全面解析与应用 SPC统计过程控制

精益制造的核心思想在于及早发现并控制制造过程中的缺陷，以预防问题发生。这一理念与统计过程控制（SPC）高度契合，后者正是为了实现这一目标而诞生。SPC，这一由休哈特在20世纪20年代初首次提出的方法，至今已有百年历史。在二战期间，戴明为美国工业制定了标准化的SPC，战后这一方法又被引入日本，并逐渐成为六西格玛、丰田生产模式（TPS）以及精益制造的重要组成部分。

SPC专注于测量过程的输出，通过寻找微小的但具有统计学意义的差异来预防潜在缺陷。最初主要用于制造业的它，显著减少了因返工和报废导致的浪费。如今，SPC的应用已超越制造业，延伸至服务行业和医疗领域。

运用统计方法，如运行图和控制图等图形工具，SPC能够实时监控和控制过程输出。同时，实验设计也是SPC不可或缺的一环。其应用过程分为两个阶段：首先确保流程满足需求，并持续监控以确保稳定运行；其次，确定适当的监测频率，这取决于关键因素的变化或影响。

在SPC中，过程变化被视为由两种基本类型的原因引起：偶然原因和异常原因。偶然原因导致的随机变化虽不可避免，但可通过统计方法理解；而异常原因引起的变化则是可识别的，如温度波动、操作员变更或材料批次差异等。对这些异常原因的识别和控制，对于确保过程的稳定输出至关重要。
在现代SPC中，偶然原因通常被称为“一般原因”，而异常原因则被称为“特殊原因”。偶然或一般原因的变化可以视为噪声。在噪声层以下，我们无法检测到异常或特殊变化原因的影响。然而，一旦这些特殊原因开始产生显著变化，它们就会在噪声层上方变得明显可见。

这些概念与测量系统分析存在相似之处。在测量系统分析中，一般或偶然原因对应于精度和重复性，而特殊或异常原因则等同于偏见或真实性。

要理解SPC的核心方法，我们需要掌握一些基本的统计学概念。其中之一便是标准差，它提供了一组值的变化或分散程度的度量。想象一下，我们要测量一个制造零件的过程的变化。我们可以从测量30个零件开始，每个零件的测量值都会有所不同。为了了解这些零件之间的差异有多大，我们需要一个数字来量化这种差异。这时，标准差就派上了用场。

标准差是所有单个值与平均值之间的平均距离。它允许我们在确定性假设有效的情况下计算一致性的概率。通过标准差，我们可以更准确地了解过程的稳定性，并采取相应的控制措施来预防潜在缺陷的发生。
在数学上，标准差的计算公式通常表达为：

这个公式告诉我们如何计算一组数值的标准差。标准差是一个重要的统计学指标，它能够帮助我们量化数据的分散程度，从而评估过程的稳定性。在SPC中，标准差的应用尤为关键，因为它直接关系到我们能否及时发现并控制潜在的质量问题。
迄今为止，我们计算的是方差。由于方差的每个数值偏差都是平均值的平方，因此取方差的平方根是有意义的，这便得出了标准差。以本例而言，标准差计算结果为根号2，约等于41。但需注意，由于样本数据仅包含五个数值，因此，通常无法可靠地估算出整个过程的标准差。为此，我们需要进行修正，这通常是通过在计算中使用n-1而非n来实现的。经过这样的修正，标准偏差的完整计算公式可表述为：
标准差是用于衡量过程中一般原因的波动。在统计过程控制（SPC）中，另一个核心概念是概率分布。概率分布能够描述随机事件的结果。以掷骰子为例，可能的结果遵循特定的概率分布。例如，一个标准的六面骰子，每个面出现的概率是相等的。

当同时掷两个骰子时，得分范围扩大至2到12，但得到7分的概率明显高于得到其他分数。这是因为存在多种方式可以得到7分，而得到2或12的方式则相对较少。

进一步观察，我们可以发现，随着随机效应的增加，概率分布的形状也会发生变化。最初，概率从最低值线性增加到中间值，然后线性减少到最大值，形成三角分布。当更多的随机效应结合时，三角形的峰值逐渐变平，尾部延伸，最终形成一个钟形曲线，即高斯分布或正态分布。
大量均匀分布或三角形分布的随机效应叠加，会呈现出正态分布的特征。实际上，正态分布描述的是多种不同形状的随机效应在叠加后所形成的组合效应。这一数学现象由中心极限定理所证实。在自然界的复杂系统中，正态分布的普遍性显而易见，因此，我们常常简单地假设某些过程服从正态分布。
如果我们掌握了某个过程的标准差及其概率分布情况，那么就能进一步推算出在特定数值范围内产生输出的概率。这一能力不仅限于计算缺陷出现的概率，同样适用于判断某个给定值是否符合该分布。一旦发现实际测量数据与稳定过程的概率分布显著不符，这往往意味着出现了新的影响因素，表明该过程可能已经失控。

运行图作为一种直观的散点图，通过展示样本编号与测量值之间的关系，提供了流程随时间变化的宏观视角。而控制图，尽管与运行图相似，但它进一步包含了控制界限和多个区域。例如，控制图上可能会以水平红线标出代表控制限值的±3标准偏差位置，同时，±1和±2标准偏差处也可能设有其他水平线。标准偏差的数量通常被称为西格玛，这一概念在质量控制中具有重要意义。

控制图是统计过程控制（SPC）中的核心图形工具，它被广泛应用于监控流程状态，确保其处于“受控”状态。在控制图中，过程平均值与±1西格玛之间的区域被称为C区，1和2西格玛之间的区域为B区，而2和3西格玛之间的区域则被定义为A区。值得注意的是，这些控制限值并非与产品规格或公差直接相关，它们主要反映了过程在受控状态下的变化情况，从而为过程操作提供了有力的参照。

此外，过程能力评估也是质量控制中的关键环节。它应当在建立过程控制的初期阶段进行设定，并在后续阶段通过控制图来持续监控过程的稳定性。

当一个流程出现偏离或产生超出正常随机波动的误差时，控制图能迅速发现异常。具体来说，若控制图上出现连续多个点同向移动，例如持续上升或下降，这往往意味着流程已失控。

在判断一个流程是否失控时，我们可以遵循多种规则。通常，只要满足以下任一条件，即可认为流程已失控：

控制图上的一个点超出了预先设定的控制范围。
在中心线同一侧，连续出现七个点。
连续七次增加或减少的间隔，显示出一种明显的趋势。
在同一区域A内，连续三个点中有两个点相邻。
在同一区域B内，连续五个点中有四个点相邻。
连续14个点在控制图上呈现上下交替的排列。
C区内存在连续14个点，这种情况通常表示存在某种系统性偏差。

值得注意的是，不同类型的控制图适用于监控不同类型的过程，并采用不同的采样策略。例如，单值移动极差图主要用于监控单个实时测量值，而在常规样本采集时，则可能使用X-bar R或X-bar S图，对于属性数据则采用Np/p图进行监控。