统计过程控制（SPC: Statistical Process Control）是实际质量管理实践中用来进行在线或离线、实时或非实时过程监控、能力分析的常用方法。常用的控制图根据其分析对象的多少可以分为单因素控制图(Univariate Control Chart)和多因素控制图(Multivariate Control Chart)。
 在统计过程控制（SPC）中，单因素控制图(Univariate Control Chart)用来检验过程单个质量参数是否受控的情况，常用的单因素控制图包括：

• 经典休哈特控制图之Xbar-R/S图
• 经典休哈特控制图之I-MR图
• 经典休哈特控制图之C图
• 经典休哈特控制图之U图
• 经典休哈特控制图之P图
• 经典休哈特控制图之NP图
• CUSUM控制图
• EWMA控制图

其中，休哈特控制图中，前两种主要用于监控连续型测量数据，而后四种主要用来监控属性测量（离散型）数据。
 
这些控制图在使用时，我们通常只针对一个过程输出变量。通常而言，对于上述控制图的选择，我们可以遵循如下大致的路径：


 
上述选择路径图在很多国内的质量管理书籍中都能见到。不过事实上，我们在使用这些控制图方法时，通常假定过程数据是不存在自相关性的。如果考虑过程数据的自相关性，单因素控制图的完整选择路径应如下：


 
接下来，我们再来用图形总结一下多种单因素过程控制方法适用的情形。


从上图左轴可以看出，随着样本抽样间隔的增加，休哈特控制图将越来越变得适用，因为样本较大的抽样间隔通常会使自相关效应失效；而随着样本抽样间隔的减小，自相关效应将变得更加重要，此时我们很可能需要使用ARIMA或EWMA方法。而从右轴可以看出，过程调整的成本增加会促使我们使用休哈特控制图来监测过程；而在另一方面，如果过程调整成本较低，将使得我们可以使用一些工程过程控制系统。在纵轴上，当随机因素或噪声在均值的移动中处于主导地位时，休哈特控制图会变得更加适合；而如果均值的移动更多地与随机噪声有关，我们又会使用ARIMA或EWMA类型的方法，或者工程控制器。
 
  收起阅读 »

而今，统计分析方法已经被广泛应用于质量控制与质量改进中，成为质量持续改进和六西格玛的重要方法论之一，常用的方法论包括统计过程控制（SPC: Statistical Process Control）、实验设计（DOE: Design Of Experiments）和可接受抽样（Acceptance Sampling）以及其他对分析质量问题和改进过程有帮助的方法。

过程模型
很多用于质量控制与质量改进的统计方法可以用下图来说明。在这里，生产或服务过程（Process）被看成一个具有一系列输入（Inputs）和输出（Outputs）的系统，而输入有分为可控输入（Controllable Inputs）和不可控输入（Uncontrollable Inputs）两种。对生产过程而言，可控输入因素（x）包括（比如）温度、压力、进给率等，而不可控输入（z）包括（比如）环境变量、外部供应商所供应的原材料的某个质量指标的变化等，生产过程将原材料、零部件或组件转变成具有某些质量指标（y，过程和产品质量的测量结果）的最终产品。

图：过程的输入和输出


上述模型同样适用于非生产过程和服务过程。例如，在处理汽车贷款申请的金融机构，过程的输入包括贷款申请，其中包含了客户的基本信息及其信用历史记录、汽车种类和价格、申请贷款的金额等，可控因素包括贷款申请的处理人员所接受的培训的种类，该金融机构对该种贷款申请的政策以及一段时间内处理该种贷款申请的人员数量等，不可控因素包括市场利率、能用于发放该种贷款的资金量以及一段时间内需要处理的该种贷款申请的数量等。过程的输出质量因素包括该笔贷款的处理结果（是否被批准），申请者实际接收的已被批准的贷款数量以及周期时间（客户需要等待期贷款申请批复结果的时间）——在服务过程中，周期时间通常都是非常重要的CTQ（Critical To Quality）。

统计过程控制（SPC）与控制图(Control Charts)
控制图是统计过程控制的基本方法。下图是一个典型的控制图的例子，控制图将从生产过程中抽取的样品的某个质量特性的均值，按时间（或样本编号）顺序在图上打点。控制图上包含中心线（CL）、上控制限（UCL）和下控制线（LCL），其中中心线表示当过程中没有特殊的波动源时该质量特性应该在的位置。上下控制限的计算包括了简单的统计学考虑。控制图的典型应用是适用于上述系统的输出变量，但有时将其适用于输入变量也是非常有用的。

图：一个典型的SPC控制图


控制图是一项非常有用的过程控制技术，当特殊的波动源出现时，样本均值点会落到控制限以外，这是一个非常重要的信号，表示我们需要对过程进行调查并采取纠正措施以消除这些特别波动源。系统地使用控制图是降低过程波动的一项完美的措施。另外，相对于离线、事后的SPC分析而言，在线、实时的SPC过程监测能帮助尽早发现质量风险，形成对质量风险的快速相应机制，对企业的帮助更大。

实验设计(DOE)与分析
一个设计好的实验对于发现那些对过程中我们感兴趣的质量特性产生影响的关键变量是及其有帮助的，它能够系统地改变过程中的可控输入变量，并确定这些输入变量对过程输出变量的产生的影响的效果。对于降低质量特性的波动、确定可控变量在何种水平下可以最优化过程是极其有用的，它通常能帮助我们带来流程效能和产品质量的突破。一种主要的实验设计方法是因子实验（Factorial Design）。在因子实验中，各种因素一同变动，这些变动中的所有组合都被一一检验。经验和实际应用表明，这些组合中的一部分能够比另一部分带来更加好的结果。

实验设计方法是一种主要的离线（Off-Line）质量控制工具，因为它们常常被应用在研发实践中和生产过程的早期，而不是作为一种在线（On-line）或在程（In-Process）的常规工具。它在降低过程的波动方面扮演者重要的角色。

一旦我们找到了对过程输出产生影响的重要变量，通常就有必要对有影响力的输入变量和输出变量之间的关系进行建模。这时，有用的统计分析方法包括回归分析和时间序列分析等。而一旦我们找到了重要的输入变量并对它们如何影响输出变量进行了量化，在线的统计过程控制技术就能够用来十分有效地对过程进行监测，它能够帮助实时监测过程的输出，并侦测何时需要调整输入变量来使过程输出保持在受控的状态，而前述的输入变量与输出变量之间的关系的模型能帮助我们确定需要调整何种输入变量以及需要调整多大的幅度。

在很多过程中，一旦输入变量和输出变量之间的关系的动态特性能够得以理解和确定，就可以定期调整过程以使将来的过程输出大体上符合目标值。这种定期的调整通常称为工程控制(Engineering Control)，自动控制(Automatic control)或反馈控制(Feedback control)。而统计过程控制（SPC）技术通常能够有效地整合到进行工程控制的制造系统中去。

可接受抽样(Acceptance sampling)
可接受抽样（Acceptance Sampling）技术与产品的检验和测试尽力联系在一起，它是一种早期的质量控制方法，在统计方法应用在质量控制领域之前很久就已经产生了。检验能够在过程中的很多点实施。可接受抽样被定义为从大批量中随机抽取的样本的检验（Inspection）和分类（Classification）结果以及根据这一结果对该批量进行的处置措施，它通常发生在两个地方：来料检验和最终产品。常见的几种可接受抽样的情形如下图所示。

图，可接受抽样的几种情形


被抽样的批次要么会被拒绝，要么会被接受。而对被拒绝的批次中的产品的典型处置方法包括报废、回收、返工或用良品替换，这种情形称为矫正检验（Rectifying Inspection）

现代质量保证系统通常较少强调可接受抽样，而是将统计过程控制和实验设计作为关注的重点。可接受抽样倾向于强化“满足规格要求”的视角而且不能给生产过程、工程设计和开发等这些质量改进的必要措施提供反馈意见。

质量管理统计方法在组织中应用的进化过程
下图描述了上述统计方法在组织中应用的进化过程：当企业的成熟度处于很低水平的时候，管理层可能完全意识不到质量管理的问题，在组织中很可能没有经过有效组织的质量改进举措，这时可能有一定的可接受抽样方法的应用，且应用领域通常是在来料检验中。当组织成熟度增长时，第一个活动是开始更多地使用可接受抽样的方法，而且这种方法的使用会逐渐增多，直至组织开始认识这样产品的质量并不能很好地得到检验和测试。

从这个时间开始，组织通常开始关注过程改进。统计过程控制和实验设计具有对生产活动、产品设计活动以及过程开发产生重要影响的潜在能力。系统性地导入这些方法通常是实质性质量改进、成本降低和产能提高的开始。当组织成熟度达到比较高的水平时，统计过程控制和实验设计就成为了企业非常常用的方法，而可接受抽样反而被相对较少地使用。

图：使用质量工程方法的各阶段图


质量工程(Quality Engineering)的目标是系统性地降低产品质量特性的波动。下图展示了这一过程是如何发生的。在早期，在可接受抽样还作为主要的方法被使用的阶段，过程“超差”和不满足规格要去的产品占了过程输出的较大比例。这时，统计过程控制方法的导入将是过程变得稳定并减少波动，使得过程满足要求。更进一步，过程波动的进一步减小会带来更好的产品效能、增强竞争优势。这时，在任何一个行业，我们都可以结合应用统计实验设计方法和统计过程控制方法来将过程的波动最小化。

图：质量工程方法的应用以及系统地降低过程的波动


注：本文由数据采集、统计过程控制SPC系统、分析自动化专家QuAInS 根据Douglas C. Montgomery相关专著翻译整理，转载请注明出处 收起阅读 »

基于近期发现大家对一张控制图的分析，故重拾简单整理统计过程控制相关基础概念内容，供大家参考。（摘自《六西格玛管理》红皮书）有兴趣的同学可以参考第五章和第八章。

※任何一个过程都受两个因素的影响，一类是人类无法控制、难以控制的随机因素（偶然因素），无法根本上消除，且波动范围小工程上可以接收；另一类是特殊因素。

※1924年5月16日，休哈特提出世界上第一张控制图—P控制图
1、    过程中有许多导致波动的因素存在。
2、    每种因素的发生是随机且无法预测的，但却影响着过程输出
3、    质量特性有波动是正常现象，无波动是虚假或测量仪器分辨率太低
4、    彻底消灭波动是不可能的，减少波动是可能的

※影响质量特性波动的因素可能来自5M1E,从类别分偶然因素和特殊因素

※控制图的控制线（是通过过程数据计算出来的）是区分偶然波动和异常波动的科学界限，只有偶然因素没有异常因素的状态，称为称为统计过程状态，简称稳态。

※GB/T4091-2001《常规控制图》明确给出了判断异常的八种模式。结合虚发警报和漏发警报两个层面考虑。

※过程处于统计控制的条件：子点在中心线周围随机散布、子点在控制限内、无链趋势和其他模式、过程稳定可预测。
过程未处于统计控制状态：出现异常原因、点超出控制限、出现链 趋势 和循环等。

※控制图分为分析用控制图和控制用控制图，一个过程开始实施控制图时，几乎都不会恰巧处于统计控制状态，存在异常波动。故需要先将失控状态调整到统计控制状态。

故以下为简述过程统计控制的流程
确定质量特性进行数据采集，用控制图（分析）确定过程是否处于统计过程状态
1）    受控，可延长控制限作控制图控制用，并可进行评价过程能力（强调过程受控评价过程能力才是有意义的）
2）    不受控，查找特殊原因并剔除。
  收起阅读 »

掐指一算，从事质量和相关工作１５年了，看了一下论坛里面的评论，多多少少和现在的质量状态步调一致，我在这个论坛里面潜水也很久了，觉得现在是个时候出来透透气了。

之前的状态很不好，符合２０１５年薪资调查里面的平均水平，记得以前有句话，要抬头，先埋头。苦过了之后，才知道甜的味道。

我是学机械出身，刚毕业的愿望是做一个设计师。因为种种原因，刚开始的４年从事的不是设计职位，而是和供应商打交道的职位。遇见过一个５０多岁的糟老头，国企设计出身，如果不是顺着他的意思来说，绝对无法共事。非常感谢他，让我放弃了从事设计工作的念想。

机械出身背景，让我对问题处理有一些独到的敏感。

在质量系统的工具学习，我比较推崇结合使用如下工具组合来分析和解决问题：８Ｄ的逻辑步骤，加上KT的快速分析（是非矩阵），５WHY的根本原因分析，６Ｓｉｇｍａ的假设检验和能力分析，相关性分析。

其中重中之重是ＫＴ的是非矩阵，因为８Ｄ的问题定义和原因可能会告诉你超出规格的可能就是原因，可是大部分情况下是，我们不知道是什么时候它不在规格内的，因为没有记录。如果从第一天开始，它就不再规格内呢？只有出现变化的时候，它开始不在规格内了，它才是有可能的原因。

如果方向不对，跑得越快，错得就越远。

方向正确，跑得慢也是快。

采用正确的问题解决工具，加上对产品和过程的认知，解决问题会比较容易。不过这点对于擅长逻辑的高层来说，这是有异议的，之前我和总部的质量总监和公司的总经理有过不同的理解：什么样的人是我们需要的质量工程师？１００％的质量？１００％的技术？还是５０％的质量加５０％的技术？我的理解是第三，他们的理解是第一。因为我是第三出来的，在实战当中需要有自己的见解而不是被低水平的相关人员误导。１００％的质量需要有强大的团队支持，而通常的环境当中这个是非常缺乏的。从草根到中层，我的经验认为我们打铁还要自身硬。

到了部门负责人之后，我的观念发生了变化，我开始倾向１００％的质量，因为我已经可以给我的团队争取外部技术支持了，他们在有外部团队支持之后，他们就可以专注做质量，通过质量方法让外部团队做一些技术分析类，而质量团队是驾驭这些质量问题的主导者。

在新的一年，高度概括一下问题解决的心得，在工作中观察了许久，我所接触到了很多人很少直面问题，更多的是在回避问题。在此分享心得，抛砖引玉。 收起阅读 »

工具讲解 | 老婆竟用SPC监控我|SPC统计过程控制应用经典案例分析​

俗话说宴无好宴。朋友邀我去他家做客吃晚饭，进了门迎面遇上他焦急无辜的表情，才知道主题是咨询。起因是朋友最近回家的时间越来越晚，罪证就在他家门口玄关的那张纸上：朋友的太太是一家美商独资企业的QC主管，在家里挂了一张单值-移动极差控制图，对朋友的抵家时间这一重要参数予以严格监控：设定的上限是晚七点，下限是晚六点，每天实际抵家时间被记录、描点、连线——最近连续七天(扣除双休日)的趋势表明，朋友抵家的时间曲线一路上扬，甚至最近两天都是在七点之后才到家的，证据确凿——按照休哈特控制图的原则和美国三大汽车公司联合编制的SPC(Statistical Quality Control，统计过程控制)手册的解释，连续7点上升已绝对表明过程发生了异常，必须分析导致异常的原因并做出必要的措施(比如准备搓衣板)，使过程恢复正常。显然，我可能给出的合理解释成了朋友期待的救命稻草，而这顿晚饭就是他在我面前挂着的胡萝卜。

显然，朋友的太太比我们绝大多数的企业家更专业(当然，作为同类，我想这也许就是导致我们只能成为管理工具的原因)，她清楚地认识到：预防措施，永远比事后的挽救更重要。

顺便说一句，朋友太太厨艺很优秀，属于那种下得厨房上得厅堂的模范太太—当然，对朋友的在意程度更是显而易见的，否则不会选择抵家时间作为重要的过程特性予以控制—这个过程参数，在她眼里，无疑昭示着忠诚度。饭后上了红酒，席间的谈话就从过程异常的判定开始。

“我们先来陈述一下控制图的判异准则：
第一，出现任何超出控制限的点；
第二，出现连续7点上升或者下降或者在中心线的一边；
第三，出现任何明显非随机的图形。
显然，目前该过程已经符合其中第一和第二项，确实出现了异常。作为过程控制的责任者，你打算怎么分析呢？”

“还是我们传统的分析方法：因果图。”

“那么，我们寻找的还是这五个方面的原因了：人、机、料、法、环？”

“是的。”

“好。在我们开始分析之前，我想顺便问一下，你是从哪里学会控制图的？”

“除了公司的培训之外，讲述统计过程控制的书籍不计其数，作为在质量领域被广泛应用的技术，以Statistical Quality Control为题的书籍虽说不是汗牛充栋，也已经目不暇接。不过这些书也很难给出太多新的理论，因为SPC已经足够成熟，找来新书也不过看看不断翻新的应用范例，或者结合新的技术之后会是什么样子，比如，有没有研发出功能强大的新软件。”

“呵呵，也没必要采用如此先进的控制技术吧？”朋友插嘴道。

“你错了，统计学应用于过程控制，不过代表着上个世纪二十年代最先进的质量管理水平。我们采用的控制图方法，一般称为休哈特控制图(Shewhart Control Chart)，最早是在1924年，由美国贝尔电话实验室休哈特(W.A.Shewhart)博士提出的。当时这一方法并未得到企业的普遍采纳，仅仅在小范围内得到应用。后来，两个意外的机遇使它在全世界名声大噪：一是二战期间的1942年，美国国防部邀请包括休哈特博士在内的专家组解决军需大生产的产品质量低劣、交货不及时等问题，专家们制定了战时质量控制制度，统计质量控制(SQC) 被强制推行，并在半年后大获成效。二是休哈特博士的同事，伟大的戴明 (W.Edwards Deming)博士，1950年将SPC引入战后的日本，为日本跃居世界质量与生产率的领先地位立下了汗马功劳。质量专家伯格(Roger W.Berger)教授的分析认为，日本成功的重要基础之一，就是对SPC的应用——控制图(或者，按照台湾的习惯称呼，管制图)已经成为常规技术，名列“QC老七大手法”之一。”

“因果图也是QC老七大手法之一。”

”别打岔，也许分析出来的结论是环境因素：外面有狐狸精。”她狠狠瞪了朋友一眼。

“在得出结论之前，我们继续分析吧，”我把话题拉了回来：“下班回家首先应该是一个稳定的过程。”

“是的，他的德国老板坚持不允许他们加班，所以下了班就应该在规定的时间回家。”

“好的，路线是固定的。”

“对，他在五点的时候关闭计算机，五点一刻在停车场走到自己的车位，45分钟应该到家。驾照已经一年半，熟练程度没有问题。即使稍微有点堵车，或者在附近的报刊亭买杂志，他总是喜欢买那几本电影杂志，因为有免费附赠的DVD。即使这些事情同时发生在同一个傍晚，我给了他一个小时的控制限范围，绝对够充裕了。”

“听上去是足够充裕了，”我表示同意：“而且符合稳定过程的控制要求。唯一的瑕疵是，一小时应该作为规范限而非控制限，规范限相当于公差范围，而控制限则应该更为收缩，而且应该进行过程的初始研究，通过计算得出。”

“那岂不是范围更小？”朋友把绝望的目光投向我，仿佛在鞭挞一个叛徒。

“是的，我把确定控制限的步骤简单化了”

她点头：“仅仅根据大致的印象，好像他没有在七点之后回家过，除非这天晚上另有活动，那不属于我这张图控制的范围，比如我们一起在外面吃饭，或者看电影，泡吧。”

“持续稳定的过程是工业企业梦寐以求的，”我插话道：“尤其是重复发生的批量生产过程。”

“是的，过程的输出，也就是产品的特性，必须在控制限范围内，因为过程的输出必然存在变差——所谓变差，通俗地讲，就是：即使是世界上最精密的设备，也不能生产出两件一模一样的产品来，它们之间的差异就是变差——不要跟我说你看不出它们之间的差异，那只能说明你的分辨率不够。”

“所以我们希望过程是受控的。换句话说，我们希望过程首先是稳定的，其次，我们希望过程输出的变差范围足够小。”

“过程范围足够小的过程，我们就称之为具备能力的过程，看来，有必要对你回家的时间以6σ为目标实施管理。”

“维持过程稳定和维持过程能力，是需要耗费成本的，越是好的过程能力意味着更为高昂的成本。我们确定过程目标时必须考虑经济性，投入取决于风险程度。”我赶紧扼杀了她的新念头。

“是的”她越来越倾向于听取我的意见了。这是好兆头，她又说：“我们在生产线上采用控制图的，都是关键和重要的产品特性，我们希望在发生不合格之前就发现趋势，以避免不合格的实际发生。控制他的回家时间也是一样，发现异常，及时采取措施扼杀任何苗头，不要等到他夜不归宿的时候才恍然大悟。”

我大笑：“有这么高的风险么？据我所知，他可是非常在乎你的，不然就不会紧张到要把我请来作客了。”

她也不好意思地笑了：“其实，控制图也就是半开玩笑地提醒他，心思专注一点。你知道的，他总像个长不大的孩子，小时候放学不止一次，在小人书摊上看书看得忘了回家，急得妈一路去找，找到了揪着耳朵回去吃冷饭的。”

“那你有没有从自身找原因，譬如最近不大注意打扮了？”看到朋友的窘相，我赶紧转移矛头。

“嗯，这我倒没注意。不过，我似乎也一直没有松懈过取悦他的。”

“也许有别的原因，我知道最近外环线的浦东段在修路，昨天我还在杨高路立交桥附近堵了一个半小时，因为往西的路段只剩两根车道。”

“真的？我以为他编的借口呢。”

“看看，我说了她也不信。”朋友总算可以合理地表达委屈了，如释重负地松了一口气。

“而且外环的维修工程可能还会持续一段时间，听说要一个月左右，”我说：“这段时间内，我们的控制限是不是该重新设定一下？”

“好的，”她有些不好意思：“我把控制限范围整个往上提高一个小时，再放宽一点。不过，等工程结束了，我们就恢复原先的控制限。”

“好的，这让我重新领教了职业质量控制专家的风采”我看出，我的赞誉使她稍稍有点脸红：“一直以来，质量管理界的经验被给哲学思想的贡献，以我个人的眼光看，是被忽略了，也许没有人看到它们之间的联系。记得金观涛和华国凡合著的《控制论与科学方法论》吗？”

“最近刚刚再版了，”他俩一起点头。我的朋友们都有一个共同点：热爱读书。

“这书首版于1983年，曾经风靡一时——其实在文革临近尾声的时候，它已经以手抄本的形式在地下广为流传。”

“你的意思是说，你认为统计过程控制的思想，是系统论、控制论的源头之一？”

“至少有一定的关联。从具体的、单一的某道生产过程，我们将控制图获取的信息予以分析，以此来调整输入，这就是一个系统反馈的过程。后来，过程的概念被放大了，比如我们可以把公司的采购作为一个过程来分析，对这一过程的衡量指标予以分析，根据分析的结果决定相应的措施。再后来，整个公司的运营被视做一个过程，各项指标被用来进行分析，并支持决策，过程模型就这样被再度放大了。”

“其实仅就微观的过程而言，如果管理者头脑里有过程的清楚概念，就可以避免很多错误，”她插话，“记得你曾经取笑说，如果在汽车业的生产现场干1到2个月的操作工，或者一线主管，The Second Century的作者会为自己对BTO概念的诠释感到脸红，我拍手称快。”

“是的，尤其像汽车这样复杂的产品，制造过程需要经过充分的调试才可以达到稳定，继而具备过程能力—世界上最难以控制的，就是单件产品的生产过程了，因为过程调试的成本太高了。所以每天回家的时间可以控制，选择结婚对象这一过程就只能赌一把了。” 收起阅读 »

用鱼骨图分析可能原因
然后如何识别根本原因呢？
疑惑ing

公司有一些来自电子机械行业的黑带，要推行SPC几大工具，但是只能讲讲统计理论，多半不能符合实际。为给广大精细化工同仁提供SPC运用的参考，特共享一些个人看法以供大家参考。
要实施化工SPC，我们很多通常有以下会问SPC能满足化工控制的需要吗？
1、 我们的产品是间歇式生产，实际上批与批之间，存在较大的差异，这些差异来源于不同规格的生产反应容器，不同的操作人及操作习惯及参数，导致化工生产本身重复性及再现性比较差。控制限过严可能很多异常，过松可能异常没有识别，实际上很容易失去监控的目标与方向。举例：我们某材料的标准是22-28，但波动只是22-23左右，这样几乎所有波动都被掩盖了。
2、 化工的生产过程是集成化的，它是复数过程累计的复杂过程并非单一过程，而且很多没有参数和指标，导致即使后续产品指标有变化，也不知过程做如何调整来精确对应，可能只是一些模糊的操作。举例：生产一釜产品我们有五六个组分，每组组分有不同波段的操作。
3、 化工的产品性能实际上由研发的初始配方决定，QC的多数检验指标，并不能准确评估正在生产产品的性能，这些指标多是理化指标，主要是监控并确保产品的量产与研发的设计没有较大的偏移。举例：产品的固含、酸值实际上并不确认产品最终的应用性能。
4、 化工产品的检测指标非常多，要想把每一个指标都监控起来比较困难，一是工作量大，而是图表过多，不直观难以准确搜索过程波动。举例：我们GXX成品已经监控5个指标，每个材料3-4个指标，加起来指标有20-30种指标，数据统计分析的工作量很大且很难监控其中某一波动。
5、 目前很多原材料是混批到一个容器存储使用的，造成后续生产难以追溯，即使生产有异常，我们也无法知道究竟是原材料波动还是过程波动导致的异常。举例：我们生产Y几次异常，都没有直接证据确认是某个特定的原因。
6、 化工的检测过程多是多段操作，并非单一检测，检测方法的标准化对测量数据影响很大，进而影响SPC数据的准确性。举例：目前对比率MSA无法通过，实际SPC数据不准。
7、 即使所有指标都监控正常，是否说明我们的产品就没有问题呢？实际上我们的回答是否定的，因为各个维度指标波动都正常，指标之间的关联性在变化，单一的SPC监控识别不了，需要借助MSPC、SPD等理论。举例：客户投诉产品有很大差异，我们内部检测确是正常的。
8、 化工数据很多不服从正态分布，而I-MR图没有中心极限定理多组数据的支持，实际上对于化工数据存在较大的误判几率，本身就不是很严谨。举例：我们的PH值就就不是正态分布的。

考虑以上因素，传统的SPC在化工应用本身的数理严谨性都不能严格满足，化工的SPC注定无法按照一般的方法去操作。
如果要实施化工SPC，我们就要回答实施SPC的本质是什么？也许这一点每个人各有见解，但个人认为其实生活中每个人都在使用SPC，SPC的核心只是数据分层进而来实现对特殊原因的识别，我们可以借鉴生活中的做法。
1、针对如何定义监控的限度：
假设一个孩子脸上长了一个青春痘，突破了皮肤的控制限，他的父母一定会让他去医院治疗纠正吗？我们依据经验就知道，通常是不会的。我们会去医院治疗通常是这个痘痘是很大的一个包，或者脸上长了很多痘痘才会去找医生，当然一个痘痘我们也可以大呼小叫，那除非我们的皮肤非常好，也就是过程能力达到很到的一个程度才会这样要求。
以上是我对化工SPC判异准则的理解，单值偏离异常大、出现重复多发的异常，过程几乎无异常的情况出现某一异常，这是才进行控制，而并非是每一个SPC异常我们都去做监控，这是化工过程遵循管理抓大放小，持续改善的原则，而不是SPC本身描述的任何异常点都要及时控制和纠正。
2、针对过程集成化：
我们要让一架纸飞机飞往指定地点，有三种办法，要么训练这个扔纸飞机的人来实现输入的稳定，要么实现过程所有数据能够及时监控生产遥控纸飞机，再有的办法是把目标距离分阶段，看阶段的可控性来达成。
要实现过程所有参数可控，目前来讲成本过高无法实现，我们实现输入可控更具有操作性意义，尽量要求供方对指标做SPC控制，减少输入波动是比较可行的措施。
3、针对指标不够反应产品性能本质，及指标过多：
我们知道乳液的粒径可能对乳胶漆成膜各种性能分布均有影响，如果我们去监控后续的指标就难免造成指标过多，而且不易监控到真正的关键因子。关于这个问题我与我的武汉大学生物医药的校友，也有很多交流，他们建议在仅能监控多个指标时做多元控制图或者主成分分析，删减多因素的重复效应来缩小波动范围；二实际上生产医药等精细化工的CTQ还有一项是变更和偏差，因配方的初始新能已设定，后续的重大变更和偏差均会造成性能发生较大改变，这时在SPC上就会表现出数据分层的现象，这在GMP的标准中也有明确的描述。
4、针对原材料混批，原材料与过程波动的分层：
考虑生产的重复性验证比较差，过程又缺乏数据进行追溯的特点，工艺目前的做法是针对问题批，对后续的生产批做简单预控制，但目前还没有使用预控图，针对材料波动的区分验证更多的是依赖研发的解读来完成，在这一点，建议研发使用谢宁DOE种的小样本极差控制SPC图，来重复测试区分好坏出现的效应原因。
如果原材料混批，供方做SPC的意义就远大于我们，我们混批本身就消灭了一些组间的差异，统计是不够显著的。针对问题批次的原材料还是建议要完善留样或其他追溯机制。
5、针对测量数据不够精准：
MSA的评价基于两种，一种是过程的变差，一种是产品的公差，因化工过程普遍存在较大的偏移性，通常产品规格限比较宽保证产品符合标准，导致过程样品实际上很难覆盖所有的公差带，造成MSA评价不伦不类的情况。如果要针对过程做SPC，测量精度无法达到而短期无法改进时，这时候SPC的单点判异已经基本没有意义，但是数据发生群体性分层和变更还是有显著性意义的。
6、针对数据不服从正态分布
以统计学讲，数据如果严重不服从正态分布，传统的IMR-SPC是无法使用的，一些常见的数据变换也无法使用，而且传统的CPK、PPK均是不正确的，严格是需要使用百分位数来计算的，所以不建议去过多描述与化工很多实际不符的统计原理。
针对化工的特点，个人认为我们更应该强调SPC的运用，保持一些简单的统计特性就好，即使是生活中的应用也可以，大家更普遍的也是在使用一些经验SPC，等过程能力足够了，再谈更深的原理及应用。建议研发重点推广谢宁DOE小样本极差控制图、MSPC图的意义；生产工艺学习预控图；管理人员学习识别数据分层背后的原材料或过程重大变化与变更等，与供方探讨SPC控制与推广、减少供方与我司的测量差异等。 收起阅读 »

*2013年4月，第八届中国质量协会的颁奖典礼上，在评审“品质不折不扣”的理念下，我们公司以多年来致力追求满足客户满意度的决心与成就，脱颖而出，获得中质协品质奖。
我们公司自1999年起，努力实践 6σ (Six Sigma)的提高客户满意度策略。 6 σ曾经协助许多世界级企业展现惊人的成绩，它曾经使通用电气（GE）公司迈向营运的高峰，被杰克韦尔奇称许为通用所采用的过最重要的管理措施；也是西方企业力抗日本企业反败为胜的法宝。*
在学习完六西格玛课程后，我们公司要求对航班准点率进行分析。于是，我们协调相关部门，收集了从16号到26号航班在各个航程上的延误时间，并对特殊的情况加以记录，比如大雾、下雨等异常天气影响。然后将数据按照日期、航程、原因、天分为四列，存储在Excel的工作表中，在这里，不难发现使用SPC中的控制图来监控航班运行状况比较合适。
接下来我们考虑使用专业的统计软件进行分析，那么使用什么工具来制作控制图呢？众所周知，在统计分析方面，比较专业的统计软件有Minitab、JMP等工具。下面，我们分别使用最常用的这两种工具进行控制图分析。
首先打开这两个软件，然后定位到软件中的控制图工具。
（1）在Minitab中，我们找到了两种制作控制图的工具，即统计菜单下的控制图选项以及协助菜单的控制图功能。按照通常的软件操作步骤，我们很快在菜单栏的统计和协助选项中找到控制图功能，路径非常清晰。




然后在JMP中，我也找到了两种制作控制图的方法，即控制图生成器和控制图菜单项，它们都位于分析菜单下的质量和过程菜单中。




（2）在进行分析之前，我们分别将这两种软件的控制图工具加以比较：
<1>直接的控制图工具
从图形上，我们很容易发现在Minitab的统计>>控制图的菜单选项中，根据控制图类型的不同，把控制图分为五类，选择起来非常方便。在控制图菜单的最上方，有一个正态转换的工具即Box-Cox转换，这使得我们在使用有正态性要求的控制图时，可以方便地确定最优参数，把非正态数据转换为正态。
同样，我们可以看到在JMP当中的控制图菜单上，是按名称进行排列的，所以在使用的时候，需要对控制图有充分的掌握，才能进行正确的选择。相对来说，Minitab的控制图使用起来比较简单。
<2>辅助的控制图工具
在这里，我打开了Minitab协助菜单中的控制图，根据图形提示，我们可以轻松、准确地选择工具，甚至可以直接使用协助菜单的控制图功能进行统计分析。
Minitab的协助菜单



使用协助菜单进行控制图分析




最后协助菜单还会对分析结果进行判定，大大简化了统计分析的工作。

通过协助菜单得到的分析结果







下面我们看一下JMP软件中的控制图生成器，在控制图生成器中我们可以灵活的进行输入，使用手动拖动来设置图形变量。
JMP中的控制图生成器界面



输入过程变量之后，得到以下结果



（3）接下来，我们分别使用两个软件中直接的控制图对航空数据进行分析，得到了下面的结果：
Minitab中的控制图输出



会话窗口输出



JMP中的控制图输出



我们看到，Minitab的输出结果更加详细，对于失控点有具体的解释的说明，而JMP在这里输出的信息相对较少。
当然，有时我们需要将分析结果导出来，这时我们可以在Minitab中右键选择导出到Word、PPT,或者直接添加到报表当中，或者选择复制、打印或者保存为独立文件（Minitab支持多种图形格式）。在JMP当中，我们可以使用菜单下的选择工具进行选择，然后复制或者导出所需结果。
在分析结束之后，我们需要对失控原因进行调查，以尽可能减少航班延迟时间，提高客户满意度。
从分析的工具选择上来说，Minitab当仁不让是实施六西格玛的首选软件，其简单的操作和强大的功能能够非常完美的匹配我们在项目实施中的各种统计分析需求，最重要的是能把结论接的给出，达到事半功倍的效果，不愧为“非统计专业的专业统计软件”。

收起阅读 »

提示：――――SPC中的P是制造过程，SPC要求将统计的技术应用于过程，关注并控制制造过程的变差。但很多公司并没有理解此要求。
笔者曾去过一家工厂，工厂的客户要求工厂做控制图监控产品尺寸，且尺寸较多。
客户要求每天提交控制图给客户查看。但现在的控制限与产品公差比已很小了，所以常有超出控制限的情况存在。客户要求对超出控制限的点都进行分析、对策改善。
工厂认为，生产产品全部是合格的（有的产品项是经过全检的），控制限已比公差小了很多，这样对超出控制限的点进行分析，有点烦。
其实，这是工厂没有理解顾客的要求，或者说是没有理解SPC有关“变差”控制的理论或观点。也是国内许多应用SPC控制图公司对SPC理解的误区所致。
SPC中的P是制造过程（process），要求将统计技术应用于生产过程，关注并控制制造过程的变差。也就是说不仅要关注输出结果的变差，更应该关注的是输入的变差。输入的变差就是过程的变差。
顾客要求工厂关注制造过程的“变差”或说是质量特性的“波动”，而不是（或者说不一定是）关注制造过程的输出――产品。这是SPC中P的含义。
如果我们监测、控制了过程的“变差”，通过对“变差”的控制、减少进而改善过程的性能（注意是“过程性能”，不是产品性能），这是SPC的目的。
基于此，我认为，在SPC控制图应用中，产品的特性如尺寸只是我们“观测”过程变差的“媒介”而已。
好比，我们想要观测大海中波浪的起伏，可以通过“漂浮”在大海上的大木头来了解波浪的变化。――――控制图中的产品性能，就似这种大木头。我们是要通过大木头来观察大海，而不是将关注的重点放在大木头上。
然，国内SPC控制图的应用，不明此理者众矣。谬种流传亦久矣。
收起阅读 »

1. Ca、Cp、Cpk的计算

1) 过程准确度指数（Ca值）：表示过程特性中心位置的偏移程度，越小越好
Ca=（样本平均值-规格中心值）/（规格公差/2）
a) 等级A：|Ca|≦12.5% 表示作业员遵守作业规范,并达规格要求
b) 等级B ： 12.5%< |Ca|≦25% 表示必要时尽可能提升至A级
c) 等级C： 25%< |Ca|≦50% 表示作业员可能看错或未按标准作业，或须修改规格及作业标准。
d) 等级D： 50%< |Ca| 表示应采取紧急措施，全面整改可能影响之因素，应停止生产。

2) 过程精密度能力系数（Cp值）：表示过程特性分散的程度，值越大越集中。
Cp=(规格上限-规格下限)/（6×标准差）
a) 合格：1.33≦Cp表示能力足够
b) 警告：1.00 ≦ Cp< 1.33表示能力无足够宽度,平均值稍有偏差时,不良率既会增加。
c) 不合格： Cp< 1.00表示能力不足，有不合格品，须全数筛选，并设法缩小变异或整改规格公差。

3) 过程综合能力系数(Cpk值)：同时考虑“偏移”程度及“分散程度
Cpk=(1-Ca) ×Cp
a) 此系数为过程评价用系数，用于过程改善
b) 客户指定Cpk值时，欲达到此Cpk值，可先探讨Ca及Cp值：“准确度”“精密度”是否有适当能力
c) 一般客户是指定值多数为≧1.33；Cpk值≧3.00时，表示过程能力已经足够了，继续维持即可；若想进一步改善，应考虑成本效益。
Cp=(Usl-Lsl)/6δ
Cpku=(Ucl-Xbar)/3δ Cpkl=(Xbar-Lsl)/3δ
Cpk=min(Cpku : Cpkl)
2、首先我们先说明Pp、Cp两者的定义及公式

Cp（Capability Indies of Process）：稳定过程的能力指数，定义为容差宽度除以过程能力，不考虑过程有无偏移，一般表达式为： Cpk， Ca， Cp三者的关系： Cpk = Cp×（ 1－┃Ca┃），Cpk是Ca及Cp两者的中和反应，Ca反应的是位置关系（集中趋势），Cp反应的是散布关系（离散趋势）
Pp（Performance Indies of Process）：过程性能指数，定义为不考虑过程有无偏移时，容差范围除以过程性能，一般表达式为：
（该指数仅用来与Cp及Cpk对比，或/和Cp、Cpk一起去度量和确认一段时间内改进的优先次序）
CPU：稳定过程的上限能力指数，定义为容差范围上限除以实际过程分布宽度上限，一般表达式为：
CPL：稳定过程的下限能力指数，定义为容差范围下限除以实际过程分布宽度下限，一般表达式为：

3、现在我们来阐述Cpk、Ppk的含义

Cpk：这是考虑到过程中心的能力（修正）指数，定义为CPU与CPL的最小值。它等于过程均值与最近的规范界限之间的差除以过程总分布宽度的一半。即：
Ppk：这是考虑到过程中心的性能（修正）指数，定义为： 或 的最小值。即：
其实，公式中的K是定义分布中心μ与公差中心M的偏离度，μ与M的偏离为ε=| M-μ|

4、公式中标准差的不同含义

①在Cp、Cpk中，计算的是稳定过程的能力，稳定过程中过程变差仅由普通原因引起，公式中的标准差可以通过控制图中的样本平均极差估计得出。
因此，Cp、Cpk一般与控制图一起使用，首先利用控制图判断过程是否受控，如果过程不受控，要采取措施改善过程，使过程处于受控状态。确保过程受控后，再计算Cp、Cpk。
②由于普通和特殊两种原因所造成的变差，可以用样本标准差S来估计，过程性能指数的计算使用该标准差。

5、几个指数的比较与说明

① 无偏离的Cp表示过程加工的均匀性（稳定性），即“质量能力”，Cp越大，这质量特性的分布越“苗条”，质量能力越强；而有偏离的Cpk表示过程中心μ与公差中心M的偏离情况，Cpk越大，二者的偏离越小，也即过程中心对公差中心越“瞄准”。使过程的“质量能力”与“管理能力”二者综合的结果。Cp与Cpk的着重点不同，需要同时加以考虑。
② Pp和Ppk的关系参照上面。
③ 关于Cpk与Ppk的关系，这里引用QS9000中PPAP手册中的一句话：“当可能得到历史的数据或有足够的初始数据来绘制控制图时（至少100个个体样本），可以在过程稳定时计算Cpk。对于输出满足规格要求且呈可预测图形的长期不稳定过程，应该使用Ppk。”

④ “所谓PPK，是进入大批量生产前，对小批生产的能力评价，一般要求≥1.67；而CPK，是进入大批量生产后，为保证批量生产下的产品的品质状况不至于下降，且为保证与小批生产具有同样的控制能力，所进行的生产能力的评价，一般要求≥1.33；一般来说，CPK需要借助PPK的控制界限来作控制。
Ppk：Overall performance capability of a process, see Cpk. 过程的整体表现能力。
Cp：A widely used capability index for process capability studies. It may range in value from zero to infinity with a larger value indicating a more capable process. Six Sigma represents Cp of 2.0. 在流程能力分析方面被广泛应用的能力指数，在数值方面它可能是从零到显示更强有力流程的无穷大之间的某个点。六个西格玛代表的是Cp=2.0。
Cpk：A process capability index combining Cp and k (difference between the process mean and the specification mean) to determine whether the process will produce units within tolerance. Cpk is always less than or equal to Cp.一个将Cp和k（表示流程平均值与上下限区间平均值之间的差异）结合起来的流程能力指数，它用来确定流程是否将在容忍度范围内生产产品，Cpk通常要么比Cp值小，要么与Cp值相同。”
在一般的TS16949推行过程中，Ppk用来表示短期能力指数，Cpk用来表示长期能力指数。从Ppk的计算公式中使用的分析，Ppk表达的应该是一个包含引起变差的普通原因和特殊原因的过程。这样的过程其实就是一个非受控过程，而一个非受控过程在理论上应该是在过程初期和长期过程中都会遇到的。

6.Cm、Cmk与pp.ppk计算的公式一致,采用连续抽样。

CPK=Min(CPU,CPL) 收起阅读 »

小龙是一位汽车工程师，一个上小学二年级8岁男孩的父亲他们的家庭生活会有什么不同吗？

其实小龙和其他父亲也没什么区别，当然每个父亲都关心自己的孩子，尤其关心孩子的身体健康和安全，这不，父亲正为孩子上学路上可能发生的情况苦思苦想呢。小龙想到了孩子上学路上可能会贪玩，因而上学迟到，被老师处罚，因而耽误学习（小龙认为发生的可能性较大，他选择发生度O=5或6）；也想到了路上有一个马路需要孩子横穿过去，发生交通事故的可能性也有，当然不是很大（小龙认为发生度O=3或4）。当然还有其他可能发生的事情，但发生的可能性都非常小（小龙认为发生度O=1或2），所以不再考虑。接着小龙分析，上学迟到是一件风险不是很大的事情，仅仅影响学习而已，他将风险系数确定为S=4或5，而发生交通事故的确是个大问题，父亲将风险系数确定为S=9或10。接下来小龙开始寻找对策，如何不让上述情况发生或一旦发生后损失最小，当然最好的办法是父亲每天送孩子上学，可是小龙因为工作原因做不到这样，最后小龙想出了办法，他每天写一个纸条让孩子交给老师签字，这样小龙就可以监控孩子每天是否按时到学校（小龙认为探测度非常高，确定D=3或4）；小龙为孩子选择了一条可以不横穿马路的上学路径，从而使发生的可能性降的很低（小龙确定新的发生度为O=1）。孩子不解地问父亲为什么这样做？小龙神秘地告诉孩子他的这种方法是汽车行业非常流行的潜在失效模式及后果分析（英文简称FMEA），孩子不以为然，但还是按照父亲的办法执行了。

小龙还关心的是孩子的学习成绩，因为没有时间照顾孩子，便为孩子每次考试成绩做了曲线图（小龙告诉孩子这叫X-R控制图，是统计过程控制SPC的一种），孩子不明白，问父亲这图有什么用，小龙告诉孩子可以用来监控学习成绩的变化，以便及早做出预防，比如：有超出控制限的点或连续几点上升或下降，都需要作出分析，找原因。孩子笑了，问父亲：“如果连着上升不就说明成绩变好了吗，还分析什么”？小龙严肃地告诉孩子，即使连续上升也要分析，分析的目的是找出变好的原因，以便形成标准并加以巩固，孩子似懂非懂地点点头。

孩子的课外活动也是小龙所关心的，有一次学校让每个孩子做5个手工制品参加竞赛，学校给了制作标准，要求周五上交。孩子做好了一个，并要继续做下去，却被小龙制止了，他告诉孩子先别急着继续做，明天先拿这个给老师检查一下，合格后再继续做后面的4个，孩子笑话父亲太小心谨慎了，父亲同样严肃地告诉孩子，这叫做产品和过程批准（英文简称PPAP），小心使得万年船。孩子按父亲的教导去做了，果然孩子的作品获得了成功，而同班的却有几名同学因作品不合格被取消了参赛资格，这次孩子终于开始佩服父亲了。

期末到了，小家伙因为在各方面的出色表现被老师表扬，当老师和同学要求小家伙说一说成功的经验时，小家伙本想把父亲教他的什么FMEA，SPC，PPAP好好宣传一番，可由于兴奋，竟然一点也想不起来，最后只好说：“因为我爸是个汽车工程师。”
注：资料转自网络ylh1118 收起阅读 »

SPC 出现了第2和第7异常，CPK值很小，数据都集中在一个标准差内，求教：
数据很集中都在一个标准差内，为什么CPK值很小，图片请看下附件.
求SPC大侠帮忙，谢谢！

2014年9月29日，中国超越美国，成为世界第一大经济体。中国经济举世瞩目，而处于“微笑曲线”底端的中国制造业却仍在艰难前行——严酷的价格竞争倒逼规模宏大、表面风光的中国制造业不断压缩制造成本，换取薄若刀片一般的微薄利润。正如James Champy 在《企业之业务重组》中曾使用的“do or die”，中国制造业正在经历非生即死的环境变化。

在这样的形势下，制造企业寻求新生的路径大抵有四种，一是以技术创新为依托，形成指名销售的议价能力；二是从制造商向服务商转型，提高软件部分的获利能力；三是以信息流创新的方式，缩短乃至重新掌控消费者关系；四是内部管理流程再造，以提高劳动生产率，拓展利润空间。

前三条途径都是以“转变”为核心，而唯有第四条——内部管理流程再造是以“重新利用”为基准。因此，这条途径就意味着企业并不需要付出高昂的成本，就可以实现“do or die”的转变。换句话说，在制造成本方面，企业其实有大量压缩空间，提高产出质量并不需要增加成本，甚至可以科学有效、合理合法地将成本降到更低，这条“捷径”就在于生产过程，但是很多制造企业可能还没有认识或做到这点。

这使我不禁想起了最近在华纳圣龙实地参观时，该公司生产部经理与前来参观的一位质量经理的谈话。起初，我们就对这家年收入超2亿元，在业内赫赫有名的中美合资企业抱有极大的兴趣。因此，参观期间这位质量经理好奇地问道：“华纳圣龙在车间现场配有多少个检验员？”之所以会有这类疑问，是因为这位质量经理的现场要求全检，一旦客户投诉，生产部门就会抱怨这是检验员后期工作不到位才出现的问题。但是即便配备了如此多的检验员，生产和质量之间仍然保持着“剪不断、理还乱”的关系。

抱着同样的疑问，参观过程中大家对华纳圣龙的过程及管理控制着实惊叹不已。在参观过的所有三个加工车间，我们发现一共只有2名检验员。一旦零部件生产加工中出现问题，调试人员、生产人员及质量检测人员会一起来判断是否需要进行下一步批量生产。在过程控制方面，质量管理系统会在操作员在现场录数时，根据产品的特性及实际使用情况，告知员工产品测量的部位及取值的原则，时刻提醒员工如何取值，并帮助其理解为什么要如此取值。如果产品未设置公差限和控制限，员工将无法输入，充分发挥防错提醒功能。现场操作员还根据控制计划的要求设定检测时间。如果操作员没有按时输入，现场质量管理系统将发出红色报警，并将报警信息和实时数据以邮件的形式发送给管理人员。在管理控制方面，基于接收到的报警邮件，管理人员得以及时发现生产现场的异常状况。此外，借助现场监控平台和控制图，管理人员即使不在车间现场，也可随时知道每台设备及产品的过程能力，做到心中有数。

“事后检验”和“实时预控”已不再新鲜，“全员质量”也是老生常谈。然而，在华纳圣龙的现场，我们看到：“全员质量”要求的是每位生产人员、调试人员和检验人员都投入到质量管理；质量把控不再依靠“事后检验”，关注生产过程就可以实现“实时预控”。实时分析与事前预防正是质量管控的根基所在。但这些，却被大多数的制造企业所忽视。这些企业的管理者还在习惯于依靠主观猜测来做决策，仍然安于滞后的数据收集与检验。

“do or die”？早在二十年前，张瑞敏就曾在其重量级出版物《海尔是海》中写道：“随着海的号令执着而又坚定不移地冲向同一个目标，即使粉身碎骨也在所不辞。因此，才有了大海摧枯拉朽的神奇。”现在，我们不一定有能力，也完全不需要翻天覆地的改变，但却需要有粉身碎骨也在所不辞的毅力，通过对生产过程的持续关注，实现中国制造的低成本再造和中国质量的成功逆袭。
收起阅读 »

在企业中，有些岗位部用SPC方法来控制，比如设备自身就是不稳定。但是为了避免客户投诉只能用全检的方法控制。是否有些方法可以做抽检就能保证产品质量的稳定。

在做DMAIC改善时，我们经常要比较改善前后，优化前后的效果。这个方法通过数据的单值图可以很直观的呈现。

不知你是否有过同样的经历，在一个产品出现问题后，人机料法环挨个检查遍，完全没有问题，正当你毫无头绪的时候，却发现是测量出了问题；一个产品在机台、模具、工艺同时稳定的情况下，每次尺寸总会有偏差，有了上次的经验，你会首先质疑质量有没有做PPK，做了，却发现在这个PPK之前根本就没有做MSA，当你还没有确认测量系统是否符合正态分布的情况下就做PPK了，能有说服力吗？
所以作为工艺的我们要自己系统地学习SPC，决不能就这么被人随便给忽悠了，以后会每隔一段时间或写点自己的心得，或摘点原文，好了，先把正文前的六点注意事项摘出来，注意，很多资深DQE都不一定能做到这六点：
一、收集数据并用统计方法来解释它们并不是最终目标，最终目标应该是在阅读的过程中不断加深理解，但一个不能实现任何改进的技术专家是很容易的，我们应该将增长知识作为行动的基础。。
二、测量系统对适当的质量分析来说是很关键的，在收集过程数据之前就应该很好地对它们加以了解。如果这些测量系统缺少统计控制，或他们的变差在过程总变差中占很大比例，就可能作出不恰当的决定。
三、研究变差和应用统计知识来改进性能的基本概念适用于任何领域。
四、SPC代表统计过程控制，但以前的统计方法常用于零件而不是过程。应用统计技术来控制输出（例如，零件）应仅仅是第一步，只有当产输出的过程成为我们努力的重点，这些方法才能在改进质量、提高生产效率、降低成本上充分发挥作用。
五、尽管手册中的每一点是透过已完成的例子来说明的，但要真正理解这些知识需要进一步与过程控制实际相联系，研究读者自己的工作场所或相似活动中的实际例子，是对本书的重要补充，实际工作经验是无法替代的。
六、本手册可看成应用统计方法的第一步，它提供了被普遍接受的方法，并在许多场所得以应用。然而，还是存在一些例外的情况，在这些情况中，盲目地使用这些方法是不恰当的。 收起阅读 »

之前有看到过很多人总结的规律口诀，但还是觉得我自己总结的这个最好，朗朗上口表达清楚。

一点A外九一边，
十四上下六连添。
三分之二在B外，
五里有四C外闲。
十五全部在C内，
C内居然无八仙。

今天在坛子上看到有人问问题，这个问题虽然新手不明白（http://www.6sq.net/question/494524），我想很多老鸟也不太能系统的总结出它的真正道理所在，因此我对这个帖子的答案，单独开贴说一下。
问题如下：
****1、为什么计算CPK时要去掉异常点？
2、为什么只有受控时才可以计算CPK?
3、为什么计算CPK时 要先看极差图，然后再看均值图？ ****

--------以下为我的解释，虽然不是标准答案，但也算是一种总结吧------
1、从数学角度，严格来说，异常点是不允许去除的。
但是我们需要知道几个前提：CPK和控制图不可分家、过程稳定受控才可进入Xbar-R控制图以及计算CPK；
由此，
当过程稳定且受控的时候，我们的CPK和控制度所监控的是一般原因导致的过程变化，此时的异常点一般表示特殊原因，它超出了控制图的理论监控范围；
因此，我们在做控制图的时候，对异常点需要做出动作，并作出说明。
为了突出我们的控制重点，以及目的性，我们需要知道过程中没有特殊原因的情况下所表现出的质量水平CPK值，它表示了过程了常规控制水平；
由此，后面才总结并提出了这个规则：CPK计算过程中需要剔除异常点。

2、CPK的计算中有几个点需要注意：
西格玛是由Rbar除以常数估算出来的；
计算Rbar的每一个R值都是组内偏差；
同时Xbar是每个组内均值之后的均值----我们经常知道“被”平均这么个说法，是不太科学的和满足数学规则的……
为避免“被”平均和极差偏差所引发的监控失效/无效，我们必须确保监控之前的过程是稳定且受控的，它必须通过初试过程能力PP/PPK（包含单值图）的测评数据来证明。

3、极差大了，表明被平均的就严重了，实际过程过程变差波动量，将远远超出我们控制图可见的波动图，那么Xbar图就没有必要看了。
收起阅读 »

自己制定的TS五大手法学习，PPAP、APAP、FMEA都已经顺利完成了，五一假期把SPC学习完了，近几天抽空把散乱的学习笔记整理了下，又有些新的收获。自己学习的还只是皮毛，需要深入的学习才可以。


SPC学习小结
一，名词解释
SPC= statistic process control ，通过收集，计算，分析和改进数据手段，从而了解制程其最佳范围的成本、降低风险，并确定其控制机范围的异常和正常规律，达成一种实现预测并实施改进措施的方法。
二，与控制有关的要素 1，适应范围，找出最佳控制范围
2，经济成本 ，控制的最经济成本
3，减少风险，在达标要求下，选择最小的风险
4，展现能力，确定控制范围
三，统计过程控制主要目的：通过现在管控来预防未来
四，SPC VS SQC
前者适用于过程关键特性；后者针对产品结果
五，如何去界定关键特性（需要用二八法则抓住关键少数）
1，顾客指定的特性，一般在图纸或是设计数据中体现出来
2，国家或行业相应的法律、法规
3，公司自行的判定
4，任何一个产品应该有的关键特性
六，规格界限 VS 控制界限
规格界限：用于说明质量特性的最大许可值，来保证各个单位产品的正确性能，
规格界限分类：1）双边规格
2）单边上规格
3）单边下规格
控制界限：应用于一群单位产品集体的量度，这种量度是从一群中各个单位产品所得的观测值计算出来的。

七，制作控制图的步骤：1）控制图准备
2）收集数据
3）建立控制限
4）过程控制解释
5)延长控制限

备注：所有的统计都可能会有错误：1）α风险也是生产者风险，虚发警报（即产品没有问题，却检出有问题，产品被扣留）
2）β风险也是消费者风险，漏发警报（即产品有问题，却没有检出来，发送到客户端）

备注：1）μ是位置参数，形状不动，位置变动
2）δ形状参数，位置不动，形状改变

SPC管理为什么要选择6δ：1）这样对产品的质量完全有把握的
2）在这种情况下，生产是最经济的
备注：没有规律的控制图，越是好的控制图，说明是很随机的。

八，控制图的判读规则：1）有一个点落在了界限外，
2）连续7点在同一侧
3）明显的非随机图：应该是2/3的数据点落在控制区域的1/3范围内。

备注：1，这三个是最基本的三个规则，如果增加规则会增加控制的稳定性，但是会增加虚发警报的风险。
2，为什么连续7点在同一侧算是异常呢，因为7个点落在同一侧的概率是

九，过程能力的前提假设：1）规程处于统计稳定状态
2）过程的各测量值服从正态分布
3)工程及其他规范准确地代表顾客的要求
4）设计目标值于规范中心
5）测量变差相对较小
十，过程能力指数：1)Ca 值，准确度，制造过程的平均值，客户规范的中心值，其范围是[0 ,1 ]
2) Cp值，研究范围的宽度与制程宽度的比较（在Ca值很小的情况下计算才会有效果）
3）CPK 计算方法 双边规格，Cp = (UCL-LCL)/6δ
单边上规格Cp=UCL-X/3δ
单边下规格C p =LCL-X/3δ
十一，评价过程能力 ：1）CPK＜1，说明过程能力差，不可以接受
2) CPK[1 ,1.33]说明制程能力可以，但是需要改善
3）CPK[1.33，1.67] 制程能力正常
4）CPK＞ 1.67 制程能力良好
十二，PPK VS CPK
1）计算公式是一样的，只是δ取值不一样。PPK中δ是标准差，CPK中的δ=R/D2
2） PPK 是过程绩效指数，是一个性能指数，综合能力的指数，考虑到组内和组间的变异；CPK是用标准偏差来计算的，是反应平均之后的差异（前提是过程稳定），考虑到组内的变异。
3）一般情况下CPK≥PPK
收起阅读 »

提示：
――――SPC中的P是制造过程，SPC要求将统计的技术应用于过程，关注并控制制造过程的变差。但很多公司并没有理解此要求。


前几天去一家工厂，工厂的客户要求工厂做控制图监控产品尺寸，且尺寸较多（约有十几项）。客户要求每天提交控制图给客户查看。现在的控制限与产品公差比已很小了，所以常有超出控制限的情况存在。客户要求对超出控制限的点都进行分析、对策改善。
工厂认为，生产产品全部是合格的（有的产品项是经过全检的），控制限已比公差小了很多，这样对超出的点分析，有点烦。


其实，这是工厂没有理解顾客的要求，或者说是没有理解SPC有关“变差”控制的理论或观点。也是国内许多应用SPC控制图公司对SPC理解的误区。

SPC中的P是制造过程，SPC要求将统计的技术应用于过程，关注并控制制造过程的变差。


顾客要求工厂关注制造过程的“变差”或说是质量特性的“波动”，而不是关注制造过程的输出――产品。这是SPC中P的含义。

如果我们监测、控制了过程的“变差”，通过对“变差”的控制、减少进而改善过程的性能（不是产品的），这是SPC的目的。这也是TS16949标准8.1.2的要求。
基于此，我认为，在SPC控制图应用中，产品的特性如尺寸只是我们“观测”过程变差的“媒介”而已。

然，国内SPC控制图的应用，不明此理者众矣。谬种流传亦久矣。

原创。谢绝转载。
**
收起阅读 »

最近在网上看到有SPC云服务推出了，申请了一个帐号试了一下。感觉还不错，主要是方便。只要能上网就可以使用，PAD，电脑，手机都可以用。也算是实时SPC系统。只要把数据上传之后，系统会立刻发异常信息给你。功能也不错，挺丰富的。大家可以百度一下：SPC云服务，就可以找到服务商。 收起阅读 »

大数据时代，制造企业应借力制造业智能(MI)技术，充分发掘沉睡在数据背后的巨大商业价值。提升产品品质，降低质量成本，以期在激烈的市场竞争中脱颖而出。

　　据麦肯锡全球研究所(MGI)和麦肯锡商业技术办公室的最新调查研究显示：“任何一个行业的领军者都已经看到了大数据所带来的前所未有的潜力和重大意义。”据算，2009年，美国经济领域的各个行业中，员工数量超过1000人的企业平均产生了至少200万亿字节的数据(比沃尔玛1999年的数据库还要大2倍)。各行各业都有大量的数据可供分析，而数据分析在产品制造领域已经和劳动力、资本地位平行。

　　与互联网、电子商务、金融等行业对数据的充分挖掘不同，在中国的生产制造企业，生产信息化虽已成普及态势，但对各类数据信息的进一步挖掘却仍处起步阶段——我们一直关注的质量数据也是如此。

　　在记者走访的制造企业中，企业对数据的记录多停留于两种形态：1、传统的纸笔记录;2、Excel电子表格记录。这些操作起来看似简单的数据管理方式，在浪费人力物力的同时，还为企业生产及质量监控埋下了巨大的隐患。而真正挖掘数据背后的价值，更是无从谈起。

　　看似简单的纸质记录数据，必须放在独立的档案室归档。而看起来稍微先进一些的Excel表格，虽然将数据以文件形式存储在电脑中，但如果工程师想对既有数据进行比较分析，却不得不打开数十个甚至上百个文件——当然，这是在数据量小的情况下。

　　举个例子：如果领导希望了解过去3个月生产线A的运行情况，而这条生产线每天会生产200件产品。以每条生产线每天做一份数据记录计算，要想对过去2周的数据进行纵向比较，一位工程师最少要打开14个Excel文件以便调取数据。试想，如果要比对过去3个月的数据，这位工程师要打开多少个文件？如果要比对过去1年的数据呢？当然，企业用Excel表格进行相关数据记录，对于那位工程师而言已经足够幸运。如果质量数据全部记在纸上，又要进行3个月的数据分析，对工程师而言，那将是一种怎样的灾难？

　　上述案例只是传统数据管理的弊端之一。幸运的是，领导与客户不会每天都要看报告。而这些存在文件夹/档案室中的数据，就如同躺在一个个孤岛上一般——沉睡，只为满足工程师的不时之需。于是，我们看到，企业在面对转型升级时，常常措手不迭。可惜，没有人会想起那些沉睡的数据及其背后蕴含的海量商业信息。

　　“降低质量成本，提升产品品质”，对于制造企业而言，不能仅是“空头支票”。解决方案在哪里？在盈飞无限中国区技术总监舒德春女士的演讲中，我们找到了答案——全新企业级质量中心，基于制造业智能(MI)技术的盈飞无限 ProFicient SPC软件。

　　制造业智能(MI)对我们而言早已不是一个陌生名词，但将制造业智能技术应用于质量管理的SPC(统计过程控制)领域却是首次。制造企业诸如：各类点检表存储、查找困难;电子数据分散，没有分析或者很少分析;现有分析工具无法保证良好的效果等一系列生产质量管理难题，在ProFicient SPC软件系统中，迎刃而解。

　　对比传统数据管理模式，盈飞无限 ProFicient SPC软件，以中央SPC分析引擎为核心，通过“云端”或本地的灵活部署，在数据采集和集成、实时监控和分析、工作流管理、高级报表套装及SPC质量中心等诸多功能的共同作用下，对企业实时生产质量数据进行主动监控，帮助制造企业完全打破纸笔及Excel等传统工具在质量数据上的时空局限。其独立的数据库存储模式，让任意数据调取成为现实。以多级帕累托图、多级箱线图为代表的超300种统计分析图表可以帮助制造企业全方位、多角度对质量参数进行任意对比分析，找出潜在质量隐患，降低隐形质量风险，在赋予数据二次生命的同时，充分发掘数据中蕴含的巨大价值，

　　盈飞无限中国区技术总监德春女士对我们说：“在大数据时代，借力制造业智能(MI)技术，通过更透明、更可用的数据，企业可以释放更多蕴含在数据中的价值。实时、有效的一线质量数据可以更好的帮助企业提高产品品质、降低生产成本。企业领导者也可根据真实可靠的数据制订正确战略经营决策，让企业真正实现高度的'制造业智能'”。

收起阅读 »

导语：制造业智能（MI）并不是新概念，但大多数质量管理人士却对其漠然视之。细化至SPC领域更是如此。是观念陈旧还是概念误区？正确的SPC软件工具如何实现制造业智能？且看专家为您详细解读。



制造业智能技术奖刷新质量人士对SPC软件工具的传统认知


对先进的制造企业而言，制造业智能（MI）技术早已不是一个新词。近年来，劳动力和原材料成本不断攀升，压缩制造企业利润同时也迫使企业在竞争中寻求新的突破。而制造业智能技术凭借卓然领先的理念及切实有效的应用，顺理成章地进入企业管理者眼帘。学习、借鉴、模仿、推行，企业大兴土木不吝投入，只为追赶国际先进水平，不被市场所淘汰。但是信息化、云计算、大数据等制造业智能技术似乎是生产与IT的事情，对于质量人士而言，那一切于己无关，细化至统计过程控制（SPC）领域，更是如此。

如果说质量管理在中国业已走过20年岁月，六西格玛在制造企业已然扎根10年，那么，先进正确的SPC理念步入中国不过5年光景——虽然SPC的方法论已问世90余年，但若就领略SPC精髓并将其正确应用到生产实践这一点而论，对比国际先进企业，中国制造尚处于起步阶段。

在2012年度全国质量奖励大会暨第10届全国六西格玛大会上，笔者有幸见到最优秀的国有企业质量负责人。在几天的学习交流中发现，大家对于六西格玛、精益生产的热衷及对其载体工具认知的浅薄形成了强烈对比。大多数质量人知道前进方向，但走哪条路能更快的到达终点，他们不知道。

这里笔者针对与会企业SPC认知及其应用做了如下分类：
1、“SPC，我知道，有用Excel在做”。
2、“我们有SPC，专门请人定制开发的”。
3、“我们一直在用‘专业’的SPC软件”。

很欣喜，几乎所有的受访者都知道SPC方法论，而且其所在企业正在运用SPC进行质量管控。虽说质量管理条条大路通罗马，但受访内容显示，上述三类企业在利用SPC进行的质量管控之路上都走了弯路。

用Excel表格做SPC，虽能起到简单数据分析的效果，但数据的延迟性、分析的滞后性，以及人为操纵数据的真实性上问题频现。而定制开发SPC的软件，因供求双方专业性及知识性的局限，虽然软件可满足企业一时之需，但却为未来质量管理的升级与拓展埋下隐患。

这里，笔者需特别强调的是第三类企业。他们一直认为自己用的是专业SPC软件产品，可在问及软件实际使用效果时，几家企业的负责人却对笔者做了这样的表述：“目前SPC软件基本能够实现数据的监控与分析，虽然不是实时的数据但基本可‘满足’企业当前需求。不过比较头疼的是实时预警与提醒。如果软件没有办法实现实时的报警与提醒，一旦出现问题，损失巨大。”而对于软件升级问题，几位负责人则都用摇头回应了笔者的提问。

SPC软件是否真如这些“中国制造”脊梁企业所认知那般？带着问题，笔者走访了同期参会的盈飞无限国际有限公司（InfinityQS International, Inc.）（以下简称盈飞无限）的SPC技术专家。他们为大家还原了先进SPC软件工具的本质。

在盈飞无限的专业人士看来，先进的SPC软件工具是制造业智能技术与先进SPC理念的结晶，是传统SPC理论在现代制造企业生产实践应用的升华。对比传统SPC软件工具的应用，以制造业智能技术为依托的先进SPC软件具备以中央SPC分析引擎为核心，可根据企业需求在云端或本地灵活部署等特点。并且在数据采集和集成、实时监控和分析、工作流管理、高级报表套装及SPC质量中心等诸多功能的共同作用下，先进的SPC软件不但可对企业实时生产质量数据进行主动监控，帮助企业轻松建立生产线实时报警与预警机制，而且让任意数据横向与纵向的对比分析成为现实，切实赋予数据二次生命。

面对中国制造业质量管理现状，更多专业人士认为，中国制造企业应当“请进来与走出去”并重。遗憾的是，我们看到的国有企业更多奉行的是“走出去”原则。大家期望到领袖企业学习先进的质量管理理念与方法技术，但能否将先进的理念与技术“请进来”，则取决于企业领导者对质量管理的支持力度及渴望改善企业质量管理水平的决心。在此大背景下，众多国有企业质量负责人对SPC软件工具的应用会陷入一种误区也是意料之中。随着企业质量管理需求的提高，及基于制造业智能技术的SPC软件工具应用普及，相信越来越多的中国制造企业会以更先进、更正确的SPC管理理念及方法工具来推进企业的质量管理工作，让质量切实为企业贡献效益，贡献利润。
收起阅读 »

背景:工序：精磨后抛光 要求 Ra0.1； 多型号同一特性都要求是控制Ra0.1（批多、量少）.
抽样 20组 n=5 上下午个一次（数据经过验证 符合正太分布） 选择均值-极差 图
现CPK=2.596 PPK=1.540 但均值图上有2-3点超出控制限（计算出的USL=0.068 CL=0.0546 LSL好像0.044）但在公差要求内；
首先可以判定过程不受控的，那么应该看或者考虑的是PPK，因CPK是在判定稳定受控的过程后才可以通过计算的，而PPK无此要求。
那么是否通过过程改善使其达到受控状态，但这里有个问题那种情况下我的CPK应比2.596还高，这样的话过程能力不是过剩、浪费吗？
另就是料这方面—各型号连杆但量不多，我的原料不是一个批次（过程）、始终存在组件变差（不管大小）；这种情况是否适用于SPC控制。
做了几年质量，这方面知识看过些书、网上也看了些帖子，第一次实战（机会难得）还是有点迷糊，请各位指教。


收起阅读 »

汤姆是一位汽车工程师，一个上小学二年级8岁男孩的父亲他们的家庭生活会有什么不同吗？

其实汤姆和其他父亲也没什么区别，当然每个父亲都关心自己的孩子，尤其关心孩子的身体健康和安全，这不，父亲正为孩子上学路上可能发生的情况苦思苦想呢。

汤姆想到了孩子上学路上可能会贪玩，因而上学迟到，被老师处罚，因而耽误学习（汤姆认为发生的可能性较大，他选择发生度O=5或6）；也想到了路上有一个马路需要孩子横穿过去，发生交通事故的可能性也有，当然不是很大（汤姆认为发生度O=3或4）。当然还有其他可能发生的事情，但发生的可能性都非常小（汤姆认为发生度O=1或2），所以不再考虑。接着汤姆分析，上学迟到是一件风险不是很大的事情，仅仅影响学习而已，他将风险系数确定为S=4或5，而发生交通事故的确是个大问题，父亲将风险系数确定为S=9或10。

接下来汤姆开始寻找对策，如何不让上述情况发生或一旦发生后损失最小，当然最好的办法是父亲每天送孩子上学，可是汤姆因为工作原因做不到这样，最后汤姆想出了办法，他每天写一个纸条让孩子交给老师签字，这样汤姆就可以监控孩子每天是否按时到学校（汤姆认为探测度非常高，确定D=3或4）；汤姆为孩子选择了一条可以不横穿马路的上学路径，从而使发生的可能性降的很低（汤姆确定新的发生度为O=1）。孩子不解地问父亲为什么这样做？汤姆神秘地告诉孩子他的这种方法是汽车行业非常流行的潜在失效模式及后果分析（英文简称FMEA），孩子不以为然，但还是按照父亲的办法执行了。

汤姆还关心的是孩子的学习成绩，因为没有时间照顾孩子，便为孩子每次考试成绩做了曲线图（汤姆告诉孩子这叫X-R控制图，是统计过程控制SPC的一种），孩子不明白，问父亲这图有什么用，汤姆告诉孩子可以用来监控学习成绩的变化，以便及早做出预防，比如：有超出控制限的点或连续几点上升或下降，都需要作出分析，找原因。孩子笑了，问父亲：&quot;如果连着上升不就说明成绩变好了吗，还分析什么&quot;？汤姆严肃地告诉孩子，即使连续上升也要分析，分析的目的是找出变好的原因，以便形成标准并加以巩固，孩子似懂非懂地点点头。

孩子的课外活动也是汤姆所关心的，有一次学校让每个孩子做5个手工制品参加竞赛，学校给了制作标准，要求周五上交。孩子做好了一个，并要继续做下去，却被汤姆制止了，他告诉孩子先别急着继续做，明天先拿这个给老师检查一下，合格后再继续做后面的4个，孩子笑话父亲太小心谨慎了，父亲同样严肃地告诉孩子，这叫做产品和过程批准（英文简称PPAP），小心使得万年船。孩子按父亲的教导去做了，果然孩子的作品获得了成功，而同班的却有几名同学因作品不合格被取消了参赛资格，这次孩子终于开始佩服父亲了。

期末到了，小汤姆因为在各方面的出色表现被老师表扬，当老师和同学要求小汤姆说一说成功的经验时，小汤姆本想把父亲教他的什么FMEA，SPC，PPAP好好宣传一番，可由于兴奋，竟然一点也想不起来，最后只好说：“因为我爸是个汽车工程师”。 收起阅读 »

1924年休哈特质控图推出以来一直成为质控系统的基本工具，其实张公绪先生在上世纪80年代提出选控图补充质控图的不足，本论坛鲜见论述选控图工具。
但有化工行业网友发现其数据分布非正态而困惑，所以笔者认为推荐张公绪《两种质量诊断理论及应用》很有必要，即研究选控图理论。
张氏认为如前后两工序不独立（多工序更复杂），需建立前后工序两张质控图（总质量）和后工序选控图（分质量），用3图联合应用判断是否有系统性变异。每张图有正常和异常两种状态，排列组合共有8种组合可能性，由于前后工序不独立时，前后因子有相关关系或函数关系，所以其中一半可能误判（非两类统计失误概念）或漏判。
用休哈特思想认为只需前后工序都用质控图，可从源头到全程控制质量？但不一定！
比如在非独立两工序中，前后质控图均正常，实际下工序分质量可能异常会遗漏。原因是上工序与下工序其质量方向相反叠加，而抵消了下工序质量异常的信息，后工序质控图呈正常状态的错觉。
收起阅读 »