张驰咨询：一文看懂六西格玛工具SPC(统计过程控制）

今天给大家介绍一下在六西格玛里面很常用的工具，叫做SPC（StatisticalProcessControl）中文叫做：统计过程控制。

说到SPC，我们不得不提一个人：沃特.阿曼德.休哈特（WalterA.Shewhart）当年他在贝尔实验室任职研究院。1924年5月16日那天，他在备忘录中向上级提出了使用控制图的建议，这就是现代统计控制过程理论的雏形。

对于跟质量打交道的朋友来说，统计过程控制这个概念应该很熟悉了。但是这里很容易，或者说很多人都有个误区：一说到SPC大家很自然的就想到控制图，以至于现在有很多人认为SPC等于控制图。其实不然统计过程控制是指使用统计学方法分析过程，以便对其进行监视、控制和改进。目标是造就稳定、一致的过程，从而产生尽可能少的缺陷。统计过程控制就是用统计分析的方法，针对的对象是“过程”，目的是使过程达到稳定受控。

SPC的中心思想是控制变异，从而避免产品缺陷。在任何过程中都有两种变异：常见原因和特殊原因。常见原因指导致任何过程中产生合乎规律的变异的原因。特殊原因是指通常（或有意）不是过程的一部分的异常事件。尽管任何过程中都会自然发生一定程度的常见原因变异，但确定并尝试消除变异的特殊原因非常重要。

从内容方面来讲，统计过程控制分为两大内容：

控制图：利用控制图分析的过程的稳定性，对过程存在的异常因素进行预警。

过程能力分析：计算过程能力指数分析稳定的过程能力满足技术要求的程度，对过程的质量进行评价。

我们首先来讲讲控制图原理：我们都知道质量和波动成反比，假如产品尺寸波动越大，产品质量越差，而产品过程由于有人机料法环等各种因素的影响。其中有些系统因素如温度或者电压波动等常见原因造成的影响，我们当然都只需要生产过程只有这些常见原因，至少大家不用写8D报告吧。比如我们期望测量一个产品的尺寸随时间的结果如下：

可是，实际情况呢，我们通常会遇到一些异常因素的影响，实际随时间抽样的产品测量结果可能是下面这样的：

因此呢，我们需要多产品测量的均值进行监控，同时，我们也需要对产品的散布（波动）进行测量监控，那么如何监控才能知道问题已经发生了呢？这个时候呢，就会用到我们在六西格玛里面最重要的正态分布特性，大家知道在±3个标准差的区间内概率为99.73%，因此如果我们抽样的所有点都在这个范围内，可以认为没有异常发生：

而有异常发生的判定标准如下：

①1个点落在3倍Sigma区以外

②连续9点落在中心线同一侧

③连续6点递增或递减

④连续14点中相邻点交替上下

⑤连续3点钟有2点落在中心线同一侧的2倍Sigma区以外

⑥连续5点钟有4点落在中心线同一侧的1倍Sigma区以外

⑦连续15点落在中心线两侧的1倍Sigma区内

⑧连续8点落在中心线两侧且无一在1倍Sigma区内

说到这里，必须给初学者强调的是，SPC图内上下控制线并不是规格上下线，比如零件的尺寸要求是1mm±0.05mm，这个±0.05mm是规格上下线，不是SPC图内的控制线，换句话说，我们生产的零件在SPC控制图上看到是没有问题的，但是并不代表这些零件是符合质量要求的，要解决这个问题，我们会用到下一步：过程能力分析，过程能力分析的前提是过程受控，过程受控为的是做能力分析，关于过程能力分析，我们放到下一篇文章再给大家讲讲吧。

对于不用的数据，例如是连续型数据，还是属性数据，是统计的不良品还是单元缺陷，对于不同的子组大小，我们使用的SPC图都不一样，有均值-极差控制图，均值-标准差控制图，单值-极差控制图；P不合格品控制图等等。初学者看到也会很糊涂，可是不用怕，我们有Minitab呢。

下面我们就以一个简单的案例来给大家介绍如何制作一张SPC控制图。这个案例呢，假如一个汽车零部件厂家的产品是车轮毂，而轮毂的直径是关键特性，检验员每2个小时从生产线抽取5个连续的车轮进行测量，这5个数据就构成了一个子组，一共进行了12组，即一天的数据一共60个数据。我们把测量好的数据放在一起如下：

这个时候打开我们的Minitab，点击“协助”下面的“控制图”，会出现下面这个界面：

根据我们这个案例来看，数据是连续型数据，而子组大小小于8，因此选择均值-极差控制图，将数据选择好之后：

确定之后就生成好了我们想要的SPC控制图，并且分析结果都已经做好啦，是不是很方便啊？

好了，关于SPC，就给大家介绍到这个地方吧，这个工具在质量管理中可是非常重要，也是非常常用的一个工具啦，希望通过张驰咨询的介绍，大家能够理解和使用SPC，如果还有很多的需求，欢迎给张驰咨询打电话哦～

原创声明：若需转发本文，须在文中给出原文链接，违者必究。