"这批零件尺寸都在公差范围内，为什么还要判不合格？"
因为合格不等于受控。统计过程控制（SPC）的核心，是把质量管理从"事后挑出不良"推进到"事前发现异常"。
这篇文章讲清 SPC 的底层逻辑、控制图怎么读、过程能力怎么算，以及最常见的误用。
一、两个最容易被混淆的概念
| 概念 | 回答的问题 | 关注对象 |
|---|---|---|
| 过程是否受控（Control） | 过程稳定吗？只有普通原因在起作用吗？ | 过程随时间的变化 |
| 过程是否有能力（Capability） | 过程能满足规格要求吗？ | 过程输出与公差的匹配 |
关键认知：
- 受控 ≠ 有能力：过程很稳定，但全部超出公差（稳定地生产不良品）
- 有能力 ≠ 受控：偶尔几件在公差内，但过程忽高忽低，随时会出事
正确的顺序是：先让它受控，再评价能力，最后才是改善能力。
二、变异的两种原因
休哈特把过程变异分成两类，这是 SPC 的理论基石。
| 类型 | 定义 | 占比 | 处理方式 |
|---|---|---|---|
| 普通原因（Common Cause） | 过程固有的、始终存在的随机变异 | 约 85% | 属于系统问题，需管理层改变系统（设备、材料、工艺） |
| 特殊原因（Special Cause） | 偶发的、可归因的异常变异 | 约 15% | 现场人员可以识别并消除 |
最常见的管理错误：把普通原因当特殊原因处理（反复调整设备，反而放大变异），或把特殊原因当普通原因处理（认为"这很正常"，放过异常）。
经典演示：漏斗实验（Deming）
- 规则 1：不动漏斗 → 变异最小
- 规则 2：根据上次落点反向调整 → 变异增加
- 规则 3：以上次落点为基准调整 → 变异剧增
- 规则 4：以最后一个落点为目标 → 完全失控
教训：对稳定的过程进行不必要的干预，会让质量变得更差。
三、控制图：结构与原理
3.1 一张控制图的三个部分
UCL（上控制限）
─────────────
● ● ● ● ← 中心线 CL
─────────────
LCL（下控制限）
- 中心线 CL：过程均值
- 上/下控制限 UCL/LCL：通常设为 ±3σ（即 3 倍标准差）
为什么是 3σ：在正态分布下，99.73% 的数据落在 ±3σ 内。超出即为小概率事件，提示有特殊原因。
3.2 控制限 ≠ 规格限
必须强调的关键区别：
| 控制限（UCL/LCL） | 规格限（USL/LSL） | |
|---|---|---|
| 来源 | 过程数据计算得出 | 客户/设计要求给定 |
| 含义 | 过程"实际能做到"的范围 | 产品"必须满足"的范围 |
| 用途 | 判断过程是否稳定 | 判断产品是否合格 |
控制图上不应画规格线——把两者混在一张图上，是现场最常见的误用之一。
四、常用控制图选型
| 数据类型 | 子组大小 | 推荐控制图 |
|---|---|---|
| 计量型（长度、重量、时间） | n = 1 | I-MR 单值移动极差图 |
| 计量型 | 2 ≤ n ≤ 10 | X-bar & R 均值极差图（最常用） |
| 计量型 | n > 10 | X-bar & S 均值标准差图 |
| 计数型（合格/不合格） | 样本量固定 | p 图（不合格品率） |
| 计数型 | 样本量不固定 | p 图（变控制限） |
| 计数型（缺陷数） | 单位面积固定 | c 图（缺陷数） |
| 计数型（缺陷数） | 单位面积不固定 | u 图（单位缺陷数） |
选型口诀：先看"计量还是计数"，再看"样本量是否固定"。
五、X-bar & R 控制图完整算例
场景：某轴加工工序，每小时抽 5 件测直径，共抽 25 组。
5.1 收集数据
假设前 5 组数据如下（单位 mm）：
| 子组 | x1 | x2 | x3 | x4 | x5 | 均值 x̄ | 极差 R |
|---|---|---|---|---|---|---|---|
| 1 | 20.02 | 19.98 | 20.01 | 20.03 | 19.99 | 20.006 | 0.05 |
| 2 | 20.00 | 20.04 | 19.97 | 20.02 | 20.01 | 20.008 | 0.07 |
| 3 | 19.99 | 20.01 | 20.00 | 19.98 | 20.02 | 20.000 | 0.04 |
| 4 | 20.05 | 20.03 | 20.06 | 20.02 | 20.04 | 20.040 | 0.04 |
| 5 | 20.01 | 19.99 | 20.00 | 20.00 | 20.02 | 20.004 | 0.03 |
（实际应累积 25 组，此处为示意）
5.2 计算总均值与平均极差
总均值 x̄̄ = Σx̄ / k （k 为子组数）
平均极差 R̄ = ΣR / k
假设 25 组后：x̄̄ = 20.010 mm，R̄ = 0.048 mm
5.3 计算控制限
X-bar 图的控制限系数（n=5）：A2 = 0.577
UCL(x̄) = x̄̄ + A2 × R̄ = 20.010 + 0.577 × 0.048 = 20.0377
CL(x̄) = x̄̄ = 20.010
LCL(x̄) = x̄̄ − A2 × R̄ = 20.010 − 0.577 × 0.048 = 19.9823
R 图的控制限系数（n=5）：D4 = 2.114，D3 = 0
UCL(R) = D4 × R̄ = 2.114 × 0.048 = 0.1015
CL(R) = R̄ = 0.048
LCL(R) = D3 × R̄ = 0（n<7 时为 0）
5.4 常用系数表
| n | A2 | D3 | D4 | d2 |
|---|---|---|---|---|
| 2 | 1.880 | 0 | 3.267 | 1.128 |
| 3 | 1.023 | 0 | 2.574 | 1.693 |
| 4 | 0.729 | 0 | 2.282 | 2.059 |
| 5 | 0.577 | 0 | 2.114 | 2.326 |
| 6 | 0.483 | 0 | 2.004 | 2.534 |
| 7 | 0.419 | 0.076 | 1.924 | 2.704 |
5.5 估算过程标准差
σ̂ = R̄ / d2 = 0.048 / 2.326 = 0.0206 mm
六、控制图的判异准则
点超出 ±3σ 只是最基础的一条。为提升灵敏度，行业普遍采用八大判异准则（Nelson Rules / 国标 GB/T 4091）。
6.1 八大判异准则
| 编号 | 准则 | 提示的异常 |
|---|---|---|
| 1 | 1 点超出 ±3σ | 特殊原因出现 |
| 2 | 连续 9 点位于中心线同侧 | 过程均值偏移 |
| 3 | 连续 6 点递增或递减 | 趋势性变化（如刀具磨损） |
| 4 | 连续 14 点交替上下 | 系统性交替（如两班制、两台设备混用） |
| 5 | 连续 3 点中有 2 点超出 ±2σ | 过程变异增大 |
| 6 | 连续 5 点中有 4 点超出 ±1σ | 均值小幅偏移 |
| 7 | 连续 15 点位于 ±1σ 内 | 数据分层不当或控制限过宽 |
| 8 | 连续 8 点位于 ±1σ 外（两侧） | 双峰分布，数据混合了两种来源 |
实务提醒：准则越多，灵敏度越高但误报率也越高。现场建议优先启用准则 1、2、3、5。
6.2 判异后的处理流程
- 确认测量是否正确（先怀疑测量系统）
- 检查数据记录与录入
- 排查 5M1E：人（Man）、机（Machine）、料（Material）、法（Method）、测（Measurement）、环（Environment）
- 找到特殊原因 → 消除 → 记录
- 剔除异常点后，重新计算控制限
- 更新控制限并持续监控
七、过程能力分析：Cp 与 Cpk
7.1 定义与公式
Cp（过程能力指数）：衡量过程的潜在能力，只考虑变异大小，不考虑偏移。
USL − LSL
Cp = ─────────────
6σ
Cpk（过程能力指数）：衡量过程的实际能力，同时考虑变异与偏移。
Cpk = min(CPU, CPL)
USL − μ μ − LSL
CPU = ───────── CPL = ─────────
3σ 3σ
其中 μ 为过程均值。
7.2 算例
某轴直径规格：20.00 ± 0.05 mm（即 LSL = 19.95，USL = 20.05） 过程均值 μ = 20.010，σ̂ = 0.0206
Cp = (20.05 − 19.95) / (6 × 0.0206) = 0.10 / 0.1236 = 0.81
CPU = (20.05 − 20.010) / (3 × 0.0206) = 0.040 / 0.0618 = 0.647
CPL = (20.010 − 19.95) / (3 × 0.0206) = 0.060 / 0.0618 = 0.971
Cpk = min(0.647, 0.971) = 0.647
结论：Cp = 0.81，Cpk = 0.65，过程能力不足。Cpk 明显低于 Cp，说明均值偏离中心是主要问题——把均值调回 20.00，Cpk 可提升至接近 0.81。
7.3 评价标准
| Cpk 值 | 等级 | 不合格率（约） | 处理 |
|---|---|---|---|
| ≥ 1.67 | 特级 | < 0.6 ppm | 可考虑放宽检验 |
| 1.33 ≤ Cpk < 1.67 | 一级 | 0.6–63 ppm | 理想状态，多数客户要求 ≥1.33 |
| 1.00 ≤ Cpk < 1.33 | 二级 | 63–2700 ppm | 可接受但需改进 |
| 0.67 ≤ Cpk < 1.00 | 三级 | 2700–45500 ppm | 不合格，需全检并改善 |
| < 0.67 | 四级 | > 45500 ppm | 严重不足，需停产改善 |
六西格玛标准：Cpk = 2.0 对应 6σ 水平（考虑 1.5σ 长期偏移）。
7.4 Cp 与 Cpk 的四种组合
| 情况 | 含义 | 对策 |
|---|---|---|
| Cp 高，Cpk 高 | 变异小、居中 | 理想 |
| Cp 高，Cpk 低 | 变异小但偏移大 | 优先调整均值（最容易改善） |
| Cp 低，Cpk 低 | 变异大且偏移 | 先减小变异（设备、材料、方法） |
| Cp 低，Cpk 高 | 不可能（Cpk ≤ Cp） | — |
实务要点：看到 Cpk 低，先看 Cp。如果 Cp 高而 Cpk 低，调均值即可，不必投入重资产改造。
八、SPC 实施的关键前提
8.1 测量系统必须可靠
在做 SPC 之前，必须先做 MSA（测量系统分析），确认：
- 重复性（同一人多次测量的一致性）
- 再现性（不同人测量的一致性）
- GR&R（量具重复性与再现性）通常要求 < 10% 可接受，< 30% 有条件接受
测量系统不可靠时做 SPC，得到的全是噪声。
8.2 数据必须真实
- 抽样要随机，不能"挑好的测"
- 记录要及时，不能事后补填
- 数据分层要合理（不同设备、不同班次的数据应分开或标注）
8.3 抽样方案要合理
| 要素 | 建议 |
|---|---|
| 子组大小 | 计量型常见 n = 4–5 |
| 抽样频率 | 过程不稳定时加密，稳定后可放宽 |
| 子组内变异 | 应尽量小（同一批次、短时间内连续取样） |
| 子组间变异 | 应能反映过程随时间的变化 |
子组内取样的黄金法则：组内只包含普通原因，组间才可能暴露特殊原因。
九、常见误用清单
| 误用 | 后果 |
|---|---|
| 把规格线画在控制图上 | 混淆"受控"与"合格" |
| 用控制限判断产品合格与否 | 控制限是给过程用的，不是给单个产品用的 |
| 未做 MSA 就上 SPC | 分析结果不可信 |
| 过程不稳定就计算 Cpk | 数据无意义（Cpk 的前提是过程受控） |
| 控制限从不更新 | 过程改善后控制限应重新计算 |
| 对稳定过程频繁调整 | 漏斗实验：越调越差 |
| 只画不动作 | SPC 沦为墙上的装饰 |
十、与六西格玛的关系
SPC 是六西格玛 DMAIC 中 C（控制）阶段的核心工具：
| DMAIC 阶段 | SPC 的角色 |
|---|---|
| D 定义 | 确定关键质量特性 CTQ |
| M 测量 | MSA + 过程能力基线（Cpk 现状） |
| A 分析 | 用控制图识别变异来源 |
| I 改善 | 用 DOE 找到最优参数 |
| C 控制 | 用控制图固化改善成果，持续监控 |
一句话：改善的成果，靠控制图守住。
延伸阅读
- 《工业工程必备软件地图：从 Excel 到 FlexSim，每个阶段该学什么》（含 Minitab 操作建议）
相关阅读
- 质量管理七大手法：从检查表到控制图的完整工具箱：七种不需要高深统计就能上手的质量工具，含柏拉图算例、5 Whys 示例、直方图六种形态判断与…
- 六西格玛 DMAIC 完整指南：从 DPMO 到改善闭环：讲清 3.4 DPMO 与 1.5σ 偏移的真正含义，逐阶段拆解 DMAIC 的交付物：SI…
- 质量管理完全学习指南：从 QC 七大手法到六西格玛：质量问题的本质是变异，质量管理的所有方法都在描述变异、区分变异、减小变异。本文按四层展开：质…
- 质量管理七项原则（附八项原则对照）：从 ISO 9001 条文到车间里可执行的动作：把七项质量管理原则逐条翻译成现场动作：VOC→CTQ 展开与 Kano 的 Better/W…
- Minitab 工业工程实战指南：从数据到结论的完整链路：工业工程领域出镜率最高的统计软件。本文按拿到数据后的真实使用顺序组织：数据导入清洗、图形化汇…
