SPC 统计过程控制

SPC（Statistical Process Control）由休哈特（Walter A. Shewhart）于 1920 年代在贝尔实验室创立，用控制图监控过程是否处于统计受控状态。它的核心价值是一个关键区分：变差分两类——普通原因（系统固有，需改进系统）与特殊原因（异常事件，需现场处置）。用错处理方式会让情况更糟。

一、两类变差：SPC 最重要的一课

类型	特征	谁来处理	错误处理的后果
普通原因 Common Cause	系统固有、始终存在、随机小幅波动（如设备精度、材料批次差异）	管理者——需改进系统（换设备、改工艺）	让操作工去调整 → 过度调整，变差反而变大
特殊原因 Special Cause	偶发、异常、可追溯（如刀具断裂、新员工操作、电压波动）	现场人员——立即处置	当作系统问题上报研究 → 延误，且永远找不到原因

过度调整（Tampering）是制造业最普遍的浪费之一：操作工看到测量值偏离目标就调整设备，但那只是普通原因造成的正常波动——每一次不必要的调整都向系统注入新的变差。休哈特用「漏斗实验」证明了这一点：干预越多，结果越差。

SPC 的首要作用就是判断：这次波动该不该干预？控制图给出客观答案，避免凭感觉乱调。

二、控制图的结构与原理

一张控制图有三条线加数据点：

中心线 CL = 过程平均值
上控制限 UCL = CL + 3σ　下控制限 LCL = CL − 3σ
数据点 = 按时间顺序的子组统计量（均值或极差）

UCL / LCL = X̄ ± 3σ　（约覆盖 99.73% 的正常波动）

最关键的区别：控制限 ≠ 规格限。
控制限（±3σ）来自过程实际数据，回答「过程稳定吗？」
规格限（USL/LSL）来自客户要求，回答「产品合格吗？」
一个过程可以「稳定但不合格」（系统性偏移），也可以「合格但不稳定」（靠全检挑出来的）。两者必须分别看。

三、常用控制图选型

数据类型	子组	推荐图型	示例
计量型（连续数值）	子组 n=2-9	X̄-R 图（均值-极差）	压装高度（每 5 件一组）
计量型（连续数值）	子组 n=1	I-MR 图（单值-移动极差）	每日能耗、每批硬度
计数型（离散）	不合格品率	p 图（样本量可变）	每日不良率
	不合格品数	np 图（样本量固定）	每批 100 件中的不良数
	缺陷数	c 图（样本量固定）	每台产品的瑕疵点数
	单位缺陷数	u 图（样本量可变）	每平方米布料的疵点数

选型原则：能用计量型就不用计数型——计量型数据信息量大得多，同样数量的样本能更早发现异常。

四、八大判异准则

点超出控制限只是最明显的一种异常。休哈特与后来的 Nelson 总结出八大判异准则，用于在点未出界时发现异常模式：

准则	模式	可能的实际原因
规则 1	1 点超出 3σ（出现在 A 区之外）	特殊原因：刀具断裂、设备故障、新员工
规则 2	连续 9 点在中心线同侧	过程均值发生偏移（换了材料批次、调整了参数）
规则 3	连续 6 点持续上升或下降	趋势性变化：刀具磨损、温度漂移、人员疲劳
规则 4	连续 14 点交替上下	系统性交替：两班操作差异、两台设备交替使用
规则 5	连续 3 点中有 2 点在同侧 A 区（2σ 外）	均值小幅偏移的早期信号
规则 6	连续 5 点中有 4 点在同侧 B 区（1σ 外）	同上，敏感性更高
规则 7	连续 15 点落在中心线两侧 C 区（1σ 内）	数据分层错误或控制限算错（假受控）
规则 8	连续 8 点在中心线两侧但无一点落在 C 区	两组不同分布的数据被混在一起

实务建议：先只用规则 1、2、3（最直观且误报率低），熟练后再逐步引入其他准则。一次启用全部八条会产生大量误报，让现场失去信任。

五、过程能力分析 Cpk / Ppk

过程稳定后，才谈得上评价它满足规格的能力：

Cpk = min[ (USL − μ) , (μ − LSL) ] ÷ 3σ

Cpk 值	等级	含义与行动
< 1.00	不足	会产生不合格品，必须改进或全检
1.00 - 1.33	勉强合格	可接受但无余量，需持续监控
1.33 - 1.67	良好	多数客户的通用要求（常要求 ≥1.33）
≥ 1.67	优秀	汽车行业关键特性常要求 ≥1.67
2.00	六西格玛水平	考虑 ±1.5σ 漂移下的长期水平

Cpk 与 Ppk 的区别：Cpk 用组内标准差（短期能力，过程稳定时的潜能）；Ppk 用总体标准差（长期实际表现）。若 Cpk 远大于 Ppk，说明过程不够稳定——短期内能做好的，长期做不好。

六、实操步骤（7 步导入 SPC）

选关键特性 CTQ：不是所有尺寸都做控制图，选对客户最重要的 3-5 个特性。
确认测量系统：做 GR&R，<10% 才可用；否则先修测量方法。
确定子组与抽样频率：子组内应尽量同质（同一批次/同一班次），子组间才能反映过程变化。
收集基线数据：至少 20-25 个子组（约 100 个点）用于建立初始控制限。
计算控制限并判异：剔除特殊原因对应的点（需查明原因并记录），重新计算控制限。
日常监控与反应：明确谁看、多久看一次、出界怎么办（编写《反应计划》）。
定期评审：过程改进后更新控制限；否则旧的控制限会持续误报。

最容易被忽略的是第 6 步「反应计划」。没有预先写清「出界怎么办」，控制图就只是一张没人会采取行动的图。反应计划应写明：谁确认、是否停机、如何追溯可疑批次。

七、完整案例：压装高度 SPC 应用

背景：某定子压装工序规格 45.0±0.15mm，终检不良率 3.2%。此前靠操作工每小时自检并「按需调整」。

阶段	执行	发现与结论
测量系统	高度规 GR&R 分析	32% → 超差。改用数显高度仪并统一测量手法后降至 8%
基线数据	每小时抽 5 件，共 25 组（125 点）	均值 45.02mm，σ=0.058
控制限	X̄ 图：UCL=45.12 / LCL=44.92	—
判异	发现 4 个点出界，均集中在夜班	特殊原因：夜班设备预热不充分
能力分析	Cpk = 0.79（不足）；剔除夜班点后 Cpk = 1.31	过程本身有能力，问题在夜班管理
改进	规定夜班开机预热 20 分钟并纳入点检	不良率 3.2% → 0.4%
反应计划	出界 → 操作工停机 → 班组长确认 → 追溯上一检测点以来产品	三个月内触发 3 次，均及时拦截

最重要的认知转变：原以为问题是「设备精度不够，需要买新设备」（投资 60 万）。SPC 数据显示过程本身 Cpk 达 1.31，能力足够，真正原因是夜班预热这一个特殊原因——零投资解决问题。

另一个收获：停止了操作工的「按需调整」。此前每人每天调整 5-8 次，经确认其中 90% 属于对普通原因的过度调整，反而放大了变差。

八、常见错误（6 条避坑指南）

混淆控制限与规格限：把规格线画在控制图上判断「是否受控」。
跳过 GR&R：测量系统误差大于过程变差，控制图全是噪声。
没有反应计划：图做出来了，但没人知道出界后该做什么。
过程改进后不更新控制限：旧限持续误报，现场逐渐不信任并最终放弃。
子组划分不合理：子组内混入不同班次/批次数据，控制限被人为拉宽，异常被掩盖。
对普通原因做现场调整：过度调整，越调越差。

管理者学习平台