SPC 详解 SPC Practice

Hits: 624

什么是SPC？

SPC即统计过程控制，英文 Statistical process control，上世纪诞生的最伟大质量工具之一。一般来讲，SPC工具有广义和狭义之分。

广义的SPC包括传统的7大质量工具（the magnificent seven）：

1. Histogram  柱状图

2. Check sheet 检查表

3. Pareto chart 柏拉图

4. Cause-and-effect diagram 鱼骨图

5. Process flow diagram 过程流程图

6. Scatter diagram 散点图

7. Control chart 控制图

狭义SPC指的就是就是我们常说的控制图 Control Chart，一种对生产过程的关键质量特性值进行测定、记录、评估并监测过程是否处于控制状态的一种图形方法。

控制图除了众所周知的休姆哈特控制图（shewhart control chart）外，其实还有多种其他控制图，如累积和控制图CUSUM（cumulative sum control chart），指数加权移动平均控制图EWMA（Exponentially Weighted Moving-Average control chart）等。

这里有必要补充一点，当我们说到“质量工具”，往往更多地关注了工具的技术层面，而忽略了运用工具的“环境”。这种片面的认知常常导致工具应用的低效。虽然上面提到的7大质量工具是SPC的重要部分，但不能说SPC就是这7大工具，因为SPC还需要一个“持续改善，领导支持”的环境。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。

SPC的发展及应用历史

最早的控制图是由美国贝尔电话实验室的休姆哈特博士在1924年提出的P图-P Chart，后来此类控制图都被叫做休姆哈特控制图。从休姆哈特的P图算起，SPC理论从创立到今天已接近百年。

SPC理论创立之初，恰逢美国大萧条时期，该理论当时理论无人问津。后来二次世界大战时，SPC理论在帮助美国军方提升武器质量方面大显身手，于是战后开始风行全世界。不过二战后，美国无竞争对手，产品横行天下，SPC在美国并没有得到广泛重视。

日本二战战败后被美国接管，为了帮助日本的战后重建，美国军方邀请戴明到日本讲授SPC理论。1980年日本已居世界质量与劳动生产率的领导地位，其中一个重要的原因就是SPC理论的应用。1984年日本名古屋工业大学调查了115家日本各行业的中小型工厂，结果发现平均每家工厂采用137张控制图。

戴明在日本讲授SPC

因此，SPC无论是在欧美还是日本，都是非常重要的质量改进工具，所以大家有必要去深入认识SPC、应用SPC、推广SPC。

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。

你会接受一个漏掉蔬菜的汉堡吗？

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：1）经济性，即成本因素；2）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）。

为了便于理解SPC的理论，我们先回顾正太分布（Normal distribution）这个概念。

正态分布，又名高斯分布（Gaussian distribution），是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力，正态曲线呈钟型，两头低，中间高，左右对称因其曲线呈钟形，因此人们又经常称之为钟形曲线，如下图所示。

跳过正太分布函数的理论公式，我们通过例子来认识正态分布的一些特点：

假设某个森林中成年兔子的体重成正太分布，其平均体重为u,准差为σ。那么按正态分布的概率密度函数就可以得出：大概68%的兔子的体重会在-σ~+σ这个区间，大概95.5%的兔子的体重会在-2σ~+2σ这个区间，大概99.73%的兔子体重会在-3σ~+3σ区间，还有最瘦的0.135%和最胖的0.135%落在了+/-3σ以外。

如果我们把所有的兔子根据体重按下图在一个平地上进行摆放，我们就能大致画出一条优美的正太分布曲线。

上面内容的目的是告诉大家：例子中 “大概99.73%的兔子体重会在-3σ~+3σ区间” 跟SPC控制图中 “99.73%的落点会在-3σ~+3σ区间” 逻辑是一样的。

第一个问题：

“X-bar 图控制限的计算是均值+/-3个西格玛，因此会有99.73%的点会落在上下控制限内。但是按六西格玛理论，即使是一个达到六西格玛水平的完美过程，也会有一部分点落在3个西格玛与6个西格玛之间。那么为什么对于超出+/-3个西格玛的点，即使在六西格玛范围内，我们还要分析原因和制定纠正措施呢？”

 

你是否也有同样的困惑？

首先说这个问题逻辑上本身就问得有问题，但其仍然不失为一个好问题。为什么？进一步深入之前我们先看看控制图是个什么样子。

68%

95.5%

99.73%

上图是比较常见的X-bar Chart：横轴表示样本的编号(或者抽样时间) ；竖轴表示样本的质量特性,；中心线(center line)表示该质量特性的平均值 Process Mean （average）；上下控制限 UCL/LCL（upper/lower control limit）为均值+/-3倍样本标准差计算得到。

如果有点落在了上下控制限以外，这意味着过程出现了特殊原因Special cause而变得不受控out of control,那么我们就得分析并消除特殊原因。

“即使是一个达到六西格玛水平的完美过程，也会有一部分点落在3个西格玛与6个西格玛之间并且被接受，那么为什么有超出+/-3倍样本标准差(sample mean)控制限就得采取行动？”

答案是：控制图中的控制限不是规范限，点落在控制限意外并不意味着过程输出超出规范限，而是说过程输出可能发生了偏移 ，因此需要采取行动。

事实上提这个问题的人是把控制图中的控制限（均值+/-3倍样本标准差）和控制图要监控的这个过程的均值+/-3倍标准差搞混淆了，其实这是两个东西。

如果你还没有看明白，结合上一篇文章提到的中心极限定理我们再看看前文关于兔子的例子。兔子总体体重成正态分布，如果我们对兔子进行随机抽样，每次抽9只并计算均值，那么这些样本均值就会组建一个新的正太分布(下图中小的红色钟型曲线），而这个新分布的标准差将是总体标准差的1/3（1√9）。

按中心极限定理推论，可见只有对于单值移动极差图 I-MR Chart, 其控制限才有可能会和过程的3倍西格玛限重合，除此之外，控制限都会比3倍西格玛限更窄。

第二个问题：

抽样时，样本子组大小为什么建议是4或5？

接着前文我们知道，随着样本量n的增大，控制限会变得越来越窄，这意味着过程稍微有一点波动，就可能会有点落在控制限外，也就是说控制图会变得越来越敏感。小的样本量会降低控制图敏感度，也就是存在过程已经发生偏移却不能被发现的风险。

下图中从上至下4个图分别模拟了抽样子组 n=1,2,5,12 时，控制图探测异常的敏感度。

图中蓝色曲线表示原过程，红色曲线表示均值发生偏移后的过程。看第一个图我们发现，两条曲线覆盖的面积有比较大的部分是重叠的，也就是说如果对偏移后的过程进行抽样，那么结果有很大几率会落到偏移前过程的控制限内，这就意味着控制图不能发现异常。随着n增大，控制图敏感度上升，但是经济性会下降，所以综合考虑，一般子组大小确定为4或5比较合理。当然，如果需要，完全可以选择更大n值，以提高探测能力，如上面最后一个图所示。

问题三：

“控制图的上下控制限计算为均值+/-3倍样本标准差，那么为什么不+/-4倍或者+/-2倍？”

其实，控制图就是一个报警系统，任何一个报警系统都存在两类风险：第一类风险是误报警风险，我们用α表示，第二类风险是漏报警风险，我们用β表示。

α风险：即使过程处于受控状态时，也可能有某些点由于偶然原因落在控制限之外，这时按规则判断过程失控，这个判断是错误的，其发生概率为α。在3σ方式下，α=0.27%。如下图所示。

β风险：即使过程异常，仍会有部分点位于控制界限内，如果抽取到这样的产品，就会被误判为OK，从而犯了第二类错误，即漏发警报。犯第二类错误的概率记为β。如下图所示。

如何减少两类错误所造成的损失？调整UCL与LCL之间的距离可以增加或减少α和β。若此距离增加则α减少， β增大；反之则α，增大，β减少。故无论如何调整上下控制限的隔，两种错误都是不可避免的。

一个解决方案是：根据使两种错误造成的总损失最小的原则来确定UCL与LCL二者之间的最优间隔距离。经验证明：休哈特所提出的3σ方式较好，在不少情况下， 3σ方式都接近最优间隔距离。

因为常规控制图的设计思想是先确定犯第一类错误的概率α，再确定犯第二类错误的概率β。

按照3σ方式确定CL、UCL、LCL就等于确定了α =0.27%；在统计中通常采用α=1%，5%，10%三级，但休哈特为了增加使用者的信心，把常规控制图的α取的特别的小，这样β就比较大，这就需要增加第二类判异准则，即便点在控制限内，但当点排列不随机也表示存在异常因素。

这就是为什么常规控制图的判异准则有两类，即：点超出控制限就判异和控制限内点排列不随机判异两类。

接下来讲How，介绍如何使用SPC控制图。

一、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：

1. X-Bar & R chart–均值-极差控制图

最常用、最基本的 控制图，控制对象为长大衣、重量、强度、纯度、时间和生产量等计量值的场合。

2. I & MR chart–单值-移动极差图

此图灵敏度较其他三个图差一些，多用于以下场合：1）自动化检测（对每一个产品都检测）；2）破坏性取样，成本高；3）样品均匀，如化工等过程，多取样也没用。

3. X-Bar & S chart –均值-标准差控制图

与均值-极差图类似，只是用标准差图（S图）代替了极差图（R图）而已；极差计算简便故R图用得广泛，但当样本量n>=9时，应用极差估计总体标准差的效率减低顾最好用S图替代R图。

4. Xmed & R chart–中位数-极差控制图

同样 与均值-极差图类似，只是用中位数图代替了均值图；由于中位数可直接读出非常简单，故多用于现场需要把测定数据直接记入控制图进行管理的场合。

橙色路径是针对 计数型数据，同样涉及四种控制图：

1. 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。

2. 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。

3. 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。

4. 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。

二、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:

– a. 确定为什么不受控.

– b. 纠正过程的问题, 例如抽样计划, 数据收集方式等.

– c. 如果已识别出特定原因, 消除该不受控的点并且用增加的额外数

据点代替.

– d. 重新计算过程均值和控制限.

– e. 重新计算比例并将修订后的数据点, 过程均值和控制限绘制在图

上.

– f. 继续重复抽样过程直到所有必须的点都受控. 这就建立起了正确

的过程均值和控制限.

备注：我们把处于上述步骤 Step 4-d 之前的控制图叫做分析用控制图（Phase I ) ；d 之后的控制图叫做控制用控制图 (Phase II). 分析用控制图阶段就是过程参数未知阶段，而控制用控制图阶段则是过程参数已知阶段。

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。

三、控制图制作案例

我们将某轴类零件的直径尺寸作SPC监控，假如其Nomial尺寸为18.0mm,按上述4个步骤：

Step1

首先确定控制图类型：变量数据，且容易获取，因此确定选取X-bar & R chart.

Step2

收集数据，计算初始的均值及控制限。如下表，我们采集了m=25个子组，每个子组大小n=5，共计125个数据。

按如下公式分别可得到X-bar chart, R chart 的上下控制限。

Step 3

开始绘图描点，注意图表刻度比例要合适。

Step4

很幸运，我们没有发现异常点，说明过程本身是稳定和受控的，分析阶段完成，因此我们可将控制限延长开始后续的过程监控。

很多情况下, Step4之前，即“分析阶段” 会出现异常点, 在后续的 “控制阶段”也可能出现异常点，那么如何 “判异” 呢？

四、控制图判异

在控制图近百年发展中,先后有各种不同类型的判异准则被提出,如:

• Western Electric (WECO) rules
• Nelson Rules
• AIAG Rules
• Juran Rules
• ….

所以不同的文献资料列举的判异原则可能存在一些差异，我们在选取用哪些判异原则可以根据自己的情况来定。今天我们介绍Minitab中的8大判异准则(结合下图理解)：

• 在控制限之外的任何点
• 9 个连续的点在中心线的同一边
• 6 个连续的点连续上升或下降
• 14 个连续的点交互上升和下降
• 3 个点中有2个都在A区或之外
• 5 个点中有4个都在B区或之外
• 15 个连续的点在任一个C区
• 8 个点在C区之外

笔者结合自身的经验整理了一首诗：

一界外，9单侧，6连续，14升降，2/3 同侧A外，4/5 同侧B外，15 C 内，8 无C。

原则1

在控制限之外的任何点

原则2

3 个点中有2个都在A区或之外

原则3

5 个点中有4个都在B区或之外

原则4

连续15个点排列在中心线1个标准差范围内(任一侧)

原则5

连续8个点距中心线的距离大于1个标准差(任一侧)

原则6

连续9点位于中心线同一侧

原则7

连续6点上升或下降

原则8

连续14点交替上下变化

 

除了上面的休姆哈特控制图外，还有累积和控制图CUSUM、指数加权移动平均控制图EWMA等。

本系列文章参考资料：

1. 《Introduction to Statistical Quality Control》by Douglas C. Montgomery
2. 《Statistical Quality Control (SPC) reference manual》-AIAG

SPC实施中的十大误区

 没能找到正确的控制点  

不知道哪些点要用控制图进行控制，花费大量的时间与人力在不必要的点上进行控制，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，开发重要控制点，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)。

 没有适宜的测量工具  

计量值控制图需要用测量工具取得控制特性的数值，控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过程的分析与控制，否则控制图不能良好的应用于过程识别。而很多工厂忽略了这一点，导致做出来的控制图没办法有效的应用，甚至造成误导。

 没有分析生产过程，直接进行控制  

控制图的应用分为两个步骤：分析与控制。在进行过程控制之前一定要进行分析。分析的目的是确定过程是的稳定的，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至关重要的过程信息。过程只有在稳定，并且过程能力可以接受的情况下，方才进入控制状态。

 分析与控制脱节  

在完成过程分析后，如果我们认为过程是稳定且过程能力可接受的，那么，就进入控制状态。过程控制时，是先将控制线画在控制图中，然后依抽样的结果在控制图上进行描点。那么，控制时控制图的控制线是怎么来的呢？控制图中的控制线是分析得来的，也就是说，过程分析成功后，控制线要延用下去，用于控制。很多工厂没能延用分析得来的控制线，控制图不能表明过程是稳定与受控的。

 控制图没有记录重大事项  

要知道，控制图所反应的是“过程”的变化。生产的过程输入的要项为5M1E（人、机、料、法、环、测），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，我们也就可以从控制图上了解过程的变动。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？我们可以查找控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，我们都要记录在控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控制图画出来之后，我们到底从图上得哪些有用的信息呢？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，过程所发生的变差，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。

 控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，控制图的控制线也定出来了。规格线是由产品设计者决定的，而控制线是由过程的设计者决定的，控制线是由过程的变差决定的。控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，控制线就变得比较窄，反之就变得比较宽，但如果没有特殊原因存在，控制图中的点跑出管制界线的机会只有千分之三。而有些公司在画控制图时，往往画蛇添足，在控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

 不能正确理解控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；但作为质量工程师，如果不理解其中的原因，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。

 没有将控制图用于改善  

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，当控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。用就控制图进行改善时，往往与分组法、层别法相结全使用，会取得很好的效果

 控制图是质量部的事情  

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，都要能看懂控制图，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，控制图最终只会被认为是质量人员的事，而其实我们知道，过程的变差及产品的平均值并不由质量部决定，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，只有质量部关注控制图是远远不够的， 我们需要全员对控制图的关注。

SPC实施参与人员

SPC实施需要哪些岗位的人员参与呢？其实简单的说就是与生产相关的人员都要参与，建议参与SPC实施的人员至少包含：

• 工艺员
• 工艺管理人员
• 质检员
• 质量管理人员
• 生产操作人员
• 生产管理人员
• 设备管理人员
• 信息部门技术人员
• 信息部门管理人员
• 企业高层领导

实施SPC的步骤

实施SPC的步骤建议如下：

• 选择关键工序、关键参数
• 确定参数的控制图类型、子组、判异规则及预警
• 确定参数采集频率，进行数据采集，并进行数据清洗
• 实时监控分析
• 确定异常处理流程
• 确定质量改进流程

回放SPC的使用的故事：

我们产品上有一个关键的过程特性尺寸是12+/-0.05，这个特性在图纸上标注了特性符号，所以需要在制程中保证这个尺寸特性绝对没有问题。我审核的时候问：“12这个尺寸你们是怎么管控的？”

PQE：“我们用SPC管控”<很自信他们用了很高大上的一个工具似的>

我：“能展示给我看一下你们的SPC管控方法吗？”

PQE带我来到PQE办公室的电脑前，打开一个文件夹，然后找出SPC管控的一张Excel表单，点开给我看:

表头：过程能力CPK计算表；

下面是：尺寸特性的基本信息，包括中值12，下限：11.95，上限：12.05；

接下来是自动生成的Xbar图，接下来是极差图；

下面正太分布图；

接下来是5X25组的数据输入表。

我看了这个过程能力的计算表后，问PQE：”你们是如何用这张表单有效地监控12+/-0.05这个尺寸的呢？“

PQE说：“我们只要把巡检的数据输入进去，然后看有没有点落在管控限外面，如果没有就好了”

我：“好，那咱们来试验下，假设接下来的4个小时，我抽检了1组数据分别是：12.05，12.05，12.05，12.05，12.05.咱们输入到14：30 对应的数据表内，看看结果”

他将数据输入进去后，在Xbar控制图中出现了一个问题：那就是输入完12.05这组数据后，控制限变得很窄，前几个小时抽取的样品数据突然跑到控制线外面来了，然后供应商看着我，觉得好奇怪！

我笑着跟他们说：“很奇怪是吧？为什么前面抽取的合格点突然跑到控制限外面了吧？你们没有真正搞清楚SPC实施的2大步骤阶段：分析阶段和监控阶段。

在这两个阶段所使用的控制图分别被称为分析用控制图和控制用控制图。
分析阶段的主要目的在于：1.使过程处于统计稳态； 2.使过程能力足够。
分析阶段首先要进行的工作是生产准备，即把生产过程所需的原料、劳动力、设备、测量系统等按照标准要求进行准备。生产准备完成后就可以进行，注意一定要确保生产是在影响生产的各要素无异常的情况下进行；然后就可以用生产过程收集的数据计算控制界限，作成分析用控制图、直方图、或进行过程能力分析，检验生产过程是否处于统计稳态、以及过程能力是否足够。如果任何一个不能满足，则必须寻找原因，进行改进，并重新准备生产及分析。直到达到了分析阶段的两个目的，则分析阶段可以宣告结束，进入SPC监控阶段。

监控阶段的主要工作是使用控制用控制图进行监控。此时控制图的控制界限已经根据分析阶段的结果而确定，生产过程的数据及时绘制到控制上，并密切观察控制图，控制图中点的波动情况可以显示出过程受控或失控，如果发现失控，必须寻找原因并尽快消除其影响。监控可以充分体现出SPC预防控制的作用。

你恰恰是用了一张CPK分析表来做过程的监控，所以你会发现Xbar图的控制限会随着你采集到新的数据后变化。如果我们用SPC来做制程监控的时候，控制限是死的，不会变化的，这样才会有所谓的7大异常判断，不然这7大异常判读怎么实施。”

然后我给他们开了一个严重不符合项目：关键过程特性12的管控采用SPC手法管控，但是SPC的手法管控是错误的，控制无效！

还是第一次见到有人胡乱使用SPC，还用得自信满满，好像制程尽在其掌控之中似的，呃。。。我真是醉了！

在这给所有的朋友分享点经验，如果选择SPC来监控其制程，那么你需要确认的确是真的懂SPC，不能拿着一张CPK计算表格做过程控制，一个控制边界一直在变化的统计表，他们是怎么控制到现在的呢？

另外如果正确地选择了SPC控制的Xbar图表，你要确认控制限是不是核算出来的真实控制限而不是图纸上的上下公差。同时，控制限是需要随着过程性能提高而不断重新核算的，而不是一次计算用一辈子。

还有就是样本量和取样频次是否能够有效地覆盖每个班次，也就是4M变化的时候，是否能通过抽样覆盖到，如果不能，那就要加大取样频次，样本量，Xbar-R图控制一般取5个样品。

另外7大异常判读的方法，使用人是不是真的懂了。

过程控制的时候，只有上述内容确认没问题了，那么SPC过程管控才是有效的，不然跟没做是一样一样一样滴！

以上摘录自公众号 “ IATF16949服务平台 ”