理解這幾張圖就理解SPC了

?統計過程控制（Statistical Process Control，SPC）是高端制造業質量管理的基石工具，通過統計方法監控生產過程穩定性，識別異常變差，實現預防性質量控制。在IATF16949質量管理體系中，SPC被列為必須應用的統計技術之一。

本系列知識卡片系統梳理了SPC的核心概念、控制圖原理、實施步驟和應用案例，幫助一線工程師快速掌握這一關鍵工具。所有內容嚴格遵循AIAG SPC手冊第二版標準，適用于新能源電池、芯片半導體、汽車零部件等精密制造行業。

核心價值： SPC不僅是監控工具，更是持續改進的引擎。通過數據驅動決策，企業能夠降低變異、減少浪費、提升過程能力，最終實現質量、成本、交付的綜合優化。

1

SPC定義與核心思想
核心概念解析

統計過程控制（SPC）是通過統計方法監控過程穩定性、識別異常變差的預防性質量工具。與傳統的"檢驗-返工"模式不同，SPC強調在過程中實時監控，防患于未然。

三大核心思想

• 預防為主： 通過過程監控提前發現異常趨勢，避免不合格品產生

• 數據驅動： 基于實際過程數據做出客觀決策，減少主觀判斷

• 持續改進： 形成"數據收集→過程監控→異常分析→改進措施"的PDCA閉環

2

SPC數據類型對比
兩類數據的基本區別

SPC處理的數據分為計量型（連續變量）和計數型（離散屬性），選擇正確的數據類型是應用SPC的前提。

關鍵要點： 計量型數據提供更豐富的過程信息，應優先采用；計數型數據在無法獲得計量值時作為補充。

計量型數據

• 定義： 可在連續尺度上測量的數據（如尺寸、重量、時間、溫度）

• 特點： 數據點包含"多少"的信息，可計算均值、標準差等統計量

• 適用場景： 零件尺寸控制、工藝參數監控、過程能力分析

• 常用控制圖： Xbar-R圖（均值-極差圖）、Xbar-S圖（均值-標準差圖）

• 定義： 按屬性分類計數的數據（如合格/不合格、通過/未通過）

• 特點： 數據點表示"是否"的狀態，只能統計比例或計數

• 適用場景： 外觀檢查結果、功能測試通過率、缺陷數量統計

• 常用控制圖： P圖（不合格品率圖）、U圖（單位缺陷數圖）

3

控制圖原理（CL/UCL/LCL）

控制圖的三條關鍵線

控制圖是SPC的核心工具，通過三條統計界限區分過程正常波動與異常變異：

• 中心線（CL）： 過程均值，代表過程的平均水平

• 上控制限（UCL）： 均值+3σ，正常波動的上限

• 下控制限（LCL）： 均值-3σ，正常波動的下限

控制限基于正態分布的3σ原則設定：在過程穩定且數據服從正態分布時，99.73%的數據點應落在UCL和LCL之間。超出控制限的點有統計學意義上的異常，需要調查特殊原因。

重要概念： 控制限基于過程實際數據計算，反映"過程能做什么"，而非基于規格限的"客戶要求什么"。

正常波動與特殊原因

控制圖將過程變異分為兩類：

1. 正常波動（偶因）： 始終存在、難以消除的隨機變異，由系統本身因素引起

2. 特殊原因（異因）： 非隨機、可識別、可消除的特殊變異，如設備故障、操作失誤、材料異常

4

常用控制圖類型
控制圖選擇決策樹

根據數據類型（計量型/計數型）和監控目標，SPC提供多種控制圖選擇：

計量型控制圖

• Xbar-R圖： 最常用組合，Xbar圖監控過程均值偏移，R圖監控過程變異

• 適用場景： 子組樣本量較小（n=2-10），需要同時監控均值和變異

• 數據要求： 連續測量數據，數據點可計算均值和極差

• P圖： 監控不合格品率，適用于樣本量可能變化的情況

• U圖： 監控單位缺陷數，適用于缺陷機會數固定的場景

• 適用場景： 外觀檢查、功能測試、缺陷統計等屬性數據

選擇指南： 優先使用計量型控制圖（信息量更豐富），當無法獲得計量數據時使用計數型控制圖。

特殊控制圖

除上述基本類型外，SPC還包括：

• 單值-移動極差圖（I-MR）： 樣本量n=1時的選擇

• C圖： 監控缺陷數（樣本量固定）

• EWMA圖： 對小偏移更敏感的指數加權移動平均圖

5

過程能力指數（Cp與Cpk）
過程能力的基本概念

過程能力指數衡量過程滿足規格要求的能力，是過程穩定后必須評估的關鍵指標。

Cp與Cpk的核心區別

• Cp（過程潛在能力）： 僅考慮過程散布（6σ）與規格公差（USL-LSL）的比值，假設過程中心與規格中心重合

• Cpk（過程實際能力）： 同時考慮過程散布和中心偏移，取距上下規格限較近一側的能力值

公式對比：
Cp = (USL - LSL) / 6σ
Cpk = min[(USL - μ)/3σ, (μ - LSL)/3σ]
其中μ為過程均值，σ為過程標準差

能力指數評價標準

• Cpk ≥ 1.67： 卓越過程（綠色區域）

• 1.33 ≤ Cpk < 1.67： 良好過程（綠色區域）

• 1.00 ≤ Cpk < 1.33： 可接受但需關注（黃色區域）

• Cpk < 1.00： 不可接受，需改進（紅色區域）

行業基準： 汽車行業通常要求Cpk ≥ 1.33，半導體行業要求Cpk ≥ 1.67。

6

SPC實施七步法
系統化的實施路徑

SPC成功實施需要系統方法，七步法提供了從準備到持續改進的完整路線圖：

1. 識別關鍵特性： 確定對產品質量影響最大的過程參數或產品特性

2. 選擇控制圖： 根據數據類型和監控目標選擇合適控制圖類型

3. 收集初始數據： 在過程穩定狀態下收集足夠數據（通常20-25個子組）

4. 計算控制限： 基于初始數據計算CL、UCL、LCL，建立控制基線

5. 實施監控： 將控制圖應用于日常過程，定期收集和繪制數據

6. 分析異常： 識別控制圖異常模式，調查根本原因

7. 持續改進： 采取糾正措施，優化過程，重新計算控制限

PDCA循環： 七步法本質上是PDCA（計劃-執行-檢查-處理）循環的具體應用，確保SPC不是一次性活動而是持續改進機制。

關鍵成功因素

• 管理層支持： SPC需要資源投入和組織變革

• 人員培訓： 操作員、檢驗員、工程師需掌握SPC基礎

• 數據完整性： 準確、及時的數據收集是SPC有效性的基礎

• 跨部門協作： 質量、生產、工藝、設備部門需緊密合作

7

SPC預警八大異常模式
控制圖異常模式識別

即使所有點都在控制限內，某些數據模式仍可能預示過程異常。AIAG SPC手冊定義了八種異常模式：

• 模式1：點出界 - 點超出UCL或LCL（最顯著異常）

• 模式2：連續9點同側 - 過程均值可能發生偏移

• 模式3：連續6點趨勢 - 過程存在系統性變化

• 模式4：連續14點交替 - 可能由兩臺設備或兩位操作員交替引起

• 模式5：連續3點中2點A區外 - 過程散布可能增大

• 模式6：連續5點中4點B區外 - 過程均值可能偏移

• 模式7：連續15點C區內 - 過程變異可能過小（需檢查數據真實性）

• 模式8：連續8點C區外 - 過程可能存在分層現象

分區概念： 控制圖從中心線向外分為A、B、C三個區域，每個區域寬度為1σ。異常模式識別基于點在區域間的分布規律。

異常原因與處置建議

每種異常模式對應不同的可能原因：

• 點出界： 測量錯誤、計算錯誤、材料批次異常、設備故障

• 連續同側： 工具磨損、操作員更換、環境變化（如溫度）

• 趨勢： 設備逐漸老化、工具逐漸磨損、季節性因素

• 交替： 兩臺設備差異、兩位操作員差異、兩批材料差異

處置流程： 識別異常→暫停過程→調查根本原因→采取糾正措施→驗證效果→更新控制限

8

SPC汽車零部件應用案例
案例背景

某汽車發動機缸體加工生產線，關鍵特性為缸孔直徑（公差±0.02mm）。過程穩定運行6個月后，Xbar-R圖出現異常模式。

問題識別

• 異常現象： Xbar圖連續8點上升趨勢，R圖連續5點超出UCL

• 過程表現： 缸孔直徑逐漸增大，過程變異明顯增加

• 質量影響： 不良率從0.8%上升至2.1%，接近內部警戒線

根本原因分析： 通過5Why分析發現，刀具磨損是主要原因。刀具壽命管理不到位，實際使用時間超過推薦壽命30%，導致加工尺寸逐漸偏移和變異增大。

改進措施

1. 緊急措施： 更換磨損刀具，隔離可疑批次產品

2. 糾正措施： 建立刀具壽命預警系統，設置使用時間提醒

3. 預防措施： 優化刀具更換計劃，增加過程能力監控頻次

• 過程恢復： 控制圖恢復正常，數據點隨機分布在控制限內

• 能力提升： Cpk從0.92提升至1.58，過程能力顯著改善

• 質量成果： 不良率從2.1%降至0.5%，年節約質量成本約120萬元