过程失控的噩梦：SPC控制图到底怎么看？

一、你的过程真的"稳定"吗？

这是一个经典的场景：产线运行正常，质检员按频次抽检，数据填进日报表，一切看起来风平浪静。突然有一天，客户投诉批量不良。你回头查检测记录——所有数据都在公差范围内。

这就是过程不稳定的典型症状：数据虽然合格，但过程已经在失控的边缘，只是你还没看出来。

统计过程控制（SPC）的意义就在于：在你发现问题之前，先发现趋势。

---

二、控制图的核心逻辑（5分钟搞懂）

2.1 自然波动 vs 异常波动

任何过程都会有波动。关键在于区分两种波动：

• 普通原因（Common Cause）： 过程固有的随机波动，比如环境的微小变化、材料的正常差异。这种波动无法消除，只能通过系统升级来降低。
• 特殊原因（Special Cause）： 可以识别和消除的异常因素，比如刀具磨损、操作失误、原料批次异常。

控制图的作用，就是把特殊原因从背景噪音中揪出来。

2.2 八种判异准则

控制图不是等数据"出界"才报警，以下八种模式都意味着过程异常：

现实中的典型场景： "连续6点上升"往往对应刀具磨损——每次切削尺寸都会偏大一点点，连续6件偏大后触发报警。如果你不看控制图只看公差，可能在零件超差后才发现问题。

---

三、Cpk 是什么？和 Cp 的区别

3.1 Cp：过程潜力

只衡量过程的精度（分散程度），不看"准不准"：

Cp = (USL - LSL) / 6σ

但 Cp 不关心你的数据中心是否偏移了目标值。一个精度很高但全部偏到下限附近的过程，Cp 可以很高。

3.2 Cpk：过程实际能力

同时考虑精度和准确度：

Cpk = min[(USL - μ) / 3σ, (μ - LSL) / 3σ]

常见误区： "Cpk > 1.33 就万事大吉了"——不对。Cpk > 1.33 只是说明当前过程能力够，但如果控制图上有7个点连续上升，哪怕Cpk还大于1.33，也必须停下来找原因。Cpk 衡量的是历史能力，控制图监控的是实时状态。

---

四、什么时候该用 SPC？

不是所有工序都需要 SPC。判断标准：

1. 关键特性（KPC/KCC）： 客户指定或FMEA中S≥7的特性
2. 计量型数据： 如长度、重量、扭矩等连续值（计数型用p图/np图）
3. 批量生产阶段： 试产阶段用初始过程能力研究（Ppk），量产阶段用持续监控（Cpk）

---

五、SPC 常见错误，看看你中招没

• 错误1：用公差线代替控制限。 控制限是 μ ± 3σ，跟你的公差一点关系都没有。用公差线画控制图等于什么都没监控。
• 错误2：频繁调整。 看到点在中心线两边跳就"调一调参数"，这叫过度控制——你本来没病，乱吃药反而吃出病了。
• 错误3：只看不出界就行。 八条判异准则，只看出界等于只看了1/8。连续6点上升的趋势比一两个点出界更可怕。
• 错误4：子组不合理。 每个子组内的零件必须是连续生产的，否则子组内的波动无法反映过程的真实短期变异。

---

如果你用的是澹墨质量的 SPC 工具，这些判异规则已经内置——数据输入后自动标红异常点，不用你自己一条一条对照八种模式检查。

你现在知道怎么看控制图的八种异常模式了，也知道 Cpk 1.33 和 1.67 分别意味着什么。但手动在 Excel 里画控制图、算上下控制限、逐条比对判异准则——一条产线十几个关键特性，做一遍至少半天。

澹墨质量的 SPC 工具把这些自动化了。 输入数据，自动生成控制图，自动标异常点，自动算 Cpk/Ppk。你只需要看报告里哪些点是红色——那些就是需要你关注的。

---

相关工具

• SPC控制图: 在线X-bar & R控制图，自动计算控制限、绘制趋势图，八种判异准则自动标记
• Cpk计算器: 输入数据秒算Cp、Cpk、Ppk，自动评估过程能力等级
• 鱼骨图: 发现异常后，用鱼骨图找到根本原因

相关文章

• 测量数据总是不准？你的测量系统可能"病得不轻"
• 鱼骨图 + 帕累托图：根因分析的黄金组合