统计过程控制

3 秒看懂

统计过程控制（SPC）是用统计学方法实时监控生产或业务流程，通过识别异常波动，在缺陷发生前就触发预警，实现“预防型”质量管控。其核心工具是控制图，它画出一条中心线和上下控制限，把过程输出的“声音”转化为可判决的信号。

3 分钟产业解释

SPC = 过程的“心电图” 制造业将产品尺寸、重量、强度等质量特性连续抽样，把数据点按时间顺序描在控制图上。若所有点都随机分布在中心线附近、不超出控制限（典型为±3σ），则过程“受控”；一旦出现连续上升、周期模式或出界点，就表明有特殊原因（如刀具磨损、原料批次变更）入侵，需立即排查。

不止是工厂的事 服务业同样用SPC：客服响应时间、发票错误率、银行交易拒付比例都可上控制图。在生命科学领域，它监控临床试验数据的可靠性；在软件工程中，监控代码缺陷密度和交付周期。任何希望稳定产出“可预测结果”的流程，都可以用SPC。

产业价值的三个层次

1. 实时报警：避免大批量不良品的产生，降低成本。
2. 过程理解：通过对异常模式的根因分析，揭示过程中隐藏的变量关系。
3. 系统改进：基于稳定过程的能力指标（Cpk/Ppk），驱动六西格玛改进项目，持续压缩变异。

与相关体系的关系 SPC 是六西格玛 DMAIC 流程的“控制”阶段的支柱，也是 IATF 16949（汽车行业）、ISO 13485（医疗器械）、AS9100（航空）等体系合规的硬性要求。它把质量管控从“事后检验”前置为“实时预防”，是现代精益制造、工业4.0数据闭环的底座。

15 分钟专家深入

一、统计基础与核心假设

• 变异恒常性：没有任何两个产品完全相同，变异分为普通原因（common cause，内在随机性，如环境温湿度微波动）和特殊原因（special cause，可识别的外来冲击）。
• 稳态目标：SPC 追求的是只存在普通原因变异的“统计受控状态”；此时过程输出近似服从某种可预测的分布（常为正态分布）。
• 控制限≠规格限：控制限来自过程实际变异（σ），是“过程的嗓音”；规格限来自客户需求，是“工程的要求”。过程受控但能力不足时，仍产生大量超标品。

二、控制图家族全景 根据数据类型和取样方式，休哈特控制图分为：

• 计量型（需测量具体数值）
  • 均值-极差图（X̄-R）：子组大小 2~9，常用。
  • 均值-标准差图（X̄-s）：子组大小 ≥10，精度更高。
  • 单值-移动极差图（I-MR）：每取一个样本需高成本或时间（如化学浓度），无可避免的子组。
• 计数型（仅判断合格/不合格或缺陷数）
  • p 图（不合格品率）、np 图（不合格品数），当样本量固定或变。
  • c 图（缺陷数，样本大小恒定）、u 图（单位缺陷数，样本大小不一）。

三、过程能力分析 当过程被证实统计受控后，才可计算能力指数，否则毫无意义。关键指标：

• Cp：规格宽度与6倍过程标准差的比值，衡量潜在能力，不考虑中心偏移。
• Cpk：兼顾中心偏移的单侧能力，取 (USL-μ)/3σ 和 (μ-LSL)/3σ 的最小值。典型要求：汽车行业初始过程 Cpk≥1.67，量产期≥1.33。
• Pp/Ppk：使用整体较长时间的标准差，反映真实长期表现；Ppk 通常小于或等于 Cpk。
• 良率对应：Cpk=1.0（约2700 ppm缺陷），Cpk=1.33（约63 ppm），Cpk=2.0（约0.002 ppm，接近六西格玛水平）。

四、SPC实施的关键步骤

1. 定义关键质量特性（CTQ）及测量系统，先进行测量系统分析（MSA），确保 GR&R ≤ 10%（优）。
2. 确定合理的子组大小与抽样频率；子组应内代表短间隔普通变异、组间可凸显特殊变异。
3. 收集至少 20~25 子组数据，计算试控限，检查是否存在异常点；若有，移除特殊原因后重新计算。
4. 将控制限延展用于在线监控，建立异常判定规则（Western Electric 八条规则、Nelson规则等）。
5. 当过程发生变更（如新材料、新设备）或持续监测表明变异减小后，需重新计算控制限。

五、异常判定规则简介 不只是“出界”，通常还借助链规则：连续7点在中心线同侧、连续6点单调升/降、14点上下交替等，增强对微小偏移的检出灵敏度，但会拉高误报率，需权衡。

六、SPC在数字工厂中的进阶

• 实时SPC：传感器数据流经边缘计算节点，毫秒级判定，发现异常自动停机或调整工艺参数。
• 多变量SPC：同时监测数个相关输出，使用 Hotelling T²图或 MEWMA 控制图，防止单变量图上各自正常但组合异常的“漏报”。
• 机器学习增强：基于历史控制图数据训练分类器，辅助识别复杂异常模式；生成对抗网络（GAN）可模拟异常样本，提升检测率。

技术原理

SPC 的本质是假设检验的连续应用：在过程的每个时间点，对零假设 “过程均值/变异未发生变化” 进行检验。

控制限的统计推导

以 X̄ 图为例，若过程输出 X ~ N(μ, σ²)，n 个子组均值 X̄ᵢ ~ N(μ, σ²/n)。通常 μ 和 σ 由预备数据估计：

• μ̂ = x̿ （总平均）
• σ̂ = R̄/d₂ （基于极差R的平均值，d₂ 是与子组大小n有关的常量）或 s̄/c₄（基于标准差）

控制限通常设为：
UCL = x̿ + 3·σ̂/√n
CL = x̿
LCL = x̿ - 3·σ̂/√n

基于正态分布，过程受控时单个子组均值超出控制限的概率 α ≈ 0.0027。因此平均运行长度（ARL₀） = 1/α ≈ 370 点，即平均每370个受控点产生一次假警报。

平均运行长度（ARL）对比

ARL 是衡量控制图绩效的核心指标：

• 受控 ARL₀：期望越大越好，以降低误报（3σ下约370）。
• 失控 ARL₁：当均值发生一定偏移（如 1σ, 2σ）时，期望越小越好，即快速报警。

可以通过计算操作特性曲线（OC曲线）绘制不同偏移下 ARL 的倒数（检出能力）。例如，对于 1σ 偏移，单值图（I 图，子组大小 n=1）通常需要约 40 个点才能报警（ARL₁≈44）；对于子组大小 n>1 的 X̄ 图，检测该偏移所需的平均子组数显著更少（如 n=4 时 ARL₁≈6）。而 EWMA 或 CUSUM 图可在更少点数下检出。

过程能力指数 Cpk 公式

Cpk = min( (USL - μ) / (3·σ̂) , (μ - LSL) / (3·σ̂) )
其中 USL/LSL 为规格上下限，μ 为过程均值估计，σ̂ 为组内标准差估计（R̄/d₂ 或 s̄/c₄）。
这隐含了过程输出的正态假设和受控状态。若过程不稳定，Cpk 只是“期权利能力”。

ASCII 控制图示例（代码块内示意）

      UCL ─────────────────────────────
           │  ●   ●   ●
  CL  ─────┼──●───●───●───●───●───────
           │     ●      ●
      LCL ─────────────────────────────
           └──┬───┬───┬───┬───┬──→ 时间
              受控过程（随机散布）

      UCL ────────────────●───────
           │  ●   ●   ●     /
  CL  ─────┼──●───●───●─/──●──────
           │     ●   /
      LCL ───────────●────────────
           └──┬───┬───┬───┬───→ 时间
         失控信号：一点出界 + 连续上升趋势

技术演进史

• 1920s：沃尔特·休哈特（Walter A. Shewhart）在贝尔实验室提出控制图概念，1931年出版《产品质量的经济控制》，奠定SPC基石。
• 1940s：二战期间，美国陆军兵工署要求供应商使用控制图，形成军用标准 Z1.1-1941。
• 1950s：戴明（W. E. Deming）、朱兰（J. M. Juran）将 SPC 引入日本，与全面质量控制（TQC）融合，成为日本制造业崛起的重要工具。
• 1970s-80s：汽车行业开始强制供应商采用 SPC（福特 Q-101，通用汽车 SPC 手册），随后 QS-9000 将其制度化。自动数据采集与 SPC 软件（如早期的 Q-DAS）萌芽。
• 1990s-2000s：六西格玛运动由摩托罗拉、通用电气发起，把 SPC 作为 DMAIC 控制阶段的标准化输出。AIAG 发布 SPC 第二版参考手册。
• 2010s：集成到制造执行系统（MES）和统计软件（Minitab、JMP）中，实时数据库使海量参数的在线 SPC 成为可能。
• 2020s 至今：工业4.0 推动“闭环 SPC”—— 结合 IoT 传感器流、机器学习异常检测、自适应控制限，以及多变量流式监控，形成数字孪生的质量闭环。

技术路线对比（量化表）

由于未获取到实时检索数据，本表基于公开标准与教材，以定性方式对不同 SPC 技术路线进行对比，供参考。

注：表中“低/中/高”为定性程度，未设定具体数值基准。

上下游

上游：测量与数据基础

• 测量系统：三坐标测量机、在线视觉系统、传感器、IoT 网关，必须经过 MSA 验证，确保数据可靠。
• 数据采集与集成：SCADA、PLC 输出、MES 事务数据；要求高频、低延迟，数据格式标准化（如 OPC-UA）。
• 统计工具库：基础统计软件（支持控制图绘制、能力分析），数据库存储历史数据用于回溯分析。

中游：SPC 引擎与平台

• 实时计算控制限、更新图表，支持边缘计算或云原生架构。
• 提供异常规则引擎（可配置）、报警管理、OCAP（失控纠正行动计划）闭环。
• 越来越多的平台集成 AI/ML 能力，实现自适应控制限和多变量漂移侦测。

下游：业务执行与决策优化

• 质量工程师：接收报警，启动 8D/DMAIC 根因分析项目。
• 操作者：现场屏显控制图，即时调整工艺参数或停线。
• 管理层驾驶舱：关键设备 CPK 趋势、一次合格率（FPY）、整体设备效率（OEE）关联，驱动持续改进投资。
• 合规报告：自动生成 PPAP（生产件批准程序）中要求的统计报告，满足客户审核要求。

关键指标

注意：以下为行业通用定性指标，无具体企业数字。

• 过程能力（Cpk, Ppk）：最核心的达标标尺，客户或内部规范通常会设定 Cpk≥1.33 或 1.67。
• 平均运行长度（ARL）：受控 ARL₀ 一般希望较大（如 370）；失控 ARL₁ 希望针对关键偏移小于 5~10 个点。
• 误报警率 (False Alarm Rate)：统计上约为 0.27%（单点），若启用多条链规则，综合误报率会增加，需谨慎设置。
• 信号检出效率：对设定偏移的检出时间（样本点数量）与 ARL₁ 对应。
• 测量系统变异比 (%GR&R)：实施 SPC 的前提，通常要求 ≤10% 为可接受，10~30% 为有条件接受。
• 综合质量水平：百万机会缺陷数 (DPMO)、直通率 (RTY)，由能力和受控水平传导。

供需与市场数据

由于检索工具未能获取最新市场报告，无法提供精确市场规模数字。根据行业常识定性描述：

• 需求侧：全球制造业数字化转型、新能源汽车与半导体扩产、医疗器械严格合规，拉动了对实时 SPC 软件及服务的需求。尤其是“AI+质量”的智能分析平台需求正在从大型企业向中小企业扩散。
• 供给侧：市场由老牌质量统计软件厂商（如 Minitab、JMP）、工业巨头的数字化部门（如西门子的 QMS Professional、海克斯康的 Q-DAS）以及云端 SPC 创业公司（如 InfinityQS、PQ Systems、DataNet）共同构成。近年来，云原生、低代码 SPC 订阅服务成为增长点。
• 趋势：实时 SPC 正逐步替代离线批量分析，与 MES / PLM 深度整合；开源统计语言（R, Python 的 qcc, spc 包）也在侵蚀低端市场。

【未获取实时量化数据，以上为定性市场结构描述】

代表公司与资本映射

基于公开行业信息，代表性参与者如下（无具体财务数据，仅作为产业结构参考）：

资本映射：Minitab 于 2021 年被私募股权收购，估值未披露；西门子、海克斯康为上市公司，其质量板块是数字工业不可或缺的组成部分。专业 SPC 领域并购活跃，如 Q-DAS 并入海克斯康，呈现向大平台整合的趋势。

投资逻辑

• 确定性需求：质量是制造业刚需，SPC 作为合规必选项，市场具有抗周期性。汽车、半导体、医疗器械等行业的强制认证使存量维护市场较稳定。
• 价值前瞻：
  • 从工具到平台转变：单纯的单点 SPC 软件向“质量数据分析平台”演进，订阅收入（云 SaaS）比例提升，带来估值溢价。
  • AI 与实时闭环：能提供边缘侧实时控制限计算、基于 ML 的异常分类，并与自动化设施联动的解决方案，将构建高壁垒。
  • 垂直深化：针对特定流程（如半导体蚀刻、注塑）的预置模型和行业 SPC 套件，可获取更高附加价值。
• 需关注风险：
  • 开源替代降低入门级市场利润率。
  • 大型MES/PLM供应商可能通过内置基础SPC功能挤出独立厂商。
  • 企业部署 AI SPC 需高质量的历史数据，多数工厂数据基础设施薄弱，项目落地周期长。
• 观察指标：关注头部独立 SPC 厂商的 ARR（年度经常性收入）增速、客户留存率，以及工业巨头在其数字化业务中质量板块的比重。

常见误读纠偏

误读1：“控制限就是规格限” 这是最致命的混淆。控制限由过程实际变异决定，是过程的“内生边界”；规格限由客户给定，是“外部要求”。一个完全受控的过程（所有点在控制限内）仍可能因变异过大导致大量产品超出规格限。SPC 的第一步是确认“过程受控”，第二步才评估“过程能力”是否满足规格。

误读2：“Cpk ≥ 1.33 就万事大吉” Cpk 是基于短期（组内）变异计算的，未包含长期偏移或批次间变异。即便 Cpk 满足要求，长期表现 Ppk 可能远低于标准。此外，过程必须一直保持在统计受控状态，且不断进行监控。若不再画控制图，仅凭历史能力指标放行，无异于开车只看后视镜。

误读3：“SPC 只能用在工厂车间” 控制图已成功应用于医院急诊室等待时间、发票处理周期、软件 bug 率、呼叫中心平均处理时间等。任何希望稳定产出的重复性流程均可从中受益。关键在于清晰地定义“缺陷”或“测量量”。

误读4：“样本量越大控制限越窄，所以越灵敏” 子组大小 n 的增大会使均值图控制限变窄 (σ/√n)，但不当的过度增大可能违背“子组内仅含普通变异”的原则，导致控制限过窄，假警报频发，操作员逐渐忽视报警。子组大小需合理设计。

学习路径

1. 起点：描述统计与正态分布
   • 理解均值、标准差、直方图、箱线图、Q-Q 图。
   • 掌握正态分布的性质和中心极限定理。
2. 核心：休哈特控制图
   • 从 X̄-R 图学起，手动计算控制限，理解 d₂、A₂ 等常数来源。
   • 用真实数据或模拟数据绘制控制图，识别异常模式。
   • 推荐教材：Douglas Montgomery《Introduction to Statistical Quality Control》。
3. 扩展：能力分析与测量系统
   • 计算 Cp、Cpk、Pp、Ppk，进行计量与计数型能力研究。
   • 学习测量系统分析 (MSA)，会做交叉和嵌套 Gage R&R。
4. 进阶：高级控制图
   • 学习 EWMA、CUSUM 对于小偏移的侦测，理解其设计参数。
   • 涉猎多变量控制图 (T²图) 和属性一致性分析。
5. 落地：软件与数字化集成
   • 熟悉一款专业 SPC 软件（Minitab、JMP 或 Q-DAS），或使用 Python pyspc、R qcc 构建原型。
   • 了解如何将控制图融入 MES，配置 OCAP 工作流。
6. 前沿：工业4.0 与 AI
   • 学习流数据 SPC 概念，相位 I、相位 II 自适应方法。
   • 探索机器学习在模式识别中的应用，如使用孤立森林检测多变量异常。

一句话总结

统计过程控制是用控制图把“质量运气”变成“质量科学”，通过区分普通与特殊变异，将过程管理从事后补救拉回到事前预防。

延伸阅读与来源

• 经典教材
  • Montgomery, D. C. (最新版). Introduction to Statistical Quality Control. Wiley.（国际最权威的 SPC 教材）
  • AIAG (汽车工业行动组). Statistical Process Control (SPC) Reference Manual (第二版). （行业圣经，定义了汽车业要求）
• 标准与指南
  • ISO 22514 系列：过程管理的统计方法。
  • ISO 7870 系列：控制图通则与特定控制图（CUSUM、EWMA等）。
  • JIS Z 9020：日本工业标准控制图。
• 在线资源
  • NIST/SEMATECH e-Handbook of Statistical Methods: https://www.itl.nist.gov/div898/handbook/ （免费权威，控制图章节详尽）
  • Minitab 支持文档和指南库：提供大量 SPC 案例。
• 历史文化
  • Shewhart, W. A. (1931). Economic Control of Quality of Manufactured Product. ASQ Quality Press 再版。

注：本次撰写因实时检索工具返回错误，未获取网络最新数据。所有技术描述基于经典教材与行业通用知识，具体公司/市场数据标注为定性表述，实际投资决策需参考最新专项报告。