引言
在製造設備設計中，常被忽略的一項要點是可維護性。是否具備可維護性功能，將對維持設備運作的成本產生顯著影響。而這些成本，反過來又會直接影響維護合約的獲利能力。因此，尋找有效的方法來降低這些成本，對於提升維護合約的獲利能力至關重要。
統計製程控制
統計製程控制（SPC）運用既定的統計方法來監控生產製程的穩定性，有助於減少浪費與返工。SPC 可應用於任何可測量且其變異性近似服從正態分佈的製程。例如，若某製程生產的零件目標長度為 1 單位，且其變異性服從正態分佈，則測量 100 個零件並將數據繪製成直方圖後，會得到如下圖所示的圖表：
SPC 的運作原理是利用控制圖，將實際樣本測量值與預期值進行比較。預期值是根據在基準期或訓練期間所收集的測量數據所計算出的平均值和標準差而得。控制圖通常包含三條關鍵參考線：
- 基準線（CL）：訓練測量值的平均值（算術平均數）。
- 上控制極限（UCL）：被視為「在控制範圍內」的最高值，對於呈正態分佈的製程，通常設定為均值加上三個標準差。
- 下控制界限（LCL）：被視為「處於受控狀態」的最低值，通常設定為均值以下三個標準差處。
隨著新的樣本測量值被蒐集，這些數據會被繪製在製程控制圖上，並根據控制極限進行評估。若某個樣本測量值落在上控制極限（UCL）與下控制極限（LCL）之間，則該製程被視為「受控」，且運作狀況符合預期。此外，還可應用其他規則——例如偵測趨勢、週期，或控制極限附近的多個連續數據點——以識別不穩定性的早期徵兆或潛在問題。
控制圖可偵測樣本平均數與變異性的變化。在下方的範例中，樣本平均數隨時間推移而下降，這表明該製程正逐漸「失控」。
在下圖中，樣本變異性隨時間增加，這表明該製程正變得不穩定，或正逐漸「失控」。
故障檢測還是預測性維護？
從統計學角度來看，「失控」的製程並不等同於製程失效。理想情況下，統計控制界限應位於製程公差或規格界限之內，因此即使根據控制圖顯示製程「失控」，其產出的產品仍可能符合品質規格。 舉例來說，以前述的小零件情境為例，其平均長度為 1.000，上控制極限 (UCL) 為 1.003，下控制極限 (LCL) 為 0.997。 若該設計的名義長度為 1.000，公差為 ±0.005，則上規格限值（USL）應為 1.005，下規格限值（LSL）應為 0.995。這對應的製程能力指數（Cpk）為 1.67，表示該製程「具備能力」，且通常能生產出符合規格的產出。
當製程平均值位於規格極限之間時，Cpk 即為品質規格極限與統計控制極限之比，用以量化製程在多大程度上能夠生產出符合規格極限的產出。Cpk 值越高，表示該製程的能力越強且一致性越高。
以下是一張已標示上控制線（USL）與下控制線（LSL）的控制圖。
當控制界線位於規格界限內時，控制圖可作為判斷何時需要進行預防性維護的有效指標。如果某個製程雖處於「失控」狀態，但仍運作在規格範圍內，則該製程很可能需要進行預防性維護，但無需立即停止運作。
然而，若控制界限超出規格界限，則該製程被視為不具能力（Cpk 值小於 1.0）。在此情況下，統計控制界限無法可靠地指出在生產缺陷發生之前何時需要進行預防性維護。
關注過程，而非結果
在許多情況下，製造設備並不知道自己正在生產哪些具體產品，也不知道生產品質如何。舉例來說，生產「小零件」的設備可能「不知道」目標長度是 1.000，也不直接知道實際生產出的長度是多少。這便引發了一個問題：設備該如何利用 SPC 來監控品質？
雖然這些設備未必能直接測量產出的品質，但往往能監控生產過程中的各項環節。換言之，它們能夠追蹤那些影響最終產品品質的製程參數與條件。
半導體製造設備中可監測的製程屬性範例包括：
- 光源強度
- 影像品質（例如：對焦、對比度、亮度）
- 氣體流量
- 管路或腔室中的氣體壓力
- 電壓
- 潮流
- 速度（例如：旋轉速度或平動速度）
- 環境壓力（大氣壓、真空）
- 溫度
- 持續時間（例如：指令完成時間）
實際值與預期值
任何用於製程控制的製程屬性，其關鍵要求在於必須能透過感測器進行測量——即必須基於實際的感測器數據。製程控制是透過將測量值與預期值進行比較來運作的，儘管通常需要對原始測量數據進行一些預處理。
以閉環氣體冷卻系統為例。氣體流量由質量流量控制器（MFC）控制，其設定點則由某個製程參數決定。在此情況下，合適的控制測量值應為實際氣體流量。
第一個預處理步驟通常是判斷氣流何時處於穩態。在氣流停止期間，或設定點變更後立即出現的瞬態期間所進行的測量，通常難以作為參考。流量穩定所需的時間可透過實驗來確定。
如果系統僅採用一個流量設定點運作，流程便很簡單：將流量設定點作為預期值，將測量到的流量作為實際值。
然而，當存在多個流量設定點時，由於 SPC 假設僅有單一平均值與變異性，因此需要進行額外的預處理。以下是兩種處理方式：
- 如果只有少數幾個離散設定點，則可以針對每個設定點建立一張獨立的控制圖——該控制圖具有其自身的平均值與變異性。
- 另一種方法是透過計算流量設定點與實際測量流量之間的差值，來取得流量誤差。此流量誤差的預期值應為零。若不同設定點間的預期變異性有所不同，可透過實驗建立映射函數，以校正這些差異。
Cimetrix® CIMControlFramework 健康指標
Cimetrix® CIMControlFramework（CCF）是一個基於 Microsoft .NET Framework 技術建置的設備自動化框架。CCF 解決方案使設備製造商能夠滿足監督控制、物料搬運、平台與製程控制，以及工廠自動化等需求。透過與設備硬體介接並發布資料，CCF 具備獨特優勢，能有效監控設備性能。 CCF 的「HealthIndicators」功能將統計製程控制（SPC）與強大且直觀的圖形化使用者介面（GUI）管理工具整合，以提供全面的設備監控。善用 CCF HealthIndicators 可透過實施預防性維護及及早偵測潛在問題，進而協助降低維護成本。
用於教學及設定健康指標的 CCF 畫面。
CCF 畫面，顯示所有健康指標的摘要視圖。
