Ppk 则考虑总变异（长期变异），反映制程的“实际表现”。其计算公式为：

Ppk = min( (USL - μ) / (3σ_overall), (μ - LSL) / (3σ_overall) )

下表清晰对比了两者的差异：

对比维度	Cpk	Ppk
变异来源	组内变异（短期）	总变异（长期）
数据要求	子组数据（如每批 5 片）	所有个体数据
反映内容	制程的潜在最佳能力	制程的实际长期表现
行业接受标准	Cpk ≥ 1.33（4σ 水平）	Ppk ≥ 1.67（5σ 水平）
改善优先级	先提升 Cpk（减少组内变异）	再提升 Ppk（减少组间变异）

常见误区：不要仅凭 Cpk 值高就认为制程稳定。若 Cpk 高但 Ppk 低（如 Cpk=1.5, Ppk=0.8），说明制程存在显著的组间变异（如批次间漂移），需要优先解决设备稳定性或材料批次差异。

2.4 核心指标关系图

下图展示了 DPU、DPMO、RTY、Cpk、Ppk 之间的逻辑关系与数据流向：

2.5 实战案例：某芯片测试工序的指标计算

某半导体测试工序对 1000 颗芯片进行功能测试，每颗芯片有 500 个测试项（机会数）。测试结果如下：

总缺陷数：120 个（分布在 95 颗芯片上）
规格上限（USL）：测试时间 ≤ 50ms，实际均值 μ = 45ms，组内标准差 σ_within = 1.5ms，总标准差 σ_overall = 2.0ms
该工序为 3 道工序中的第二道，前后工序 FPY 分别为 97% 和 98%

步骤 1：计算 DPU 与 DPMO

DPU = 120 / 1000 = 0.12
DPMO = (120 / (1000 × 500)) × 1,000,000 = 240

解读：每颗芯片平均 0.12 个缺陷；每百万个测试机会中仅 240 个缺陷，远优于六西格玛目标（3.4 DPMO 对应 4.5σ 水平，此处约 5σ 水平）。

步骤 2：计算 Cpk 与 Ppk

Cpk = min( (50 - 45) / (3 × 1.5), (45 - 0) / (3 × 1.5) ) = min(5/4.5, 45/4.5) = min(1.11, 10) = 1.11
Ppk = min( (50 - 45) / (3 × 2.0), (45 - 0) / (3 × 2.0) ) = min(5/6.0, 45/6.0) = min(0.83, 7.5) = 0.83

解读：Cpk = 1.11 略低于 1.33 的行业标准，说明组内变异偏大；Ppk = 0.83 远低于 1.67，说明长期变异（组间漂移）严重。改善重点应放在减少批次间测试机台的差异。

步骤 3：计算 RTY

假设本工序 FPY = (1000 - 95) / 1000 = 90.5%
RTY = 0.97 × 0.905 × 0.98 ≈ 0.860 或 86.0%

解读：尽管最终合格率可能高达 95%，但 RTY 仅为 86%，意味着 14% 的产品在流程中经历了返工或报废，隐性成本巨大。

  案例总结：该测试工序的 DPMO 表现优秀，但 Cpk/Ppk 显示过程能力不足，RTY 揭示流程效率低下。改善策略应为：优先通过 Cpk 分析锁定变异源（如测试机台校准偏差），提升过程稳定性，从而间接提高 RTY。

2.6 指标选择与解读原则

在实际良率改善项目中，应根据不同阶段选择核心指标：

初期诊断阶段：优先使用 RTY 识别低产出工序，使用 DPMO 横向对比不同缺陷类型。
过程分析阶段：使用 Cpk 评估短期能力，使用 Ppk 评估长期表现，两者差值（Cpk - Ppk）反映改善空间。
改善验证阶段：使用 DPU 跟踪缺陷密度的变化，使用 RTY 验证流程效率的提升。
持续监控阶段：建立 DPMO 控制图与 Cpk 趋势图，设定预警阈值（如 Cpk 低于 1.0 时触发改善行动）。