理解这几张图就理解SPC了

‍统计过程控制（Statistical Process Control，SPC）是高端制造业质量管理的基石工具，通过统计方法监控生产过程稳定性，识别异常变差，实现预防性质量控制。在IATF16949质量管理体系中，SPC被列为必须应用的统计技术之一。

本系列知识卡片系统梳理了SPC的核心概念、控制图原理、实施步骤和应用案例，帮助一线工程师快速掌握这一关键工具。所有内容严格遵循AIAG SPC手册第二版标准，适用于新能源电池、芯片半导体、汽车零部件等精密制造行业。

核心价值： SPC不仅是监控工具，更是持续改进的引擎。通过数据驱动决策，企业能够降低变异、减少浪费、提升过程能力，最终实现质量、成本、交付的综合优化。

1

SPC定义与核心思想
核心概念解析

统计过程控制（SPC）是通过统计方法监控过程稳定性、识别异常变差的预防性质量工具。与传统的"检验-返工"模式不同，SPC强调在过程中实时监控，防患于未然。

三大核心思想

• 预防为主： 通过过程监控提前发现异常趋势，避免不合格品产生

• 数据驱动： 基于实际过程数据做出客观决策，减少主观判断

• 持续改进： 形成"数据收集→过程监控→异常分析→改进措施"的PDCA闭环

2

SPC数据类型对比
两类数据的基本区别

SPC处理的数据分为计量型（连续变量）和计数型（离散属性），选择正确的数据类型是应用SPC的前提。

关键要点： 计量型数据提供更丰富的过程信息，应优先采用；计数型数据在无法获得计量值时作为补充。

计量型数据

• 定义： 可在连续尺度上测量的数据（如尺寸、重量、时间、温度）

• 特点： 数据点包含"多少"的信息，可计算均值、标准差等统计量

• 适用场景： 零件尺寸控制、工艺参数监控、过程能力分析

• 常用控制图： Xbar-R图（均值-极差图）、Xbar-S图（均值-标准差图）

• 定义： 按属性分类计数的数据（如合格/不合格、通过/未通过）

• 特点： 数据点表示"是否"的状态，只能统计比例或计数

• 适用场景： 外观检查结果、功能测试通过率、缺陷数量统计

• 常用控制图： P图（不合格品率图）、U图（单位缺陷数图）

3

控制图原理（CL/UCL/LCL）

控制图的三条关键线

控制图是SPC的核心工具，通过三条统计界限区分过程正常波动与异常变异：

• 中心线（CL）： 过程均值，代表过程的平均水平

• 上控制限（UCL）： 均值+3σ，正常波动的上限

• 下控制限（LCL）： 均值-3σ，正常波动的下限

控制限基于正态分布的3σ原则设定：在过程稳定且数据服从正态分布时，99.73%的数据点应落在UCL和LCL之间。超出控制限的点有统计学意义上的异常，需要调查特殊原因。

重要概念： 控制限基于过程实际数据计算，反映"过程能做什么"，而非基于规格限的"客户要求什么"。

正常波动与特殊原因

控制图将过程变异分为两类：

1. 正常波动（偶因）： 始终存在、难以消除的随机变异，由系统本身因素引起

2. 特殊原因（异因）： 非随机、可识别、可消除的特殊变异，如设备故障、操作失误、材料异常

4

常用控制图类型
控制图选择决策树

根据数据类型（计量型/计数型）和监控目标，SPC提供多种控制图选择：

计量型控制图

• Xbar-R图： 最常用组合，Xbar图监控过程均值偏移，R图监控过程变异

• 适用场景： 子组样本量较小（n=2-10），需要同时监控均值和变异

• 数据要求： 连续测量数据，数据点可计算均值和极差

• P图： 监控不合格品率，适用于样本量可能变化的情况

• U图： 监控单位缺陷数，适用于缺陷机会数固定的场景

• 适用场景： 外观检查、功能测试、缺陷统计等属性数据

选择指南： 优先使用计量型控制图（信息量更丰富），当无法获得计量数据时使用计数型控制图。

特殊控制图

除上述基本类型外，SPC还包括：

• 单值-移动极差图（I-MR）： 样本量n=1时的选择

• C图： 监控缺陷数（样本量固定）

• EWMA图： 对小偏移更敏感的指数加权移动平均图

5

过程能力指数（Cp与Cpk）
过程能力的基本概念

过程能力指数衡量过程满足规格要求的能力，是过程稳定后必须评估的关键指标。

Cp与Cpk的核心区别

• Cp（过程潜在能力）： 仅考虑过程散布（6σ）与规格公差（USL-LSL）的比值，假设过程中心与规格中心重合

• Cpk（过程实际能力）： 同时考虑过程散布和中心偏移，取距上下规格限较近一侧的能力值

公式对比：
Cp = (USL - LSL) / 6σ
Cpk = min[(USL - μ)/3σ, (μ - LSL)/3σ]
其中μ为过程均值，σ为过程标准差

能力指数评价标准

• Cpk ≥ 1.67： 卓越过程（绿色区域）

• 1.33 ≤ Cpk < 1.67： 良好过程（绿色区域）

• 1.00 ≤ Cpk < 1.33： 可接受但需关注（黄色区域）

• Cpk < 1.00： 不可接受，需改进（红色区域）

行业基准： 汽车行业通常要求Cpk ≥ 1.33，半导体行业要求Cpk ≥ 1.67。

6

SPC实施七步法
系统化的实施路径

SPC成功实施需要系统方法，七步法提供了从准备到持续改进的完整路线图：

1. 识别关键特性： 确定对产品质量影响最大的过程参数或产品特性

2. 选择控制图： 根据数据类型和监控目标选择合适控制图类型

3. 收集初始数据： 在过程稳定状态下收集足够数据（通常20-25个子组）

4. 计算控制限： 基于初始数据计算CL、UCL、LCL，建立控制基线

5. 实施监控： 将控制图应用于日常过程，定期收集和绘制数据

6. 分析异常： 识别控制图异常模式，调查根本原因

7. 持续改进： 采取纠正措施，优化过程，重新计算控制限

PDCA循环： 七步法本质上是PDCA（计划-执行-检查-处理）循环的具体应用，确保SPC不是一次性活动而是持续改进机制。

关键成功因素

• 管理层支持： SPC需要资源投入和组织变革

• 人员培训： 操作员、检验员、工程师需掌握SPC基础

• 数据完整性： 准确、及时的数据收集是SPC有效性的基础

• 跨部门协作： 质量、生产、工艺、设备部门需紧密合作

7

SPC预警八大异常模式
控制图异常模式识别

即使所有点都在控制限内，某些数据模式仍可能预示过程异常。AIAG SPC手册定义了八种异常模式：

• 模式1：点出界 - 点超出UCL或LCL（最显著异常）

• 模式2：连续9点同侧 - 过程均值可能发生偏移

• 模式3：连续6点趋势 - 过程存在系统性变化

• 模式4：连续14点交替 - 可能由两台设备或两位操作员交替引起

• 模式5：连续3点中2点A区外 - 过程散布可能增大

• 模式6：连续5点中4点B区外 - 过程均值可能偏移

• 模式7：连续15点C区内 - 过程变异可能过小（需检查数据真实性）

• 模式8：连续8点C区外 - 过程可能存在分层现象

分区概念： 控制图从中心线向外分为A、B、C三个区域，每个区域宽度为1σ。异常模式识别基于点在区域间的分布规律。

异常原因与处置建议

每种异常模式对应不同的可能原因：

• 点出界： 测量错误、计算错误、材料批次异常、设备故障

• 连续同侧： 工具磨损、操作员更换、环境变化（如温度）

• 趋势： 设备逐渐老化、工具逐渐磨损、季节性因素

• 交替： 两台设备差异、两位操作员差异、两批材料差异

处置流程： 识别异常→暂停过程→调查根本原因→采取纠正措施→验证效果→更新控制限

8

SPC汽车零部件应用案例
案例背景

某汽车发动机缸体加工生产线，关键特性为缸孔直径（公差±0.02mm）。过程稳定运行6个月后，Xbar-R图出现异常模式。

问题识别

• 异常现象： Xbar图连续8点上升趋势，R图连续5点超出UCL

• 过程表现： 缸孔直径逐渐增大，过程变异明显增加

• 质量影响： 不良率从0.8%上升至2.1%，接近内部警戒线

根本原因分析： 通过5Why分析发现，刀具磨损是主要原因。刀具寿命管理不到位，实际使用时间超过推荐寿命30%，导致加工尺寸逐渐偏移和变异增大。

改进措施

1. 紧急措施： 更换磨损刀具，隔离可疑批次产品

2. 纠正措施： 建立刀具寿命预警系统，设置使用时间提醒

3. 预防措施： 优化刀具更换计划，增加过程能力监控频次

• 过程恢复： 控制图恢复正常，数据点随机分布在控制限内

• 能力提升： Cpk从0.92提升至1.58，过程能力显著改善

• 质量成果： 不良率从2.1%降至0.5%，年节约质量成本约120万元