SPC — 统计过程控制
定义
SPC（Statistical Process Control）是一种利用统计方法监控和控制生产过程的技术。它的核心理念是：通过持续采集过程数据，区分普通原因变异（过程固有的随机波动）和特殊原因变异（异常干扰），从而在缺陷产生之前就发现并纠正问题。
SPC 不是”出了问题再查”，而是”还没出问题就知道要出问题”。
核心概念
普通原因变异 vs 特殊原因变异
| 变异类型 | 特征 | 应对方式 |
|---|---|---|
| 普通原因 | 随机波动，始终存在，可预测 | 需要改进系统本身 |
| 特殊原因 | 异常信号，偶发，不可预测 | 需要立即排查和消除 |
如果过程只受普通原因影响，称该过程处于统计受控状态。
控制图（Control Chart）
控制图是 SPC 的核心工具，其结构为：
- 中心线（CL）：过程均值
- 上控制限（UCL）：
- 下控制限（LCL）：
当数据点落在控制限之外，或呈现明显趋势（连续上升/下降、周期性波动等），即判定过程失控。
常用控制图类型
| 数据类型 | 分布 | 常用控制图 | 适用场景 |
|---|---|---|---|
| 计量型（连续值） | 正态分布 | -R 图、-S 图 | 尺寸、重量、温度、压力 |
| 计数型（离散值） | 二项/泊松分布 | p 图、np 图、c 图、u 图 | 不良率、缺陷数 |
计量型控制图信息量更大、灵敏度更高，是智能制造场景中的首选。
SPC 实施流程
1. 确定关键质量特性（CTQ）
↓
2. 采集过程数据（至少 20-25 组样本）
↓
3. 计算控制限，绘制控制图
↓
4. 判断过程是否受控
├── 受控 → 计算过程能力（[[CPK-过程能力指数|Cpk]]）
└── 失控 → 排查特殊原因，采取纠正措施
↓
5. 持续监控，实时更新
判异规则
除了”点出界”这条最直观的规则外，Western Electric 规则和 Nelson 规则定义了更多判异条件：
| 规则 | 描述 | 可能原因 |
|---|---|---|
| 连续 9 点在中心线同侧 | 均值偏移 | 工艺参数漂移 |
| 连续 6 点递增或递减 | 趋势 | 刀具磨损、温度渐变 |
| 连续 14 点交替上下 | 周期性 | 换班、换批次 |
| 连续 3 点中有 2 点在 2σ 之外 | 均值偏移或方差增大 | 原料异常 |
| 连续 15 点在 1σ 之内 | 分层 | 数据造假或测量系统问题 |
SPC 与 过程能力分析 的关系
SPC 和过程能力分析是一对配合使用的工具：
- 先做 SPC：确保过程处于统计受控状态
- 再做过程能力分析：计算 Cpk，评估过程满足规格要求的能力
如果过程不受控就计算 Cpk，结果毫无意义——就像在颠簸的路上测车速。
大数据视角
在智能制造环境下，SPC 正在从”抽样检验”升级为”全量监控”：
- 实时采集：IoT 传感器每秒采集温度、压力、振动等工艺参数，无需人工抽检
- 流式计算：Flink/Spark Streaming 实时计算控制限和判异规则，秒级预警
- 多维监控：从单变量控制图扩展到多变量统计监控（如 T² 控制图）
- 智能判异：结合机器学习模型，自动识别复杂异常模式，减少人工判图的依赖
- 根因追溯：异常报警后自动关联 OEE、设备状态、物料批次，辅助快速定位
与 OEE 的关联
SPC 直接服务于 质量率 的提升：
反过来，可用率 的下降（如频繁停机）也会破坏过程稳定性，导致 SPC 控制图出现异常。
数据采集要点
工序ID, 设备ID, 时间戳,
关键工艺参数(温度/压力/速度/力矩),
样本测量值(n=5), 产品规格上下限,
判异规则触发标志, 异常原因代码
数据来源：SCADA 实时采集 + MES 质检模块 + QMS 质量系统