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