干货详解—质量管理的统计利剑SPC

大家好，欢迎来到IT知识分享网。

工业革命以后，随着生产力的进一步发展，大规模生产的形成，如何控制大批量产品质量，成为一个突出问题，单纯依靠事后检验的质量控制方法已不能适应当时经济发展的要求，必须改进质量管理方式。

于是，英、美等国开始着手研究用统计方法代替事后检验的质量控制方法。

1924年，美国的休哈特博士提出将3Sigma原理运用于生产过程当中，并发表了著名的“控制图法”，对过程变量进行控制，为统计质量管理奠定了理论和方法基础。那么，什么是控制图法？

控制图因其用法简简单且效果显著，人人能用，到处可用，遂成为实施品质管制不可缺少的主要工具当时称为(StatisticalQuality Control)。

二战期间，戴明为美国工业制定了标准化的SPC，战后被引入日本。SPC逐渐成为六西格玛，丰田生产模式（TPS）和精益制造的关键部分。

PART/ 01

什么是SPC

SPC理论的起源与发展

SPC理论创立之初，恰逢美国大萧条时期，该理论当时理论无人问津。后来二次世界大战时，SPC理论在帮助美国军方提升武器质量方面大显身手，于是战后开始风行全世界。不过二战后，美国无竞争对手，产品横行天下，SPC在美国并没有得到广泛重视。

日本二战战败后被美国接管，为了帮助日本的战后重建，美国军方邀请戴明到日本讲授SPC理论。1980年日本已居世界质量与劳动生产率的领导地位，其中一个重要的原因就是SPC理论的应用。

1984年日本名古屋工业大学调查了115家日本各行业的中小型工厂，结果发现平均每家工厂采用137张控制图。

戴明在日本讲授SPC

因此，SPC无论是在欧美还是日本，都是非常重要的质量改进工具，所以大家有必要去深入认识SPC、应用SPC、推广SPC。

SPC的概念

我们来看一下SPC的概念，SPC，它的英文叫Statistical Process Control。

中文就叫统计过程控制。

含义–利用统计技术对过程中的各个阶段进行监控，从而达到保证产品质量的目的。

统计技术—-数理统计方法。

控制图也叫管制图，最早是由休哈特提出，是控制生产过程状态，保证工序加工产品质量的重要工具。

应用控制图可以对工序过程状态进行分析、预测、判断、监控和改进。如图所示，是以单值控制图，即x图为例说明一般控制图的基本模式。

控制图通常由一条中心线、上控制限（UCL）和下控制限（LCL）组成。中心线表示过程的平均值，而控制限则反映过程的正常波动范围。

数据点在控制限内波动说明过程在控制中，而数据点落在控制限之外则意味着过程出现了特殊因素，需要进行进一步分析和处理。

• 横坐标：以时间先后排列的样本组号。
• 纵坐标：质量特性或样本统计量

(如：样本平均值x)。

• 上控制界限UCL：Upper Control Limit
• 下控制界限LCL：Lower Control Limit
• 中心线CL：ControlLimit

下面我们来把SPC和常用的这个全检和抽检来进行一下比较，以此来说明SPC的特点，首先，这个全检和抽检它都是针对事后检验。

SPC广义狭义的概念

广义的SPC包括传统的7大质量工具

(the magnificent seven)：

Histogram 柱状图

Check sheet 检查表

Pareto chart 柏拉图

Cause-and-effect diagram 鱼骨

Process flow diagram 过程流程图

Scatter diagram 散点图

Control chart 控制图

狭义SPC指的就是我们常说的控制图 Control Chart，一种对生产过程的关键质量特性值进行测定、记录、评估并监测过程是否处于控制状态的一种图形方法。

控制图除了众所周知的休姆哈特控制图（shewhart control chart）外，其实还有多种其他控制图，如累积和控制图CUSUM（cumulative sum control chart），指数加权移动平均控制图EWMA（Exponentially Weighted Moving-Average control chart）等。

这里有必要补充一点：当我们说到“质量工具”，往往更多地关注了工具的技术层面，而忽略了运用工具的“环境”。

这种片面的认知常常导致工具应用的低效。虽然上面提到的7大质量工具是SPC的重要部分，但不能说SPC就是这7大工具，因为SPC还需要一个“持续改善，领导支持”的环境。

如果一个企业没有追求持续改善的文化环境，也没有最高管理层对这种文化环境的追求，那么SPC就不能发挥其威力，这时候SPC就不是真正的SPC了。

我想”橘生淮南则为橘，橘生淮北则为枳”大概也就是这个道理。

质量管理

七大统计工具简介

• 质量管理七大统计工具包括检查表、层别法、柏拉图、因果图、散布图、直方图和控制图。这些工具在质量管理的各个阶段都发挥着重要作用。检查表用于收集和整理数据；层别法用于将数据分层分类以便更好地分析；柏拉图用于找出影响质量的主要因素；因果图用于分析质量问题的产生原因；散布图用于研究两个变量之间的关系；直方图用于展示数据的分布情况；而控制图则是SPC的核心工具之一，用于监控生产过程的稳定性和受控状态。

SPC与五大工具的关系

SPC与MSA：SPC应在MSA分析后进行。为了了解测量误差是如何影响被研究的测量值，必须先进行测量系统分析。

SPC与FMEA的关系：SPC是统计工具，必须在FMEA中体现，但是在FMEA中哪个栏位体现，预防还是控制？

SPC与APQP：SPC研究初始能力研究应在APQP的第四阶段进行；

SPC与量产阶段：须依APQP输出的控制计划的规定（一般产品特殊特性需要实施SPC），对量产过程实施SPC控制。

SPC与PPAP：SPC初始能力研究的结果，作为PPAP的一项要求，提交给顾客批准。

PART/ 02

常见的SPC图

• Xbar-R图：均值-极差图。
• Xbar-S 图：均值-标准差图。
• P图：用于可变样本量的不合格率图。
• NP图：用于不可变样本量的不合格率图。
• U图：用于可变样本量的单位缺陷数。
• C图：用于不可变样本量的缺陷数。

“还包含

I-MR图：单值-移动极差图。

MA图：移动平均控制图。

EWMA图：指数加权移动平均控制图。

Z-MR图：标准化控制图。

CUSUM图：累计和控制图。

多变量控制图，等等。

以下是Xbar-S控制图样例：

常见的控制图一共六个，共七个图。其中Xbar-R图是Xbar图和R图的组合，Xbar-S图是Xbar图和S图的组合。其余控制图或者是这些基础控制图的衍生，或者很少用到。因此下面只针对这七个图进行说明。

[ Xbar图 ]

中央极限定理：通常，一个产品的质量是上下波动且客观的，而且往往一个特性值的数据，我们很难知道其具体的数据分布类型。

因此，当我们拿到一系列的测量值时，我们根本不知道这些数据中，哪些是正常的数据，哪些是不正常的数据。异常数据往往会改变其所有数据的分布类型。

为了判断数据的正常和不正常，运用了一个统计原理：“中央极限定理”。大意是无论一个数据是什么分布类型，只要其存在理论的平均值，其抽样的平均值符合正态分布。

基于正态分布的运用：

正态分布是趋中性质的分布，当数据异常发生时，那么这个数据一定会偏大或者偏小。在统计概率上，这个数据应该是不会发生的，因此可以判断为异常。

SPC的一般规则，是用3σ（3标准差）的规则去判定异常，约0.3%的概率。

将控制图上下限之间分为三个区域（A,B,C），每个区域界限对应一个σ（标准差）。控制线基于历史数据设计控制线，或者仅针对抽样本身数据分析设定控制线。

八大法则：

一点落在A区以外；

连续9点落在中心线同一侧；

连续6点递增或递减；

连续14点相邻点上下交替；

连续3点有2点落在中心线同一侧的B区以外；

连续5点中有4点落在中心线同一侧的C区以外；

连续15点在C区中心线上下；

连续8点在中心线两侧且无一在C区内。

这些八个法则的发生概率都是“小于0.27%”。以“2、连续9点落在中心线同一侧”举例，一个点发生的概率是0.5，那么9个点就是0.5^9=0.19%。SPC认为这样小概率事件，在实际质量控制中是不会发生的。其余的法则也都是可以计算其概率。

需要注意的是：

法则1至法则4，并不是需要正态分布。

法则5至法则8，是基于正态分布。

因此只有XBar图及衍生图形是8个法则，而其他图形都是4个法则（法则1至法则4）。

SPC的Xbar图是针对“均值”，也是观察“异常的点”，应基于SPC样本本身统计。因此和“规格值”没有关系。在很多SPC软件中，会在Xbar图中选择“显示规格”；也会把规格值做n开方当作SPC的控制线，是错误的。

[ R图和S图 ]

基于卡方分布的应用：因为至观察样本均值，其实对于离散较大但均值变化不大的样本，有很大的问题。所以增加了观察样本组内的异常的图形。

R极差是指的样本最大值减最小值（R=Max-Min），当样本数小于6时，选R图；

S标准差是组内的样本标准差，当样本数不小于6时，选S图。

这两个图形都是观察样本组内的变异，而Xbar图是观察样本组间变异。无论是R极差还是S标准差，都是偏态分布（卡方分布），不符合正态分布。

但是，无论是R图还是S图，其控制线的标准化计算方法都是对称的（UCL-CL=CL-LCL）。控制线基于历史数据设计控制线，或者仅针对抽样本身数据分析设定控制线。通常是和Xbar图同时完成。

因此在八大法则，通常意义上，R图只能用法则1至法则4；

一点落在A区以外；

连续9点落在中心线同一侧；

连续6点递增或递减；

连续14点相邻点上下交替；

特别说明：

XBar-R/S是有先天缺陷的。越是呈现正态分布的样本数据，其控制效果越好；而越是偏离正态分布的样本数据，其控制越难。R/S图对组内差异的侦测会稍显不足，而Xbar图是针对批次整体的。并不能有效侦测某个具体产品的失效，当其没有被抽样抽到时。

[ P图和NP图 ]

基于二项式分布的应用：经常性，需要对“不合格率”进行统计分析。在统计学上，“合格/不合格”是二项式分布。二项式分布在n比较大的时候也可以近似正态分布。

P图是样本不固定的情况下的控制图；

NP图是样本固定的情况下的控制图。

下图是一个P图，中间的点就是“不良率的趋势图”。而控制线是锯齿形的，因为样本数量不一样，其置信区间是不一样的。

（1/10和10/100，虽然都是10%，但是估算其母体的缺陷率的可信度是不一样的。）

与NP图不一样的是其控制线是“直线”，因此NP图完全可以用P图替代。

八大法则，P图和NP图只能使用前四个；

一点落在A区以外；

连续9点落在中心线同一侧；

连续6点递增或递减；

连续14点相邻点上下交替。

特别说明：

当np较小时（np≤5），不建议做SPC。因为在统计学中，发生概率小于5的事件，其统计管理的效果会比较差。建议很多接近0缺陷要求的缺陷，只做趋势图，而不必要做控制线。以下是二项式分布的一个样例图。（n=样本数，p=缺陷比率）

[ U图和C图 ]

基于泊松分布的应用：泊松分布比较不容易理解。我们会做抽样，分子是小于分母的，但是如果一个样本可能有多个缺陷，那么分子理论上是可能大于分母的。这样的数据分布就是泊松分布。

泊松分布是计数型

有时我们需要统计每天的缺陷数量，一个产品可能出现多个缺陷，就需要U/C图。

U图：用于可变样本量的单位缺陷数。

C图：用于不可变样本量的缺陷数。

下图是一个C图，缺陷本身是“整数”，而控制线有小数。（U图控制线为锯齿状）

八大法则，U图和C图只能使用前四个；

一点落在A区以外；

连续9点落在中心线同一侧；

连续6点递增或递减；

连续14点相邻点上下交替；

特别说明：

U图和C图在缺陷数n比较小时（n≤5），不建议做SPC。因为在统计学中，发生概率小于5的事件，其统计管理的效果会比较差。建议很多接近0缺陷要求的缺陷，只做趋势图，而不必要做控制线。

其余相对复杂的SPC控制图几乎也只是这四种分布的衍生，只是统计公式上会有差异。

PART/ 03

控制图绘制实施步骤

关于SPC控制图的制作步骤，我们来看个流程图：

上图中，黄色路径针对的是计量型数据，涉及四种控制图：

X-Bar & R chart–均值-极差控制图最常用、最基本的 控制图，控制对象为长大衣、重量、强度、纯度、时间和生产量等计量值的场合。

I & MR chart–单值-移动极差图此图灵敏度较其他三个图差一些，多用于以下场合：自动化检测（对每一个产品都检测）；破坏性取样，成本高；样品均匀，如化工等过程，多取样也没用。

X-Bar & S chart –均值-标准差控制图与均值-极差图类似，只是用标准差图（S图）代替了极差图（R图）而已；极差计算简便故R图用得广泛，但当样本量n>=9时，应用极差估计总体标准差的效率减低顾最好用S图替代R图。

Xmed & R chart–中位数-极差控制图同样 与均值-极差图类似，只是用中位数图代替了均值图；由于中位数可直接读出非常简单，故多用于现场需要把测定数据直接记入控制图进行管理的场合。

橙色路径是针对 计数型数据，同样涉及四种控制图：

【P】Chart –P控制图控制对象为不合格品率或合格品率等计数值质量指标的场合。

【np】Chart –np控制图控制对象为不合格品数，由于计算不合格品率需要进行除法，故在样本大小相等时，此图比较简单。

【c】chart –c控制图用于控制一部机器、一个部件、一定长度、一定面积或任何一定单位中所出现的缺陷数目，如铸件上的砂眼数，机器设备故障数等。

【u】chart –u控制图

当样品大小变化时应换算成每单位的缺陷数并用u控制图。

控制图制作步骤

上面8种控制图都属于休姆哈特控制图，其中 X-Bar & R chart 和 I & MR chart 是比较常用的两个。但不管是选择哪种图，都按以下步骤进行：

Step 1：根据数据类型和抽样计划确定控制图类型。

Step 2：使用收集的数据计算过程均值和控制限。

Step 3：计算绘图比例并将数据点, 过程均值和控制限绘制在控制图上。

Step 4：查找不受控的点确定为什么不受控。

纠正过程的问题，例如抽样计划，数据收集方式等。

如果已识别出特定原因, 消除该不受控的点并且用增加的额外数据点代替。

重新计算过程均值和控制限。

重新计算比例并将修订后的数据点, 过程均值和控制限绘制在图上。

继续重复抽样过程直到所有必须的点都受控。

这就建立起了正确的过程均值和控制限。

备注：我们把处于上述步骤 Step 4-d 之前的控制图叫做分析用控制图（Phase I ) ；d 之后的控制图叫做控制用控制图 (Phase II). 分析用控制图阶段就是过程参数未知阶段，而控制用控制图阶段则是过程参数已知阶段。

以下是SPC控制图实施的八大步骤：

1、 识别关键过程
一个产品品质的形成需要许多过程（工序），其中有一些过程对产品品质好坏起至关重要的作用，这样的过程称为关键过程，SPC控制图应首先用于关键过程，而不是所有的工序。因此，实施SPC，首先是识别出关键过程。然后，对关键过程进行分析研究，识别出过程的结构（输入、输出、资源、活动等）。

2、 确定过程关键变量（特性）
对关键过程进行分析（可采用因果图、排列图等），找出对产品质量影响最大的变量（特性）。

3、 制定过程控制计划和规格标准
这一步往往是最困难和费时，可采用一些实验方法参考有关标准。

4、 过程数据的收集、整理

5、 过程受控状态初始分析
采用分析用控制图分析过程是否受控和稳定，如果发现不受控或有变差的特殊原因，应采取措施。
注意：此时过程的分布中心（X）和均差σ、控制图界限可能都未知。

6、 过程能力分析
只有过程是受控、稳定的，才有必要分析过程能力，当发现过程能力不足时，应采取措施。

7、 控制图监控
只有当过程是受控、稳定的，过程能力足够才能采用监控用控制图，进入SPC实施阶段。

8、 监控、诊断、改进
在监控过程中，当发现有异常时，应及时分析原因，采取措施，使过程恢复正常。对于受控和稳定的过程，也要不断改进，减小变差的普通原因，提高质量降低成本。

如何选择合适的控制图？

企业在用SPC做品质控制的过程中，需要用到的工具手段就是控制图，控制图主要是一个统计管理工具。在SPC统计过程的，为不同的数据应用不同的控制图来统计。首先数据主要分为两大类，一个是计量型数据，另一个是计数型数据。

SPC的作用

预防作用：

通过过去和现在的数据分析，识别到特殊原因，从而起到预警作用，减少因过程异常导致的损失。控制图有上下控制线，如果有异常的点，即使没有超过规格线，我们还是要预警，以减少损失。因为如果超过规格线再来预警就太迟了，那时候，大量的不良品已经产生了。

比较作用：

可以比较白晚班哪个班品质稳定、几个机台中哪个品质更稳，以及哪个改善方案更好等。

识别过程产生变异的原因：

这个要具体看是普通原因还是特殊原因造成的。

如果是普通原因，根据结果有些是可接受的；相反，如果是特殊原因，那就说明过程有大问题，必须改善不可。例如，从控制图看，没有任何异常的点，但CPK就是小于1.33，这种情况就要进行分析了，看是不是要采取系统措施，如更换设备、更换材料、变更生产场地等。

PART/ 04

过程异常的判定

控制图异常判定方法

样本点落在管制界限之外

控制点异常判定图（1）

连续7点在同侧的C区或C区之外

控制点异常判定图（2）

测量结果单边的影响组装，风险极大，不能接受。出现这种情况必须进行原因分析、停止生产、采取对策。连续6点以上持续地上升或下降

控制点异常判定图（3）

可能出现螺丝松动等异常，必须停机，检讨原因。

连续14点交互一升一降

一般会产生这样的疑问，这么整齐的数据会不会有假？

相连3点中有2点在同侧的A区或A区之外

控制点异常判定图（4）

控制点异常判定图（5）

相连5点中有4点在同侧的B区或B区之外

控制点异常判定图（6）

连续15点在中心线上下两侧的C区

点异常判定图（7）

过程能力太好，还是要检讨一下数据是否真实、测量系统是否异常。

有8点在中心线之两侧，但C区并无点子。

控制点异常判定图（8）

常规判定异常的方法主要有前面提到的这五种，其他方法一般很少用到。

PART / 05

过程能力分析

什么是过程能力?

工程能力指加工过程质量方面的能力高低，是反映过程变异性的数值。用Cp表示。

什么是过程能力指数?

工程能力指数是指工程能力满足规格质量要求的程度。用Cpk表示。

什么是CPK

CPK又叫过程能力指数，它是过程的固有能力满足标准的程度，是描述过程固有能力的指标。

CPK是综合评价过程的准确程度与精确程度，也就是过程的精准度。

计算CPK的条件

过程能力指数的前提条件是过程处于稳态，数据呈正态分布，即只有普通原因没有特殊原因发生时。只有当过程处于稳态时，才可以计算过程能力指数。

什么是单侧公差？

CMK 是德国汽车行业常采用的参数，称为临界机器能力指数, 是衡量设备运行稳定性的一个指标;

CMK仅考虑设备本身对产品结果的影响，因此，在采样时对除设备因素外的其他因素要严加控制；

CMK考虑的是短期离散，因此取样必须是短时间内取样；

CMK同时考虑样本分布的平均值与规范中心值的偏移；

针对对象是－－设备对产品质量的能力指数

德系的汽车零部件公司，在测量系统分析MSA和统计过程控制SPC方面，有一系列非常实用的指标。

在量具验收时，德系汽车零部件公司考核量具能力指数C_gk，类似的在设备验收时，会考核设备能力指数C_mk。

PART/ 06

企业实施SPC控制图的八个主要步骤

1、 识别关键过程

机动车检验标志电子化

一个产品品质的形成需要许多过程（工序），其中有一些过程对产品品质好坏起至关重要的作用，这样的过程称为关键过程，SPC控制图应首先用于关键过程，而不是所有的工序。因此，实施SPC，首先是识别出关键过程。然后，对关键过程进行分析研究，识别出过程的结构（输入、输出、资源、活动等）。

2、 确定过程关键变量（特性）

机动车检验标志电子化

对关键过程进行分析（可采用因果图、排列图等），找出对产品质量影响最大的变量（特性）。

3、 制定过程控制计划和规格标准

机动车检验标志电子化

这一步往往是最困难和费时，可采用一些实验方法参考有关标准。

4、 过程数据的收集、整理

机动车检验标志电子化

5、 过程受控状态初始分析

机动车检验标志电子化

采用分析用控制图分析过程是否受控和稳定，如果发现不受控或有变差的特殊原因，应采取措施。

注意：此时过程的分布中心（X）和均差σ、控制图界限可能都未知。

6、 过程能力分析

机动车检验标志电子化

只有过程是受控、稳定的，才有必要分析过程能力，当发现过程能力不足时，应采取措施。

7、 控制图监控

机动车检验标志电子化

只有当过程是受控、稳定的，过程能力足够才能采用监控用控制图，进入SPC实施阶段。

8、 监控、诊断、改进

机动车检验

标志电子化

在监控过程中，当发现有异常时，应及时分析原因，采取措施，使过程恢复正常。对于受控和稳定的过程，也要不断改进，减小变差的普通原因，提高质量降低成本。

PART/ 07

如何运用SPC帮助企业改善品质

在批量生产前，我们就要评估过程能力是否充足，不充足就不能转量产。主要是避免量产后出现批量不良，导致频繁变更，从而影响公司信誉及交货。

在量产时，通过SPC提前预警，在出现不良前进行及时改善调整，避免品质事故、减少品质不良、降低品质成本。

UCL/CL/LCL

通过控制图，可以帮助我们针对品质问题进行原因分析，找到失效的主要缘由，并对普通原因与特殊原因加以区别，以避免改善的盲目性。

统计过程控制SPC，作为一个非常经典的控制方法，在质量界享誉百年。但在中国的许多企业应用过程中，由于对SPC的理解不足，使用不当，根本没有发挥它的价值。力基特总结了SPC使用十大误区，看看是否中招。

PART/ 08

SPC实施中的十大误区

没能找到正确的管制点

不知道哪些点要用管制图进行管制，花费大量的时间与人力在不必要的点上进行管制，殊不知SPC只应用于重点的尺寸（特性的）。那么重点尺寸/性能如何确定呢?通常应用FMEA的方法，开发重要管制点，严重度为8或以上的点都是考虑的对象(如果客户有指明，依客户要求即可)。

没有适宜的测量工具

计量值管制图需要用测量工具取得管制特性的数值，管制图对测量系统有很高的要求。通常我们要求GR&R不大于10%，而在进行测量系统分析之前，要事先确认测量仪器的分辨力，要求测量仪器具有能够分辨出过程变差的十分之一到五分之一的精度方可用于制程的解析与管制，否则管制图不能识别过程的谈判。而很多工厂忽略了这一点，导致做出来的管制图没办法有效的应用，甚至造成误导。

没有解析生产过程，直接进行管制

管制图的应用分为两个步骤：解析与管制。在进行制程管制之前一定要进行解析。解析是目的是确定制程是的稳定的，进而是可预测的，并且看过程能力是否符合要求，从而了解到过程是否存在特殊原因、普通原因的变差是否过大等至关重要的制程信息。制程只有在稳定，并且制程能力可以接受的情况下，方才进入管制状态

解析与管制脱节

在完成制程解析后，如果我们认为制程是稳定且制程能力可接受的，那么，就进入管制状态。制程控制时，是先将管制线画在管制图中，然后依抽样的结果在管制图上进行描点。那么，管制时管制图的管制线是怎么来的呢？管制图中的管制线是解析得来的，也就是说，过程解析成功后，管制线要延用下去，用于管制。很多工厂没能延用解析得来的管制线，管制图不能表明过程是稳定与受控的。

管制图没有记录重大事项

要知道，管制图所反映的是“过程”的变化。生产的过程输入的要项为5M1E（人、机、料、法、环、量），5M1E的任何变化都可能对生产出来的产品造成影响。换句话说，如果产品的变差过大，那是由5M1E其中的一项或多项变动所引起的。如果这些变动会引起产品平均值或产品变差较大的变化，那么，这些变化就会在XBAR图或R图上反映出来，我们也就可以从管制图上了解制程的变动。发现有变异就是改善的契机，而改善的第一步就是分析原因，那么，5M1E中的哪些方面发生了变化呢？我们可以查找管制图中记录的重大事项，就可以明了。所以，在使用控制图的时候，5M1E的任何变化，我们都要记录在管制图中相应的时段上。

不能正确理解XBAR图与R图的含义

当我们把XBAR-R管制图画出来之后，我们到底从图上得哪些有用的资讯呢？这要从XBAR及R图所代表的意义来进行探讨。首先，这两个图到底先看哪个图？为什么？R反应的是每个子组组内的变差，它反映了在收集数据的这个时间段，制程所发生的变差，所以他代表了组内固有的变差；XBAR图反映的是每个子组的平均值的变化趋势，所以其反映的是组间的变差。组内变差可以接受时，有明分组是合理的；组间变差没有特殊原因时，表明我们在一段时间内，对过程的管理是有效的、可接受的。所以，我们一般先看R图的趋势，再看XBAR图

管制线与规格线混为一谈

当产品设计出来之后，规格线就已经定下来了；当产品生产出来后，管制图的管制线也定出来了。规格线是由产品设计者决定的，而管制线是由过程的设计者决定的，管制线是由过程的变差决定的。管制图上点的变动只能用来判断过程是否稳定受控，与产品规格没有任何的联系，它只决定于生产过程的变差。当西格玛小时，管制线就变得比较窄，反之就变得比较宽，但如果没有特殊原因存在，管制图中的点跑出管制界线的机会只有千分之三。而有些公司在画管制图时，往往画蛇添足，在管制图上再加上上下规格线，并以此来判产品是否合格，这是很没有道理，也是完全没有必要的。

不能正确理解管制图上点变动所代表的意思

我们常常以七点连线来判定制程的异常，也常用超过三分之二的点在C区等法则来判断制程是否出现异常。如果是作业员，只在了解判定准则就好了；但作为品管工程师，如果不理解其中的原委，就没有办法对这些情况作出应变处理。那么这么判定的理由是什么呢？

其实，这些判定法则都是从概率原理作出推论的。比如，我们知道，如果一个产品特性值呈正态分布，那么点落在C区的概率约为4.5%，现在有三分之二的点出现在4.5%的概率区域里，那就与正态分布的原理不一致了，不一致也就是我们所说的异常。

没有将管制图用于改善

大部分公司的管制图都是应客户的要求而建立，所以，最多也只是用于侦测与预防过程特殊原因变异的发生，很少有用于过程改善的。其实，当管制图的点显示有特殊原因出现时，正是过程改善的契机。如果这个时候我们从异常点切入，能回溯到造成异常发生的5M1E的变化，问题的症结也就找到了。用管制图进行改善时，往往与分组法、层别法相结合使用，会取得很好的效果。

管制图是品管的事情

SPC 成功的必要条件，是全员培训。每一个人员，都要了解变差、普通原因、特殊原因的观念，与变差有关的人员，都要能看懂管制图，技术人员一定要了解过度调整的概念等。如果缺乏必要的培训，管制图最终只会被认为是品管人员的事，而其实我们知道，过程的变差及产品的平均值并不由品管决定，变差与平均值更多的是由生产过程设计人员及调机的技术人员所决定的。

如果不了解变差这些观念，大部分人员都会认为：产品只要符合规格就行了！显然，这并不是SPC的意图。所以，只有品管在关注管制图是远远不够的， 我们需要全员对管制图的关注。

结 语

通过实施SPC工具，将质量管理节点前移，实现质量管理由结果控制向过程控制转变、由控制指标向控制参数转变、由人工控制经验决策向自动控制科学决策转变的三个转变，通过SPC实施，关注于质量的生产过程，提升质量合格率，并保持质量的稳定。实施SPC可实现管理节点前移，防患于未然，其目的是通过对过程控制，消除过程异常，减少或避免出现不良品，提升质量合格率，并保持质量的稳定。