SPC（Statistical Process Control，统计过程控制）是一种通过统计方法监控和改进过程质量的管理工具，它帮助企业识别过程中的变异，区分普通原因变异和特殊原因变异，从而实现过程的稳定性和可预测性，SPC的核心工具是控制图，通过设定控制限来监控过程表现，及时发现异常并采取纠正措施，以下将详细介绍SPC的使用方法,并结合实际案例进行说明。
SPC的基本原理
SPC基于统计学原理，假设过程输出呈正态分布，控制图通常由中心线（CL）、上控制限（UCL）和下控制限（LCL）组成，控制限的计算基于过程的历史数据，通常设定为均值±3倍标准差（即±3σ），数据点落在控制限内且无特定模式时，表明过程仅受普通原因变异影响，处于稳定状态；若数据点超出控制限或呈现非随机模式（如连续7点上升），则表明存在特殊原因变异,需立即调查并纠正。
SPC的实施步骤
-
确定关键质量特性（CTQ）
识别需要监控的过程输出参数，在制造业中，零件的尺寸、重量或强度可能是关键质量特性。 -
收集数据
按照预定的时间间隔或样本数量收集数据，数据需具有代表性，通常采用子组（subgroup）形式,每个子组包含多个样本。 -
计算控制限
根据收集的数据计算均值、极差（R）或标准差（s），进而确定控制限，对于XR控制图，需计算子组均值（X̄）和极差（R）的控制限。 -
绘制控制图
将数据点绘制在控制图上，标注中心线和控制限,并观察数据点的分布模式。 -
分析过程状态
判断过程是否受控，若数据点随机分布且无异常，则过程稳定；否则,需识别特殊原因并采取行动。
-
持续改进
对受控过程，可通过减少普通原因变异（如优化设备参数）来提升过程能力；对失控过程,需消除特殊原因后重新计算控制限。
SPC应用案例：汽车零部件生产
某汽车零部件厂生产发动机活塞，其直径规格为80±0.5mm，为监控生产过程，工厂决定采用XR控制图。
-
数据收集
每小时随机抽取5个活塞测量直径，共收集20组数据（n=5，k=20）。 -
计算控制限
- 子组均值（X̄）的总平均值为80.1mm。
- 极差（R）的平均值为0.4mm。
- X̄图控制限：UCL = X̄̄ + A₂R̄ = 80.1 + 0.577×0.4 ≈ 80.33mm；LCL = 80.1 0.577×0.4 ≈ 79.87mm。
- R图控制限：UCL = D₄R̄ = 2.114×0.4 ≈ 0.845mm；LCL = D₃R̄ = 0（因n≤7，LCL通常为0）。
-
绘制控制图
将20组X̄和R值分别绘制在控制图上，发现第12组X̄值为80.35mm，超出UCL（80.33mm）,表明过程失控。 -
分析与改进
调查发现，第12组数据异常是由于机床刀具磨损导致，更换刀具后，重新收集数据并计算控制限,过程恢复稳定。
SPC在不同行业的应用
SPC不仅适用于制造业，还可应用于服务业和医疗行业。
- 服务业：银行用SPC监控客户等待时间，优化服务流程。
- 医疗行业：医院用SPC分析手术感染率,提升医疗质量。
SPC的常见误区
- 控制限与规格限混淆
控制限反映过程变异，规格限是客户要求，两者无直接关联，过程受控不代表产品合格。 - 过度依赖控制图
SPC需结合其他工具（如鱼骨图、5Why分析）共同解决问题。
FAQs
SPC和六西格玛（Six Sigma）有什么区别？
SPC是过程监控工具，侧重于维持过程稳定；六西格玛是方法论，通过DMAIC（定义、测量、分析、改进、控制）流程减少变异，两者可结合使用,例如在六西格玛项目后期用SPC监控改进效果。
如何选择合适的控制图类型？
根据数据类型选择：
- 计量数据（如尺寸、重量）：用XR图、Xs图或单值移动极差图（IMR）。
- 计数数据（如缺陷数、不合格率）：用p图、np图、c图或u图，监控产品不合格率时,适合用p图。
