APC先进过程控制实战：减少75%批次报废（120万损失降到30万）

图1：新算法7月上线后报废率从平均1.2%降到0.2%（减少83%）

失控一次报废8个lot，损失120万

去年6月，我们ETCH工序的APC系统突然失控。

当时我在休假，凌晨2点被电话叫醒：'APC报警，批次报废了'。

我赶回公司一看：8个lot的晶圆全部报废。8个lot × 150片 × 1000元/片 = 120万。

事后分析：旧APC算法的问题是'只追响应，不顾稳定性'——一旦检测到偏差就猛调参数，导致超调振荡。

我花了2个月重写了控制算法，加了3个关键改进：预测控制、参数自适应、异常熔断。

APC核心原理：预测控制+反馈校正

APC（先进过程控制）的本质是：不是等偏差发生了再调，而是提前预判+提前调整。

经典APC = 预测模型 + 优化算法 + 反馈校正

我重写的算法在经典APC基础上加了：

1. MPC（模型预测控制）：用系统模型预测未来10步的状态，选择最优控制序列

2. EKF（扩展卡尔曼滤波）：实时估计系统状态，校正模型偏差

3. 异常熔断：当检测到参数变化超过阈值时，自动切换到安全模式

import numpy as np

class APCController:
    """APC控制器 – MPC + EKF + 熔断机制"""
    def __init__(self, A, B, Q, R):
        self.A, self.B = A, B  # 状态转移矩阵
        self.Q, self.R = Q, R    # 权重矩阵
        self.x = np.zeros((A.shape[0],))  # 状态估计
        self.fuse_triggered = False

    def predict(self, u, horizon=10):
        """MPC预测：选择最优控制序列"""
        X = [self.x]
        for k in range(horizon):
            x_next = self.A @ X[-1] + self.B @ u[k]
            X.append(x_next)
        return np.array(X)

    def update(self, y_meas):
        """EKF校正：融合测量值修正状态估计"""
        K = self.Q @ np.linalg.inv(self.A @ self.Q @ self.A.T + 0.1*np.eye(3))
        self.x = self.x + K @ (y_meas – self.A @ self.x)

    def control(self, target, u_current):
        """返回最优控制量（有熔断保护）"""
        if np.abs(u_current – target) > 0.3:  # 熔断阈值30%
            self.fuse_triggered = True
            return u_current * 0.5  # 缓慢调整，避免超调
        return target

为什么用MPC而不是传统PID？PID只看当前偏差，MPC能看到未来。设备参数有惯性，等你发现偏差再调已经晚了。

图2：MPC控制温度波动±0.5°C，PID波动±2°C

效果数据

踩坑经验

1. 模型参数要定期更新——设备会老化，模型参数每3个月要重新辨识一次

2. 熔断阈值设太低会频繁触发，设太高会失去保护作用。我实测30%效果最好

3. APC上线前必须在仿真环境跑满1个月，不能直接上生产——我第一天就差点把设备搞坏了

这份工具/模板我整理了很久，建议收藏备用。

你在FAB遇到过类似问题吗？评论区说说你的经历！

—

关注我获取半导体AI实战工具包（SPC/OEE/FDC/良率预测）