3. 精度校准的数学基础

在 KLA 量测设备中，精度校准的本质不是“把读数调准”，而是建立一个可解释、可外推、可判定合格与否的数学模型。这个模型把标准件给出的参考值 x 与设备输出的测量值 y 联系起来，并给出该联系的置信程度。若没有这层数学基础，校准就退化为单点比对，无法回答“在量程另一端是否仍然准确”“残差是否只是随机噪声”“不确定度能否满足工艺窗口”等关键问题。

一、误差模型：把偏差拆成可处理的分量

最常用的线性误差模型写作：

y = a + b·x + ε
a：零点偏移（offset），单位与 y 相同
b：灵敏度/斜率（gain），无量纲或单位比
ε：随机误差项，假设均值 0、方差 σ²

其中 x 为参考标准值，y 为设备读数。若 a≠0，说明存在零点偏移；若 b≠1，说明存在增益误差。实际校准中还会遇到非线性项，此时可扩展为二次或多项式模型：

y = a + b·x + c·x² + ε

选择线性还是非线性，不能凭主观判断，而应通过残差结构来判定：若残差随 x 呈系统性弯曲，说明线性模型不足；若残差呈随机散布，则线性模型已足够。误差模型的作用是把“设备不准”这一模糊描述，拆解为可分别修正的偏移、增益和非线性分量。

二、最小二乘法：让残差平方和最小

给定 n 组校准点 (x_i, y_i)，最小二乘法通过最小化残差平方和 S = Σ(y_i − a − b·x_i)² 来求解参数。对 a、b 分别求偏导并令其为零，可得闭式解：

b = Σ(xᵢ − x̄)(yᵢ − ȳ) / Σ(xᵢ − x̄)²
a = ȳ − b·x̄

其中 x̄、ȳ 为均值。该解在残差满足独立、零均值、同方差假设时是最优线性无偏估计。若各校准点的不确定度不同，应改用加权最小二乘，权重取 w_i = 1/u²(y_i)，使高置信点对拟合结果影响更大。

三、残差分析：判断模型是否可信

残差 r_i = y_i − (a + b·x_i) 是模型诊断的核心工具。应重点观察三类特征：

• 随机性：残差应围绕零线随机散布，不应出现连续同号或明显趋势。
• 量级一致性：残差幅度不应随 x 增大而系统性放大，否则提示异方差。
• 离群点：标准化残差绝对值大于 3 的点应被标记并复核，可能是标准件异常或操作失误。

若残差呈现“U 形”或“倒 U 形”，说明存在未建模的非线性；若残差随序号递增，说明存在漂移。残差分析不是形式检查，而是决定是否接受校准曲线的直接依据。

四、不确定度传递与校准曲线拟合

校准结果的不确定度由标准件不确定度、重复性、拟合参数不确定度共同传递。对线性模型，在参考点 x 处的预测不确定度可近似表示为：

u²(y) = u²(标准件) + s²/n + s²·(x − x̄)² / Σ(xᵢ − x̄)²
s² = Σrᵢ² / (n − 2)

该式表明：越远离校准点均值 x̄，外推不确定度越大。因此校准点应覆盖实际使用量程，避免在量程边缘外推。最终校准曲线应同时给出拟合参数、残差标准差 s、扩展不确定度 U = k·u_c（通常取 k=2，约 95% 置信），以及合格判定限。

五、校准曲线拟合的实际操作要点

在 KLA 设备上执行校准曲线拟合时，建议按以下顺序推进。首先确认标准件溯源链完整，记录其校准值 x_i 与不确定度 u(x_i)。其次在每个校准点重复测量 3～5 次，取均值作为 y_i，并计算重复性标准差。然后按最小二乘求解 a、b，绘制残差图。若残差图显示系统性弯曲，改用二次模型重新拟合，并比较两种模型的残差标准差 s；若二次模型 s 显著下降且残差转为随机，则接受非线性模型。

最后计算各校准点及量程端点的扩展不确定度 U，与工艺允许误差限比较。判定准则为：偏差绝对值与扩展不确定度之和不超过允许限，即 |y − x| + U ≤ 允许限。若某点超限，应检查该点标准件状态、设备重复性或环境漂移，而不是简单剔除数据点。

综上，误差模型提供结构，最小二乘提供参数，残差分析提供可信度检验，不确定度传递提供判定边界，四者共同构成校准曲线拟合的完整闭环。掌握这套数学基础，才能在 KLA 量测设备的精度校准与机台匹配中，把“看起来准”转化为“可证明准”。