如果一个企业没有追求持续改善的文化环境，也没有最高管理层对这种文化环境的追求，那么SPC就不能发挥其威力，这时候SPC就不是真正的SPC了。

我想"橘生淮南则为橘，橘生淮北则为枳"大概也就是这个道理。

PART.02

与SPC相关的几个重要的概念

（1）变差

就像世界上没有两张完全相同的树叶一样，任何一个工厂，无论其多么先进，从其生产线出来的同一种产品或多或少总会存在一些差异，这种差异就是变差。比如，同一生产线生产出的一批合格螺栓长度不可能做到完全一样。

（2）普通原因 vs 特殊原因

类似于上面螺栓的例子，为什么两个相同的汉堡并不能保证其重量完全相等呢？

这是因为制作汉堡的工艺流程不可能保证每一个汉堡的重量绝对的一样，总会存在一些细微差异。只不过作为顾客我们能够接受这样的差异。我们把导致这种普遍的、固有的、可接受的变差的原因，叫做普通原因 common cause。

但如果哪天你买了两个同样的汉堡，却发现其中一个汉堡中间完全没有添加蔬菜，这不再是常见的、普通的变差，而是有某种特殊原因导致的变差，比如员工的操作的失误。这种变差往往是顾客不能接受的。我们把导致这种非普遍的、非固有的、异常的变差的原因叫做特殊原因 special cause。

（3）受控 vs 不受控

如果一个过程仅仅只有普通原因引起的变差，我们就说这个过程受控 in statistical control；如果一个过程存在特殊原因引起的变差，我们就说这个过程不受控 out of control。控制图的使命就是帮助我们发现并消除导致过程变异的特殊原因，这是一个使过程从不受控变成受控的过程。

在这里强调下，过程“受控”不等于“满足设计规范”；“不受控”也不是说就“不满足规范”。受控于是否满足规范是两码事。 受控并满足规范（蓝色控制限，红色规范限，下同）

受控但不满足规范

（4）中心极限定理中心极限定理

是SPC的重要理论依据。

这个定理是这样的：“设X1，X2，...，Xn为n个相互独立同分布随机变量，其总体的分布未知，但其均值和方差都存在，当样本容量足够大时，样本均值的分布将趋近于正态分布”。

如何理解？举个例子：不管全中国的30岁男人体重成何种分布,我们随机抽N个人的重量并计算其均值,那么当N足够大的时候,那么N个人的平均重量W就会接近于成正态分布。

不禁有人要问多大算“足够大”？记住：如果总体的分布对称，N〉=5时效果就比较理想了；如果总体分布不对称，一般N〉=30时候才算足够大。

这个定理还有一个重要推论：

样本均值的分布将会比总体的分布窄，n是样本容量。

（5）合理的抽样中心极限定理中我们说到了抽样，那么什么是抽样, 为什么要抽样呢？

抽样(Sampling)就是从研究总体中选取一部分代表性样本的方法。在SPC理论中，抽样是考虑到：

经济性，即成本因素；

有的质量特性只能进行抽样研究，比如需要通过破坏性实验获得的质量数据。

显然抽样是有风险的，如果抽样不合理，其结果就是“管中窥豹，略见一斑”了，因此我们说要合理抽样（rational sampling）。

合理抽样涉及到几个问题：样本大小、抽样频率、抽样类型（连续取样、随机取样or 其他结构化取样）。

为了满足统计过程控制的目标, 抽样计划必须确保:

样本内变差包含了几乎所有由普通原因造成的变差；

子组内不存在由特殊原因造成的变差, 即所有特殊原因造成的影响都被限制在样本之间的时间周期上。

抽样大小（子组大小）会影响控制图的敏感度，样本越大能探测到的均值偏移Mean Shift 越小。一般来说，计量型数据推荐最少取4至5个连续零件，计数型数据样本一般不少于500（20~25组，每组至少25个数据）。

PART.02

SPC控制图的发展介绍

约在100年前的1924年，质量管理大师、被称为统计质量控制（SQC）之父的休哈特博士在美国贝尔实验室发布了人类历史上第一张质量控制图。控制图由一条中心线（CL)和与其平行的两条间距分别为 3σ 的控制限（上控制限UCL和下控制限LCL）组成，按照时间序列对样本进行抽样、将数据进行描点，通过观察其趋势来判断过程的稳定性。

休哈特博士从系统的视角，把生产过程中那些造成产品质量波动的变异因素区分为特殊因素和随机因素（也称特殊原因和普通原因），目的是为了识别过程中的变异是偶然发生的还是具有系统性的原因，从而判断生产过程时候处于统计受控状态。

控制图根据其作用和用途可分为两类：分析用控制图和控制用控制图。前者用于分析过程是否处于统计受控状态、过程的变异来源是否有系统原因；后者用于预测和监控未来一段时期内生产过程变化，可以在不合格品被生产出来之前，通过控制图的预警功能，识别变异并提前开展预防性的干预措施。

【分析用控制图】– 分析用控制图主要分析过程是否稳定和受控，是否处于统计的稳定状态和技术的稳定状态，此时分析的数据常为某一时间段的数据，如一个星期或是一个月；控制用控制图的控制限也即由此阶段的分析而得到的，这是分析用控制图的主要任务之一。

【控制用控制图】当过程达到我们所确定的“统计稳态和技术稳态”后，才能将分析用控制图的控制线延长作为控制用控制图。这种延长的控制线相当于生产立法，便进入日常管理。

PART.03

SPC控制图的基本原理

普通原因，如环境温度的自然变化、原材料批次间的轻微差异、作业员之间的操作手法差异等等，这些波动无法避免，也无法消除，却对过程产生了影响。

随着时间的推移，普通原因会形成一个稳定的分布，称之为”过程处于统计受控状态“。当过程的变差只存在普通原因的影响，则这个过程的输出应该是能够预测的。

若过程的变差由特殊原因导致的，如人员的随意变动、工艺参数的随意设定、设备机台的任意变更、供应商的切换等；随着时间的推移，过程的输出不但会不稳定而且会变得无法预测。

休哈特博士以均值为中心，±3σ为控制限，建立了控制图把普通原因和特殊原因区分开来，对于大多连续生产的产品的质量特性属于连续型随机变量，服从或近似服从正态分布，所以会有约99.73％的数据点会落在控制限内，数据点落在控制限之外的概率则约为0.27％。

再结合假设检验的思想，如落在控制限外的点，则可判为异常点，即可通知工程师排查原因并制定相应的措施。休哈特认为造成过程变差的特殊原因，必须被识别并将对系统造成危害的特殊原因加以消除。

除了上述的判定异常的准则外，根据国标GB∕T 17989.2 控制图中，也引用了8种判定异常的准则。当出现任何一种下图中的变化趋势，则可以判定过程中出现了系统性的变异，此时就可以提前采取干预措施，预防产品的不合格现象发生。

最后介绍一下常用的控制图类型，常用的控制图按数据类型分为两类：对于连续变量的计量型控制图和对于离散变量的计数型控制图。计量型控制图有：

单值移动极差（I-MR）控制图

均值—极差图（Xbar-R）

均值—标准差图（Xbar-S）

计数型控制图有：

不合格品率P图

不合格品数NP图

单位产品缺陷数U图

缺陷数C图

至于具体应该采用哪一种控制图用于管理活动中，还应该根据产品的质量特性、过程输出的特性、顾客的特殊要求、组织的生产模式和资源配置等要素综合考量。

PART.04

SPC—控制图的分类

SPC包括八大控制图，分别是：

均值-极差控制图（Xbar-R）；

均值-标准差控制图（Xbar-s）；

中位数-极差控制图（X中位数-R）；

单值-移动极差控制图（X-MR）；

不合格品率控制图（P）；

不合格品数控制图（nP）；

单位缺陷数控制图（U）；

缺陷数控制图（C）。

在介绍控制图之前，先要了解一下数据的分类，包括计量型数据和计数型数据，因为SPC管控的对象就是数据。

计量型数据是指在给定范围内可以取任何值，即被测数值是连续的，如长度、重量等，而计数型数据是指那些不能连续取值的，只能以个数计算的数，如缺陷数量等。制定控制图的关键就是计算控制限，包括上控制限（Upper Control Limit，简称UCL）和下控制限（Lower Control Limit，简称LCL）。

此处需要注意控制限和产品规格的差异，产品规格是根据客户或产品使用要求定义的，而控制限是根据产品制造过程中的过程数据计算得到的，控制限通常比产品规格更严格，即过程失控并不代表产品规格不满足要求。

PART.05

控制图异常判定方法

样本点落在管制界限之外

控制点异常判定图（1）

连续7点在同侧的C区或C区之外

控制点异常判定图（2）

测量结果单边的影响组装，风险极大，不能接受。出现这种情况必须进行原因分析、停止生产、采取对策。

3.连续6点以上持续地上升或下降。

连续6点以上持续地上升或下降

控制点异常判定图（3）

可能出现螺丝松动等异常，必须停机，检讨原因。

连续14点交互一升一降

一般会产生这样的疑问，这么整齐的数据会不会有假？

相连3点中有2点在同侧的A区或A区之外

控制点异常判定图（4）

控制点异常判定图（5）

相连5点中有4点在同侧的B区或B区之外

控制点异常判定图（6）

连续15点在中心线上下两侧的C区

点异常判定图（7）

过程能力太好，还是要检讨一下数据是否真实、测量系统是否异常。

有8点在中心线之两侧，但C区并无点子。

控制点异常判定图（8）

常规判定异常的方法主要有前面提到的这五种，其他方法一般很少用到。

PART.06

SPC实施中的十大误区

· 没有适宜的测量工具

计量值管制图需要用测量工具取得管制特性的数值，管制图对测量系统有很高的要求。通常我们要求GR&R不大于10%，而在进行测量系统分析之前，要事先确认测量仪器的分辨力，要求测量仪器具有能够分辨出过程变差的十分之一到五分之一的精度方可用于制程的解析与管制，否则管制图不能识别过程的谈判。

而很多工厂勿略了这一点，导致做出来的管制图没办法有效的应用，甚至造成误导。

· 没有解析生产过程，直接进行管制

管制图的应用分为两个步骤：解析与管制。在进行制程管制之前一定要进行解析。解析是目的是确定制程是的稳定的，进而是可预测的，并且看过程能力是否符合要求，从而了解到过程是否存在特殊原因、普通原因的变差是否过大等致关重要的制程信息。制程只有在稳定，并且制程能力可以接受的情况下，方才进入管制状态。

· 解析与管制脱节

在完成制程解析后，如果我们认为制程是稳定且制程能力可接受的，那么，就进入管制状态。制程控制时，是先将管制线画在管制图中，然后依抽样的结果在管制图上进行描点。

那么，管制时管制图的管制线是怎么来的呢？管制图中的管制线是解析得来的，也就是说，过程解析成功后，管制线要延用下去，用于管制。很多工厂没能延用解析得来的管制线，管制图不能表明过程是稳定与受控的。

· 管制图没有记录重大事项

要知道，管制图所反应的是“过程”的变化。生产的过程输入的要项为5M1E（人、机、料、法、环、量），5M1E的任何变化都可能对生产出来的产品造成影响。换句话说，如果产品的变差过大，那是由5M1E其中的一项或多项变动所引起的。

如果这些变动会引起产品平均值或产品变差较大的变化，那么，这些变化就会在XBAR图或R图上反映出来，我们也就可以从管制图上了解制程的变动。发现有变异就是改善的契机，而改善的第一步就是分析原因，那么，5M1E中的哪些方面发生了变化呢？我们可以查找管制图中记录的重大事项，就可以明了。

所以，在使用控制图的时候，5M1E的任何变化，我们都要记录在管制图中相应的时段上。

· 不能正确理解XBAR图与R图的含义

当我们把XBAR-R管制图画出来之后，我们到底从图上得哪些有用的资讯呢？这要从XBAR及R图所代表的意义来进行探讨。

首先，这两个图到底先看哪个图？为什么？R反应的是每个子组组内的变差，它反映了在收集数据的这个时间段，制程所发生的变差，所以他代表了组内固有的变差；XBAR图反映的是每个子组的平均值的变化趋势，所以其反映的是组间的变差。

组内变差可以接受时，有明分组是合理的；组间变差没有特殊原因时，表明我们在一段时间内，对过程的管理是有效的、可接受的。所以，我们一般先看R图的趋势，再看XBAR图。

· 管制线与规格线混为一谈

当产品设计出来之后，规格线就已经定下来了；当产品生产出来后，管制图的管制线也定出来了。规格线是由产品设计者决定的，而管制线是由过程的设计者决定的，管制线是由过程的变差决定的。

管制图上点的变动只能用来判断过程是否稳定受控，与产品规格没有任何的联系，它只决定于生产过程的变差。

当西格玛小时，管制线就变得比较窄，反之就变得比较宽，但如果没有特殊原因存在，管制图中的点跑出管制界线的机会只有千分之三。

而有些公司在画管制图时，往往画蛇添足，在管制图上再加上上下规格线，并以此来判产品是否合格，这是很没有道理，也是完全没有必要的。

· 不能正确理解管制图上点变动所代表的意思

我们常常以七点连线来判定制程的异常，也常用超过三分之二的点在C区等法则来判断制程是否出现异常。如果是作业员，只在了解判定准则就好了；但作为品管工程师，如果不理解其中的原委，就没有办法对这些情况作出应变处理。

那么这么判定的理由是什么呢？

其实，这些判定法则都是从概率原理作出推论的。比如，我们知道，如果一个产品特性值呈正态分布，那么点落在C区的概率约为4.5%，现在有三分之二的点出现在4.5%的概率区域里，那就与正态分布的原理不一致了，不一致也就是我们所说的异常。

· 没有将管制图用于改善

大部分公司的管制图都是应客户的要求而建立，所以，最多也只是用于侦测与预防过程特殊原因变异的发生，很少有用于过程改善的。其实，当管制图的点显示有特殊原因出现时，正是过程改善的契机。

如果这个时候我们从异常点切入，能回溯到造成异常发生的5M1E的变化，问题的症结也就找到了。用就管制图进行改善时，往往与分组法、层别法相结全使用，会取得很好的效果。

· 管制图是品管的事情

SPC 成功的必要条件，是全员培训。每一个人员，都要了解变差、普通原因、特殊原因的观念，与变关有差的人员，都要能看懂管制图，技术人员一定要了解过度调整的概念等。

如果缺乏必要的培训，管制图最终只会被认为是品管人员的事，而其实我们知道，过程的变差及产品的平均值并不由品管决定，变差与平均值更多的是由生产过程设计人员及调机的技术人员所决定的。

如果不了解变差这些观念，大部分人员都会认为：产品只要合符规格就行了！显然，这并不是SPC的意图。所以，只有品管在关注管制图是远远不够的， 我们需要全员对管制图的关注。

· 没能找到正确的管制点

不知道哪些点要用管制图进行管制，花费大量的时间与人力在不必要的点上进行管制，殊不知SPC只应用于重点的尺寸（特性的）。

那么重点尺寸/性能如何确定呢?通常应用FMEA的方法，开发重要管制点，严重度为8或以上的点都是考虑的对象(如果客户有指明，依客户要求即可)。

PART.07

如何使用SPC控制图

01

休姆哈特控制图类型介绍

关于SPC控制图的制作步骤，我们来看个流程图：

上图中，黄色路径针对的是计量型数据，涉及四种控制图：

橙色路径是针对 计数型数据，同样涉及四种控制图：

【P】Chart --P控制图控制对象为不合格品率或合格品率等计数值质量指标的场合。

【np】Chart --np控制图控制对象为不合格品数，由于计算不合格品率需要进行除法，故在样本大小相等时，此图比较简单。

【c】chart --c控制图用于控制一部机器、一个部件、一定长度、一定面积或任何一定单位中所出现的缺陷数目，如铸件上的砂眼数，机器设备故障数等。

【u】chart --u控制图

当样品大小变化时应换算成每单位的缺陷数并用u控制图。

02

控制图制作步骤

上面8种控制图都属于休姆哈特控制图，其中 X-Bar & R chart 和 I & MR chart 是比较常用的两个。但不管是选择哪种图，都按以下步骤进行：

Step 1：根据数据类型和抽样计划确定控制图类型。

Step 2：使用收集的数据计算过程均值和控制限。

Step 3：计算绘图比例并将数据点, 过程均值和控制限绘制在控制图上。

Step 4：查找不受控的点

以下是SPC控制图实施的八大步骤：

1、 识别关键过程

一个产品品质的形成需要许多过程（工序），其中有一些过程对产品品质好坏起至关重要的作用，这样的过程称为关键过程，SPC控制图应首先用于关键过程，而不是所有的工序。因此，实施SPC，首先是识别出关键过程。然后，对关键过程进行分析研究，识别出过程的结构（输入、输出、资源、活动等）。

2、 确定过程关键变量（特性）

对关键过程进行分析（可采用因果图、排列图等），找出对产品质量影响最大的变量（特性）。

3、 制定过程控制计划和规格标准

这一步往往是最困难和费时，可采用一些实验方法参考有关标准。

4、 过程数据的收集、整理

5、 过程受控状态初始分析

采用分析用控制图分析过程是否受控和稳定，如果发现不受控或有变差的特殊原因，应采取措施。

注意：此时过程的分布中心（X）和均差σ、控制图界限可能都未知。

6、 过程能力分析

只有过程是受控、稳定的，才有必要分析过程能力，当发现过程能力不足时，应采取措施。

7、 控制图监控

只有当过程是受控、稳定的，过程能力足够才能采用监控用控制图，进入SPC实施阶段。

8、 监控、诊断、改进

在监控过程中，当发现有异常时，应及时分析原因，采取措施，使过程恢复正常。对于受控和稳定的过程，也要不断改进，减小变差的普通原因，提高质量降低成本。

如何选择合适的控制图？

企业在用SPC做品质控制的过程中，需要用到的工具手段就是控制图，控制图主要是一个统计管理工具。在SPC统计过程的，为不同的数据应用不同的控制图来统计。首先数据主要分为两大类，一个是计量型数据，另一个是计数型数据。

— SPC的作用 —

预防作用：

通过过去和现在的数据分析，识别到特殊原因，从而起到预警作用，减少因过程异常导致的损失。控制图有上下控制线，如果有异常的点，即使没有超过规格线，我们还是要预警，以减少损失。因为如果超过规格线再来预警就太迟了，那时候，大量的不良品已经产生了。

比较作用：

可以比较白晚班哪个班品质稳定、几个机台中哪个品质更稳，以及哪个改善方案更好等。

识别过程产生变异的原因：

这个要具体看是普通原因还是特殊原因造成的。如果是普通原因，根据结果有些是可接受的；相反，如果是特殊原因，那就说明过程有大问题，必须改善不可。例如，从控制图看，没有任何异常的点，但CPK就是小于1.33，这种情况就要进行分析了，看是不是要采取系统措施，如更换设备、更换材料、变更生产场地等。

— 如何运用SPC帮助企业改善品质 —

在批量生产前，我们就要评估过程能力是否充足，不充足就不能转量产。主要是避免量产后出现批量不良，导致频繁变更，从而影响公司信誉及交货。

在量产时，通过SPC提前预警，在出现不良前进行及时改善调整，避免品质事故、减少品质不良、降低品质成本。

UCL/CL/LCL

通过控制图，可以帮助我们针对品质问题进行原因分析，找到失效的主要缘由，并对普通原因与特殊原因加以区别，以避免改善的盲目性。返回搜狐，查看更多