情境
早會上，良率報告出來，某個關鍵製程的良率曲線竟然呈現緩慢的下滑趨勢，但各機台的日報參數都還在管制界線內。主管臉色鐵青地問：「這到底怎麼回事？參數都沒動，良率怎麼會這樣掉？」你盯著圖表，心裡一沉，因為這看起來就是最難纏的製程漂移。
白話翻譯
製程漂移（Drift）是什麼？它就像是鍋裡的溫水煮青蛙。當你發現良率已經掉到讓你心痛時，往往製程參數已經悄悄地、緩慢地偏離了最佳狀態，但還沒嚴重到觸發管制上限。
把它想成開車：
- 突發異常：就像輪胎突然爆胎，你會立刻知道出問題了。
- 製程漂移：就像輪胎慢慢地、一點一點地漏氣，你可能開了很久才感覺到車子怪怪的，等到發現時，胎壓可能已經低到危險邊緣了。
製程漂移最可怕的地方在於：
- 無聲無息：初期參數可能仍在規格內，難以察覺。
- 累積效應：每次微小的偏離累積起來，最終導致良率大幅下降。
- 根因難尋：因為沒有單一的「事件」觸發，追溯起來特別困難。
實戰判斷
偵測製程漂移，不能只看單一數據點是否超標，更要看數據的「趨勢」。
| 判斷項目 | 製程漂移 (Drift) | 突發異常 (Excursion) |
|---|---|---|
| 現象 | 參數或良率緩慢、漸進地偏離目標 | 參數或良率突然、大幅度地超出管制線 |
| SPC 圖表現 | 連續多點呈現向上或向下的趨勢 (Run/Trend)，可能仍在管制線內 | 單點或少數點直接衝出管制線 (Out of Control) |
| 偵測難度 | 高，需長期監控與趨勢分析 | 低，即時警報通常會觸發 |
| 潛在根因 | 設備老化、耗材漸進磨損、環境變化、量測系統誤差、操作習慣改變 | 設備故障、人為操作失誤、原料批次異常、程式設定錯誤 |
| 影響 | 累積性良率損失，成本持續增加 | 單批次或短期內良率驟降，損失集中 |
實戰操作建議：
- 定期審視管制圖 (Control Charts)：除了 X-bar 和 R 圖，也要多關注累積和加權移動平均管制圖 (CUSUM/EWMA)，它們對微小但持續的漂移更敏感。
- 多參數關聯分析：當單一參數看不出問題時，試著將多個製程參數、環境數據（如溫度、濕度）甚至設備健康數據（如馬達電流、震動頻率）疊圖分析，找出潛在的關聯性。
- 週期性校正與維護：建立嚴謹的設備校正與預防性維護計畫，避免設備老化導致的漂移。
InsightFab 怎麼做
InsightFab 能自動化分析大量歷史數據，運用進階統計模型和機器學習，精準偵測製程漂移的早期趨勢，並結合多維度參數提供潛在根因的智能建議，讓你能在問題擴大前就採取行動。
金句
「製程漂移無聲無息，唯有持續監控與深度分析，才能防患未然，守住良率。」