果然，翻出他们抽检的原始记录，和图纸一比对，真相是操作工每天只量首件，剩下的全凭感觉填。更让人哭笑不得的是，质量经理其实知道这事，他的理由居然是：“客户审核要看SPC记录，我们总得有吧。”——这他妈是应付检查，不是做过程控制。
这种场景，干制造的同行怕是不陌生。SPC，统计过程控制，听起来高大上，实际推行起来往往一地鸡毛。我见过太多企业把它做成“记录统计学”，而不是“预防统计学”。
SPC的灵魂不是画图，是前置的过程分析
很多人一上来就忙着选控制图，Xbar-R还是I-MR？却忘了最要命的前提：你的过程到底稳没稳？戴明老爷子早就说过，没有稳定的过程，控制图就是废纸。可现实里，设备刚换过刀、模具还没预热、上一批料头混进来了——这些特殊原因扎堆的时候，你拿控制图去描点，当然全是异常。操作工为了少挨罚，不造假才怪。
所以我经常跟团队讲，先做MSA（测量系统分析），再做初始过程能力研究，把设备、工装、材料、方法这些要素折腾清楚了，确认过程真的只有普通原因在波动了，然后才配谈SPC。这个过程很痛苦，可能需要连续几周在现场蹲点，但值。
控制图选错了，等于用渔网捕蚊子
SPC实践里，控制图的选择有个经典铁律：根据数据性质决定。计量值？计数值？子组大小？变异性特征？不是想当然。小批量多品种的混线生产，传统休哈特控制图基本失效，得换指数加权移动平均(EWMA)或累积和图(CUSUM)，这类对小偏移灵敏的图。但很多企业连休哈特图都没用对，更别提这些进阶工具了。
问：
我们公司产品种类多，批量小，一张控制图还没攒够25组数据，生产就结束了，SPC根本没法做，有什么办法？
答：
这种情况太常见了。传统SPC要求大数据量，但现实里SMT产线今天打A机种，明天换B机种，硬套Xbar-R确实扯淡。我建议几个方向：一是用短运行控制图，比如标准化控制图，或者Deviation from Nominal图，把所有产品特性按偏离名义值的相对量来统合；二是考虑基于过程的实时参数监控，比如温度、压力这些与产品质量强相关的过程变量，间接做SPC；三是导入自动化SPC软件，能自动切换产品并积累历史数据。关键是别为画图而画图，转向监控制程参数而非最终产品特性，往往更有效。
让人又爱又恨的过程能力指数CpK
CpK是个好东西，但被滥用得厉害。很多客户要求CpK≥1.33，却不明白这意味着什么。更有供应商为了凑数，用检过的数据甚至修改计算公式。我就见过把Z值直接当CpK报的糊涂虫。这里必须强调：CpK的前提是过程稳定且数据正态。没这两个，算出来的CpK是“虚假能力”。还有，单边规格只能用Cpk（PpK），别傻乎乎用Cp。另外，我特别看重Cpm这个指标——它考虑了对目标值的偏移，比CpK更实在，尤其在全检场合或田口质量损失理念下。
我们供应商提交的PPAP里CpK总是漂亮，但来料却经常出问题，怎么回事？我该要求多少CpK才合理？
答：
哈哈，这事我遇到过无数次。猫腻多着呢：用非连续抽样、挑好件送检、算错了公式、过程根本没稳定就匆忙计算——都是老套路。我告诉你一个铁律：永远不要只看CpK数字，必须同时看控制图！稳定过程的CpK才有意义。至于要求多少，我的习惯：普通特性1.33以上，安全/关键特性至少1.67，而且必须结合持续的过程监控。更狠一点，我会要求供应商提供实时过程能力监控数据，而不是一次性的报告。数字可以造假，但持续的数据流很难长久伪装。
数字化SPC：别让系统成为昂贵的废纸
真正的数字化SPC，精髓在于实时采集、闭环反馈。比如在加工中心上直接抓取刀具振动、温度数据，通过算法预判刀具寿命和加工精度漂移，提前调整，这是预测性过程控制。再比如，把SPC和MES、QMS打通，一旦控制图出现异常模式（如连续六点上升或下降），系统自动停线、通知工程师，而不是等操作工去喊人。
我在一家汽车零部件厂推过这个，一开始阻力极大——车间主任觉得“设备天天开着，这么搞多影响产出”。我们坚持了两个月，废品率从2.7%降到0.3%，最大收获其实是：不用再和操作工吵架了。因为数据不会骗人，机器比人诚实。
真实世界里搞SPC，技术只是三成，剩下七成全是人和流程。你非得逼着大家理解“特殊原因”必须实时响应，“普通原因”不能瞎调整，这才是核心。否则，你每张控制图都是废纸，每个CpK都是笑话。
免责声明：文章内容来自互联网，本站仅作为分享，不对其真实性负责，如有侵权等情况，请与本站联系删除。
转载请注明出处：统计过程控制（SPC）为什么在你的车间里跑不起来？ https://www.dachanpin.com/a/tg/66562.html
