用ChatGPT写SPC异常检测代码，我实测了3个场景（附完整Prompt）-编程实验室

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、CL（3σ原则）
3. 标记超出控制限的点
4. 计算CPK
5. 生成控制图（Matplotlib）
6. 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 pd
import numpy as np
import 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 * std
lcl = mean - 3 * std
cl = 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(f"CPK = {cpk:.3f}")

# 绑制控制图
plt.figure(figsize=(14, 6))
plt.plot(range(len(data)), data, 'b-o', markersize=4)
plt.axhline(ucl, color='r', linestyle='--', label=f'UCL={ucl:.1f}')
plt.axhline(cl, color='g', linestyle='-', label=f'CL={cl:.1f}')
plt.axhline(lcl, color='r', linestyle='--', label=f'LCL={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],
color='red', s=100, zorder=5, label='异常点')
plt.xlabel('Sample Index')
plt.ylabel('膜厚 (A)')
plt.legend()
plt.title(f'SPC控制图 (CPK={cpk:.3f})')
plt.savefig('spc_chart.png', dpi=150)
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1：1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: CPK=1.45, 均匀性±1.8%, 异常率0.3%
ETCH-02: CPK=1.38, 均匀性±2.1%, 异常率0.8%
ETCH-03: CPK=1.52, 均匀性±1.5%, 异常率0.1%
ETCH-04: CPK=1.29, 均匀性±2.5%, 异常率1.2%
ETCH-05: CPK=1.41, 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（CPK<1.33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CPK=1.41（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-04：CPK=1.29（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