SPC统计过程控制是半导体工程师每天都要面对的工作。分析控制图、检测异常点、计算CPK...这些事以前我用Excel做现在用ChatGPT帮我写代码。今天分享3个实测有效的场景Prompt可以直接复制用。场景1自动生成SPC分析代码最常用的场景给一批CSV数据让ChatGPT写分析代码。实测数据40片晶圆的膜厚数据每片5个测量点共200个数据点。# 数据格式示例mes_thickness.csv# wafer_id,point_1,point_2,point_3,point_4,point_5,avg_thickness# WAF001,1023,1021,1025,1022,1024,1023.0# WAF002,1025,1023,1024,1022,1026,1024.0# ...我的Prompt直接复制用请帮我写一个Python脚本分析SPC数据1. 读取CSV文件包含wafer_id和5个测量点的膜厚数据2. 计算Xbar-R控制图的UCL、LCL、CL3σ原则3. 标记超出控制限的点4. 计算CPK5. 生成控制图Matplotlib6. 导出异常点清单Excel格式要求- 使用pandas读取CSV- 使用matplotlib绑定控制图- 异常点用红色标记- 代码要可运行ChatGPT 4o输出的代码import pandas as pdimport numpy as npimport matplotlib.pyplot as plt# 读取数据df pd.read_csv(mes_thickness.csv)data df[avg_thickness].values# 计算控制限3σ原则mean np.mean(data)std np.std(data)ucl mean 3 * stdlcl mean - 3 * stdcl mean# 标记异常点anomalies df[data ucl | data lcl]print(f异常点: {len(anomalies)}个)print(anomalies)# CPK计算cp (ucl - lcl) / (6 * std)cpu (ucl - mean) / (3 * std)cpl (mean - lcl) / (3 * std)cpk min(cpu, cpl)print(fCPK {cpk:.3f})# 绑制控制图plt.figure(figsize(14, 6))plt.plot(range(len(data)), data, b-o, markersize4)plt.axhline(ucl, colorr, linestyle--, labelfUCL{ucl:.1f})plt.axhline(cl, colorg, linestyle-, labelfCL{cl:.1f})plt.axhline(lcl, colorr, linestyle--, labelfLCL{lcl:.1f})# 异常点标红anomaly_idx [i for i in range(len(data)) if data[i] ucl or data[i] lcl]plt.scatter(anomaly_idx, [data[i] for i in anomaly_idx],colorred, s100, zorder5, label异常点)plt.xlabel(Sample Index)plt.ylabel(膜厚 (A))plt.legend()plt.title(fSPC控制图 (CPK{cpk:.3f}))plt.savefig(spc_chart.png, dpi150)print(控制图已保存: spc_chart.png)[配图说明生成的SPC控制图蓝色线条为膜厚数据红色点为异常点虚线为UCL/LCL]场景2分析Nelson规则异常Nelson规则是SPC判异的国际标准ASTM E2586。常见规则- 规则11个点超出3σ控制限- 规则2连续9点在中心线同一侧- 规则3连续6点单调上升或下降- 规则4连续14点交替上下- 规则5连续5点中有4点在1σ区外用这个Prompt让ChatGPT写检测代码请扩展上面的SPC分析代码加入Nelson规则检测。规则定义- rule1: 任何点超出3σ- rule2: 连续9点在CL同一侧- rule3: 连续6点单调- rule4: 连续14点交替- rule5: 连续5点中4点在1σ外对每个规则分别检测并输出- 违反的规则编号- 对应的数据点索引- 违规原因描述场景3生成SPC周报每周要给领导写SPC周报以前手动统计现在让ChatGPT帮我生成报告框架请根据以下SPC数据帮我生成周报摘要数据- 设备ETCH-01~05共5台- 时间范围2026-06-03 ~ 2026-06-09一周- 指标膜厚CPK、均匀性、异常率ETCH-01: CPK1.45, 均匀性±1.8%, 异常率0.3%ETCH-02: CPK1.38, 均匀性±2.1%, 异常率0.8%ETCH-03: CPK1.52, 均匀性±1.5%, 异常率0.1%ETCH-04: CPK1.29, 均匀性±2.5%, 异常率1.2%ETCH-05: CPK1.41, 均匀性±1.9%, 异常率0.5%请生成1. 本周总结100字以内2. 问题设备分析CPK1.33或异常率1%的3. 改善建议2-3条4. 下周关注重点生成结果可直接用## SPC周报 2026-06-03 ~ 2026-06-09### 本周总结本周5台ETCH设备整体运行平稳平均CPK1.41目标≥1.33。ETCH-04膜厚偏差偏大需重点关注。### 问题设备分析1. ETCH-04CPK1.29低于目标值1.33异常率1.2%超过1%阈值- 原因膜厚均匀性±2.5%偏大- 建议检查设备温控系统联系设备工程师2. ETCH-02异常率0.8%环比上周上升0.3%- 建议跟踪本周数据确认是否持续恶化### 改善建议1. 对ETCH-04进行预防性维护PM重点检查温控和气体流量2. 对比ETCH-04与ETCH-03的参数差异寻找可调整参数3. 建立ETCH-04的专项SPC监控每小时刷新一次数据### 下周重点- ETCH-04膜厚改善目标CPK≥1.33- ETCH-02异常趋势跟踪[配图说明SPC周报模板包含本周总结、问题分析、改善建议、下周重点]实测效果使用ChatGPT辅助SPC工作后工作效率大幅提升| 工作内容 | 以前 | 现在 | 效率提升 ||---------|------|------|---------|| SPC分析代码 | 1-2小时 | 5分钟 | 12-24倍 || Nelson规则检测 | 手动检查 | 自动检测 | 节省30分钟/次 || SPC周报 | 1小时 | 10分钟 | 6倍 |注意事项⚠️ ChatGPT输出的代码要审核后再用原因1. 计算公式可能与行业标准不完全一致2. 数据边界情况空值、异常值处理不完善3. 控制图样式需要按公司标准调整我的做法先用小数据集测试确认无误后再用于正式分析。---你用ChatGPT做过SPC分析吗有什么好的Prompt评论区分享觉得有用点赞收藏关注我一起探索AI半导体
用ChatGPT写SPC异常检测代码，我实测了3个场景（附完整Prompt）
SPC统计过程控制是半导体工程师每天都要面对的工作。分析控制图、检测异常点、计算CPK...这些事以前我用Excel做现在用ChatGPT帮我写代码。今天分享3个实测有效的场景Prompt可以直接复制用。场景1自动生成SPC分析代码最常用的场景给一批CSV数据让ChatGPT写分析代码。实测数据40片晶圆的膜厚数据每片5个测量点共200个数据点。# 数据格式示例mes_thickness.csv# wafer_id,point_1,point_2,point_3,point_4,point_5,avg_thickness# WAF001,1023,1021,1025,1022,1024,1023.0# WAF002,1025,1023,1024,1022,1026,1024.0# ...我的Prompt直接复制用请帮我写一个Python脚本分析SPC数据1. 读取CSV文件包含wafer_id和5个测量点的膜厚数据2. 计算Xbar-R控制图的UCL、LCL、CL3σ原则3. 标记超出控制限的点4. 计算CPK5. 生成控制图Matplotlib6. 导出异常点清单Excel格式要求- 使用pandas读取CSV- 使用matplotlib绑定控制图- 异常点用红色标记- 代码要可运行ChatGPT 4o输出的代码import pandas as pdimport numpy as npimport matplotlib.pyplot as plt# 读取数据df pd.read_csv(mes_thickness.csv)data df[avg_thickness].values# 计算控制限3σ原则mean np.mean(data)std np.std(data)ucl mean 3 * stdlcl mean - 3 * stdcl mean# 标记异常点anomalies df[data ucl | data lcl]print(f异常点: {len(anomalies)}个)print(anomalies)# CPK计算cp (ucl - lcl) / (6 * std)cpu (ucl - mean) / (3 * std)cpl (mean - lcl) / (3 * std)cpk min(cpu, cpl)print(fCPK {cpk:.3f})# 绑制控制图plt.figure(figsize(14, 6))plt.plot(range(len(data)), data, b-o, markersize4)plt.axhline(ucl, colorr, linestyle--, labelfUCL{ucl:.1f})plt.axhline(cl, colorg, linestyle-, labelfCL{cl:.1f})plt.axhline(lcl, colorr, linestyle--, labelfLCL{lcl:.1f})# 异常点标红anomaly_idx [i for i in range(len(data)) if data[i] ucl or data[i] lcl]plt.scatter(anomaly_idx, [data[i] for i in anomaly_idx],colorred, s100, zorder5, label异常点)plt.xlabel(Sample Index)plt.ylabel(膜厚 (A))plt.legend()plt.title(fSPC控制图 (CPK{cpk:.3f}))plt.savefig(spc_chart.png, dpi150)print(控制图已保存: spc_chart.png)[配图说明生成的SPC控制图蓝色线条为膜厚数据红色点为异常点虚线为UCL/LCL]场景2分析Nelson规则异常Nelson规则是SPC判异的国际标准ASTM E2586。常见规则- 规则11个点超出3σ控制限- 规则2连续9点在中心线同一侧- 规则3连续6点单调上升或下降- 规则4连续14点交替上下- 规则5连续5点中有4点在1σ区外用这个Prompt让ChatGPT写检测代码请扩展上面的SPC分析代码加入Nelson规则检测。规则定义- rule1: 任何点超出3σ- rule2: 连续9点在CL同一侧- rule3: 连续6点单调- rule4: 连续14点交替- rule5: 连续5点中4点在1σ外对每个规则分别检测并输出- 违反的规则编号- 对应的数据点索引- 违规原因描述场景3生成SPC周报每周要给领导写SPC周报以前手动统计现在让ChatGPT帮我生成报告框架请根据以下SPC数据帮我生成周报摘要数据- 设备ETCH-01~05共5台- 时间范围2026-06-03 ~ 2026-06-09一周- 指标膜厚CPK、均匀性、异常率ETCH-01: CPK1.45, 均匀性±1.8%, 异常率0.3%ETCH-02: CPK1.38, 均匀性±2.1%, 异常率0.8%ETCH-03: CPK1.52, 均匀性±1.5%, 异常率0.1%ETCH-04: CPK1.29, 均匀性±2.5%, 异常率1.2%ETCH-05: CPK1.41, 均匀性±1.9%, 异常率0.5%请生成1. 本周总结100字以内2. 问题设备分析CPK1.33或异常率1%的3. 改善建议2-3条4. 下周关注重点生成结果可直接用## SPC周报 2026-06-03 ~ 2026-06-09### 本周总结本周5台ETCH设备整体运行平稳平均CPK1.41目标≥1.33。ETCH-04膜厚偏差偏大需重点关注。### 问题设备分析1. ETCH-04CPK1.29低于目标值1.33异常率1.2%超过1%阈值- 原因膜厚均匀性±2.5%偏大- 建议检查设备温控系统联系设备工程师2. ETCH-02异常率0.8%环比上周上升0.3%- 建议跟踪本周数据确认是否持续恶化### 改善建议1. 对ETCH-04进行预防性维护PM重点检查温控和气体流量2. 对比ETCH-04与ETCH-03的参数差异寻找可调整参数3. 建立ETCH-04的专项SPC监控每小时刷新一次数据### 下周重点- ETCH-04膜厚改善目标CPK≥1.33- ETCH-02异常趋势跟踪[配图说明SPC周报模板包含本周总结、问题分析、改善建议、下周重点]实测效果使用ChatGPT辅助SPC工作后工作效率大幅提升| 工作内容 | 以前 | 现在 | 效率提升 ||---------|------|------|---------|| SPC分析代码 | 1-2小时 | 5分钟 | 12-24倍 || Nelson规则检测 | 手动检查 | 自动检测 | 节省30分钟/次 || SPC周报 | 1小时 | 10分钟 | 6倍 |注意事项⚠️ ChatGPT输出的代码要审核后再用原因1. 计算公式可能与行业标准不完全一致2. 数据边界情况空值、异常值处理不完善3. 控制图样式需要按公司标准调整我的做法先用小数据集测试确认无误后再用于正式分析。---你用ChatGPT做过SPC分析吗有什么好的Prompt评论区分享觉得有用点赞收藏关注我一起探索AI半导体
