SPC-02常因(普通)变异 vs. 异常(特殊)变异

一句话定义

过程中的变异分为两类：常因(普通)变异（Common Causes）是系统固有的随机波动，异常（特殊）变异（Special Causes）是外部干扰引起的可识别波动。区分两者是正确行动的前提。

引言：为什么戴明的"漏斗实验"揭示了质量管理的致命错误？

想象这样一个场景：

你是一家汽车零部件厂的质量工程师。某天，你发现冲压机生产的车门厚度出现了波动——有的25.0mm，有的25.05mm，有的24.98mm。

你会怎么做？

本能反应：立即停机，调整机器参数，让厚度回到25.0mm。

但戴明告诉我们：这可能是一个致命错误。

戴明设计了一个著名的"漏斗实验"：

实验步骤1
将漏斗固定在目标位置上方

实验步骤2
将小球扔下，小球会落在目标点附近（有随机偏差）

实验步骤3
如果每次落点偏离目标，你立即调整漏斗位置

实验结果
落点的偏差越来越大，最终完全失控

为什么？
因为如果你对"随机波动"进行人为干预，反而会引入新的异常变异，让过程越来越不稳定。

这个实验揭示了质量管理的根本法则：你必须先判断变异的类型，才能决定是否采取行动。

核心逻辑：变异不是一回事 常因变异

定义：系统固有的随机波动

来源：人、机、料、法、环的正常波动

行动策略：系统性改进

类比：系统的"噪音"
（如收音机的背景杂音）

异常变异

定义：外部干扰引起的特定波动

来源：特定事件或条件变化

行动策略：立即纠错

类比：系统的"信号"
（如收音机收到特定的广播）

本质区别对比表 变异类型 定义 来源 行动策略常因变异系统固有的随机波动 人、机、料、法、环的正常波动 系统性改进异常变异外部干扰引起的特定波动 特定事件或条件变化 立即纠错

记住：不同的变异类型需要不同的行动策略。
对"常因变异"进行"立即纠错"，会让你陷入"追逐随机波动"的陷阱；
对"异常变异"进行"系统性改进"，会让问题持续恶化。

控制图如何区分两种变异？ 控制图的基本原理

核心原则：

控制界限（UCL/LCL）反映过程固有的波动（常因变异）。
如果数据点在控制界限内随机分布 → 常因变异
如果数据点超出界限或呈现规律性模式 → 异常变异

案例教学：如何区分两种变异？

原书案例

案例1：汽车冲压件的两种变异

某汽车冲压厂生产车门，厚度规格是25±0.1mm。工程师分析数据后发现：

常因变异（占95%）

• 厚度在24.95-25.05mm之间随机分布

• 分布规律符合正态分布（钟形曲线）

• 来源：原材料厚度波动（±0.03mm）+ 机器精度（±0.02mm）

• 每周二下午3点后，厚度突然上升到25.08-25.12mm（超差！）

• 来源：新操作员换班时，没有正确设置模具参数

• 常因变异→ 优化供应商材料规格和机器维护（系统性改进）

• 异常变异→ 培训操作员和建立换班检查清单（立即纠错）

结果：废品率从3%降至0.2%。

常因变异是"系统的噪音"，异常变异是"特定的信号"。不能把信号当成噪音来忍受，也不能把噪音当成信号来追杀。

行动策略：

• 常因变异（周一/周五低效）→ 优化会议安排（系统性改进）

• 异常变异（临时会议）→ 设定"专注时段"，禁止打扰（立即纠错）

结果：工作效率提升40%。

常因需要"系统性疗法"，异常需要"外科手术"。

如何用控制图区分两种变异？

核心方法：控制图 + 8项准则

控制图的作用：

• 控制界限（UCL/LCL）反映过程固有的波动（常因变异）

• 如果数据点在控制界限内随机分布 → 常因变异

• 如果数据点超出界限或呈现规律性模式 → 异常变异

警戒区：控制界限到中心线之间的区域（1σ-3σ）

实战示例：如何判断？

假设你的X-bar控制图显示：

场景A：常因变异

判断：所有点子在控制界限内随机分布 → 常因变异

行动：接受波动，启动系统性改进项目（如优化供应商）

场景B：异常变异

判断：连续6个点子上升（准则3）→ 异常变异

行动：立即调查（刀具磨损？温度上升？），采取纠错措施

执行SOP：如何建立你的变异诊断系统 SOP 1：收集基准数据

1. 连续采样25-30个数据点

2. 确保过程处于"受控状态"（无已知异常事件）

3. 绘制控制图，计算控制界限（UCL/LCL）

1. 按设定频率采样（每小时/每天/每周）

2. 在控制图上标注新数据点

3. 应用8项准则判断

如果数据点在控制界限内随机分布 → 常因变异

• 问：这是系统的常态吗？能接受吗？

• 如果不能接受 → 启动系统性改进项目

如果数据点触发8项准则 → 异常变异

• 问：这是什么时间发生的？有什么特殊事件？

• 立即调查特定原因（人、机、料、法、环）

• 采取纠错措施，消除异常源

1. 记录所有异常事件及原因

2. 每月复盘，识别高频异常源

3. 将高频异常变异纳入系统性改进计划

变异理论是所有质量管理的底层逻辑，适用于任何"稳定输出"的场景。

行业 常因变异 异常变异 诊断工具制造业材料波动、机器精度 刀具磨损、操作员失误 X-bar控制图软件正常流量波动 代码bug、服务器故障 I-MR控制图医疗正常生理波动 病理变化、药物反应 体温/血压趋势图教育学员能力差异 教学方法失效、外部干扰 成绩控制图餐饮正常口味波动 食材变质、厨师失误 客诉率控制图金融正常市场波动 欺诈、系统故障 交易成功率控制图 批判性视角：变异理论的局限性 ⚠️ 需要注意的局限性

局限1：现实中常因和异常可能交织

某些"常因变异"可能源于多个未被识别的异常变异的叠加。

建议：定期进行"根本原因分析"，识别隐藏的异常源。

局限2：控制图的判断不是100%准确

存在"假阳性"（误报）和"假阴性"（漏报）。

建议：结合专业判断，不要完全依赖统计结果。

局限3：在高度自动化的系统中，"人为异常"减少

过程主要由机器控制，常因变异成为主要矛盾。

建议：重点监控系统性参数（温度、压力、流量）。

局限4：过度依赖统计判断可能忽视客户感知

有时即使数据在控制界限内，客户仍不满意。

建议：同时关注客户反馈，不要让数据掩盖真实问题。

常见错误：这些做法你可能正在犯 ❌ 典型错误案例

错误1：对常因变异进行"立即纠错"

场景：每次测量值偏离目标，立即调整机器。

后果：引入新的异常变异，过程越来越不稳定。

✅ 正确做法：接受常因变异，启动系统性改进项目。

错误2：对异常变异进行"长期改进"

场景：发现批量不良，但决定"下个项目再改进"。

后果：问题持续恶化，批量性报废。

✅ 正确做法：立即调查并消除异常源。

错误3：没有建立基准控制界限

场景：凭经验判断"这是否正常"。

后果：主观判断，经常误判。

✅ 正确做法：收集25-30个基准数据，建立控制界限。

错误4：忽视8项准则

场景：只看点子是否超限，忽视趋势和模式。

后果：漏掉早期预警信号。

✅ 正确做法：完整应用8项准则。

触发场景：什么时候你需要区分变异类型？

当你面对过程的波动时，不要急于行动，先问自己：

• 这个波动是系统的"噪音"还是特定的"信号"？

• 我有控制图吗？控制界限合理吗？

• 我的行动是"立即纠错"还是"系统性改进"？

"不要把信号当噪音来忍受，也不要把噪音当信号来追杀。"

记住三句话： 原则 内容1先诊断，再行动：用控制图判断变异类型2常因用系统疗法：长期改进，消除系统固有的波动3异常用外科手术：立即纠错，消除特定的干扰源 延伸阅读

理解变异类型后，建议继续学习以下知识点：

• 知识点#4：失控行动计划（OCAP）——从警报到行动的闭环

• 知识点#5：Cpk vs. Ppk——如何量化过程能力

系统掌握统计过程控制，构建卓越质量管理体系

AIAG&VDA 新版SPC抢先预定，享超级优惠，扫码咨询

学员风采

版权声明： 本微信公众号（IATF16949）所推送文章中，部分来源于网络。除非确实无法确认，我们都会注明作者和来源。部分文章推送时未能与原作者取得联系。若涉及版权问题，烦请原作者联系我们，我们会在 24 小时内删除处理，谢谢！内容若有误，欢迎批评指正

加群或咨询课程具体内容

扫码添加客服企业微信号咨询

离开前，记得点个和❤