SPC Training
培训的相关问题
充分利用休息时间!
自我介绍
你的姓名
你的工作职责
以前对SPC的了解
你想从这门课程中获得什么
SPC 在整个工业生产中的角色
1、产品开发；
2、确定每个产品生产中的关键点；
3、确定控制计划；
4、利用SPC进行过程控制；
5、通过SPC监控过程的变化趋势；
6、通过SPC识别特殊原因，并利用各种解决问题的工具加以消除，以便维持
过程持续稳定的运行；
7、通过SPC 识别过程普通原因的变化状况，以便确定过程什么时候应该进行
机器及其技术的更新。
8、利用SPC后，最终归结到一点：为解决问题提供信息，并可以最后利用一
个工具——6-Sigma，进行对问题的解决，然后再利用SPC对改进的成果进
行监控。
FTEP 模块
技术培训
项目
公差带设计
螺纹螺栓
连接设计
系统工程
基本原理
统计工程
产品可靠性
过程基本原理
过程控制方法
参数设计
制造的可靠性
全球 8D
DFX
FMEA
试验设计
DV & PV
应用顾客焦点
统 计 过 程 控 制
Statistical Process Control
S P C
引言
休哈特在20世纪20至30年代创建SPC理论，恰逢美国经济萧条，
SPC理论无人问津，至二次大战，由于提高军火质量的要求， SPC
理论才大显身手，战后遂风行全世界。其后，美国无竞争对手，产
品横行天下，SPC逐渐废弃。
日本在二战后请美国统计学家.戴明传授SPC理论，请朱兰讲授
质量管理。至1980年日本已居世界质量与劳动生产率的领导地位。
其中一个重要的原因就是SPC理论的应用。故从1980年起美国与西
方发起一场SPC的复兴运动。
1984年日本名古屋工业大学调查了115家日本各行业的中小型工厂，
结果发现平均每家工厂采用137张控制图。而有些大公司应用的控
制图就更多了，如美国柯达彩色胶卷公司有5000名职工，一共应用
了35000张控制图。这是因为彩色胶卷的工艺很复杂，在胶卷的片
基上需要分别涂上8层厚度为1~2μm的药膜；此外，对于种类繁多
的化工原料还要应用SPC控制。
知识点
1、持续改进及统计过程控制
、预防与最终检查；
、过程控制系统；
、变差：普通原因和特殊原因；
、局部措施和系统措施；
、过程控制和过程能力；
、过程改进循环和过程控制；
、控制图：过程控制和改进的工具。
2、控制图
、控制图类型和控制图要素；
、控制图的制定过程；
、确定失控信息；
、控制图公式；
知识点
3、能力指标及其执行状况指标
、理解变量数据的过程能力和执行状况；
、过程术语定义、可预测的过程进行过程测量；
、特性数据的能力指标；
、其它知识。
第一部分 持续改进和统计过程控制
过程控制模式——无反馈的过程
1、最终检测——容忍浪费
输入 过程/系统 输出
人
设备
材料
方法
测量
环境
工作方式/
融合所有的资源
合格？ 顾客
是
能返修？
不能
报废
能
返修
隐藏工厂/浪
费
过程控制模式----有反馈的过程控制系统
2、预防——避免浪费
人
设备
材
料
方法
测量
环境
工作方式/
融合所有的资
源
产品或是服务 顾客
统计方法
过程的声
音
识别顾客不断
改变的需求和
期望顾客的声
音
输入 过程/系
统
输
出
Do it right in the first time
1、过程控制系统是一个有反馈的系统；
2、SPC是反馈系统中的一种；
3、反馈系统存在四个关键的要素：
A、过程；
B、过程运行状况的信息；
C、对过程采取的措施；
D、对输出采取的措施。
过程控制模式----有反馈的过程控制系统
过程控制模式
CAF现在过程控制的模式是什么？
过程控制模式
人
设备
材料
方法
测量
环境
过程声音
顾客的声音
统计方法
工作方式/
融合所有的资源
输入 过程/系统 输出
顾客
识别顾客不断改
变的需求和期望
合格？
是
能返修？
不能
报废
能
返修
隐藏工厂/浪
费
3、预防和检测相结合——CAF运作模式
预防与检查的差异
讨论预防为过程所带来的好处：
1.成本上的差异；
2.解决问题速度上的差异；
3.效果上的差异。
过程为什么需要控制？
变差概念
1、同一过程生产出来的产品或是特性不可能完全相同，因为过程中存
在变差源（6大变差源），这种差异也许很大，也许很小。
环境
人
方法
变差
材料
测量
机器
变差概念
2、过程中的变差可能引起短期的、件与件之间的差异；
3、过程中也有变差可能对输出有长期的影响；
4、这些变差可能逐渐发生，比如：工具或是机器的磨损；
这些变差可能跳跃性的发生，比如：操作程序上的改变；
这些变差可能不规则的发生，比如：环境的改变；
5、总之，这些结果统计后会呈现某种分布，这些分布用三个指标来衡
量：
A、居中状况；
B、散布状况；
C、分布形状。
变差概念
6、针对零件的某个特性来说，变差的问题常被简化：特性在公差带内，
零件被接受，特性在公差带外，零件被拒收；
7、我们的最终目标是：向目标值靠近，变差越小越好；
8、要减小变差，首先就要区分下面两个概念：
A、特殊原因；
B、普通原因。
变差根源：普通原因、特殊原因
样本间有差异
随着样本量的增加，如果稳定的话，将会成
为一种分布形态
分布在以下三方面不同：
均值位置 方差大小 分布形状
如果仅存在普通原因，过程输出将形成随时间稳
定的分布状况，并且是可预测的。
如果存在特殊原因，过程输出随时间将不稳定，
同时也不可预测。
变差的概念
变差根源：普通原因、特殊原因
普通原因 特殊原因
持续的
作用于过程
间隙性的
作用于过程
影响大（85%） 影响小（15%）
对总体的影响趋势可以预测 对总体的影响趋势不可预测
变差根源：特殊原因和普通原因
特殊原因导致的结果都是有害的吗？
针对两类不同变化源对应的措施相同吗？
局部措施和系统措施
局部措施 系统措施
消除特殊原因 减小普通原因引起的变差
由流程负责人去执行 需要管理层来参与执行
只能解决15%的流程问题 能解决85%的流程问题
局部措施和系统措施
1、这两个措施同前面讲的两类原因一一对应；
2、使用简单的SPC技术就能发现特殊原因产生的变化，同过程操作相关的
人对解决特殊原因导致的变化负责，这些状况经常在早期的过程改进阶
段出现；
3、同时，使用SPC也能确定由普通原因导致的变化状况，但原因本身需要
更多详细的分析才能确定清楚。总之，同过程操作相关的人有责任识别
它，并将它们传递给领导层，而管理层的责任是解决它。
4、总之，过程操作者的职责就是：
A、识别过程中的特殊原因和普通原因；
B、负责解决特殊原因导致的变差；
C、将普通原因导致的变差交由管理层解决。
局部措施和系统措施
5、工业经验表示过程中的变差操作者仅能解决15%变差，85%需要管
理层来解决；
6、对两类原因混淆不清可能会付出昂贵代价，比如：本来应该采取系
统措施（例如：要选择一家能提供稳定一致原材料的供应商）的结果
却采取了局部措施（例如：调整设备），结果导致问题更加恶化；
7、为减小普通原因导致的变差，管理层和过程操作者之间密切配合是
必须的。
过程控制和过程能力
过程控制和过程能力
过程控制
样本
时
间
失控
（存在特殊原因）
受控
（消除特殊原因）
过程能力
样本
时
间
受控但不能满足规范
（普通原因引起的变差过大）
受控并且
能满足规范
（普通原因引起
的变差被减少）
过程控制和过程能力
过程控制系统的目的是：消除特殊原因，对当前和将来的过程状进行预
测。在过程控制当中，存在两种风险：
1、控制过多；
2、控制不足；
当过程中仅存在普通原因时，过程统计受控；
当过程存在特殊原因时，过程控制系统将会提供统计信号，那么就应该
对特殊原因采取相应的行动（如果对过程有害，就去除掉，如果对过
程有益，使他们长期保留）；
过程控制系统不是一时的评价工具，它真正的好处是应该作为一种持续
学习的工具。
过程控制和过程能力
针对过程能力有两个不同的概念：
1、过程潜在能力（Process Capability);它是由普通原因的变化所引起
的，通常代表过程本身最好的运行状况。不管公差带如何，当过程在
统计受控的状况下运行时，才能表现出什么是过程潜在能力。
描述它的指标是：Cp, Cpk ;
2、过程当前运行状况（Process Performance);而对于过程当前运行状
况来说，这是内外顾客特别关心的指标，它是过程的整个输出与内外
顾客的需求相比较的一个指标。
描述它的指标是：Pp, Ppk ;
两个基本概念
控制限 公差带¹
统计受控与公差带
受控 不受控
可接受
合格产品!!
始终能生产合格的产品。
可能没有能力始终生产出合格产品!!
可能正在改进过程,
或者相对公差带来说过程变差还算小
不可接受
随时都可能生产不合格产品。
随时都可能生产不合格产品!!
满足要求
控 制
可能需要稳定
需要稳定, 减小变差，
和/或者均值需要移动
需要减小变差,
和/或是均值需要移动
?
过程持续改进循环
过程持续改进循环
1、分析过程
过程应该怎样运行；
什么出了错；
过程现在运行状况如何；
获得统计控制状况；
确定能力。
2、维持过程
监控过程运行状况；
确定特殊原因并对他采取措施。
3、改进过程
改变过程以更好的理解普通原因的变化；
减少普通原因引起的变化。
过程改进循环
1、分析过程。在考虑过程改进时，对过程有基本的了解是必须的：
A、过程应该做什么？
a 、期望从过程中的每一步中得到什么？
b 、交付产品接受的可操作性定义是什么？
B、什么可能出错？
a 、在过程中什么可能变化？
b 、我们对过程的变化了解什么？
c 、什么参数对变化最敏感？
C、过程正在做什么？
a 、过程在产出报废件或是需要返修的产品吗？
b 、过程的输出统计受控吗？
c 、过程有能力吗？
d 、过程统计受控吗？
过程改进循环
要对过程有很好的了解，可采用下面的方法：
1、团队会议；
2、咨询开发流程和操作流程的人员；
3、回顾过程的历史；
4、制定FMEA。
过程改进循环
2、维持（或控制）过程。
A、过程要维持在适当的能力状况上；
B、过程需要监控，以确保过程发生异常状况时能及时采取措施；
C、因为任何公司的资源都是有限的，所以许多过程可能都保持在
这个阶段；
D、但长期保持在这个阶段会导致公司在竞争中处于劣势；
E、要保持为“一流的”公司需要在适当的时候进入下个循环。
过程改进循环
3、改进过程
A、顾客对工程规范内的变差开始敏感，以至要对过程进行改进；
B、在这个阶段要利用高级的统计工具，比如：DOE等工具；
C、总之，此阶段的目的一个，要减少有普通原因导致的变差。
SPC 提供信息
G8D这套方法特别适用于解决由某个问题（或者说是特殊
原因）导致的改变。
6-Sigma 这套方法特别适用于从未发生过的情况的问题
（或者说是普通原因）引起的问题。
SPM 和 SPC
SPC在6-Sigma之前
SPM （Statistical Process Monitoring）
– SPC工具通常的一个关注方向
– 它关注输出（output）
– 在输出失控以后的纠正措施
SPC在6-Sigma之后
相同的工具，重心不一样
– 焦点放在输入上
针对输入的纠正措施要在失控输出的之前
变化源
KPOVsKPIVs
过程控制
过 程
材 料
方 法
操 作 者
测 量
机 器
方 针
程 序
人
位 置
环 境
统计过程控制 统计过程监控
SPC 定义
统计过程控制
是运用统计工具和方法提供反馈；
设定变化限；
提供什么时候要采取措施的信息。
SPC 功能
SPC 图
由过程责任人来监视并控制过程；
需要过程责任人
– 测量
– 描点并解释数据
– 采取措施
为过程提供一个历史记录。
第二部分、控制图
控制图的关键要素
1、适当的比例
比例应该合理，以使过程本来的变化状况能清晰的反映出来；
控制图的关键要素
2、上、下控制限，中心线
上面三个指标都是根据过程采集到样本计算出来的
10
9
8
7
6
5
4
3
2
1
0
0 5 10 15 20
上控制限
下控制限
均值
观测序号
观
测
值
控制图的关键要素
3、子组顺序/时间序列
要维持数据收集的顺序，以提供“什么时候”发生一个特殊原因和特
殊原因是否跟时间相关的信息
控制图的关键要素
4、识别失控的数值
在控制图上统计失控的点应该被一一确认清楚，对于过程控制来说，
特殊原因的识别和分析可能发生在采集样本点的时候，也可能发生在
定期回顾控制图的变化趋势的时候。
控制图的关键要素
5、事件记录
除了收集数据、画控制图和分析数据之外，额外的信息收集也是非常
重要的。这些信息应该包括：任何潜在的变化源、为解决失控状况而
采取的任何措施。它们应该记录在控制图上，或是单独的事件记录表
单中。
假如过程中子组间没有任何改变，就没有必要记录任何事件。
控制图的关键要素——5
理解控制的意义
上控制限
下控制限
均值
控制图的组成部分
10
9
8
7
6
5
4
3
2
1
0
0 5 10 15 20
上控制限
下控制限
均值
非任意变化区域
观测序号
观
测
值
任意变化区域
观测点 10
控制图的统计意义
10
9
8
7
6
5
4
3
2
1
0
0 5 10 15 20
非任意变化区域
观测序号
观
测
值
任意变化区域
LCL
- 3s
UCL
+ 3s
均值
%
确定过程控制限
控制限是
统计控制限均值 +/- 3 标准偏差
它是在过程受控时进行设定的
– 固定在基准值
– 过程改变了就要做调整
– 决不会变宽
控制限同公差带不相关
控制限不是公差带
控制的定义
受控是
过程变化的一个统计术语
– 在均值的3倍标准偏差之内；
– 它是任意的没有原因的；
– 它不呈现某种运行趋势；
– 它不呈现某种趋势。
偶然原因变化导致。
Western Electric Rules for Control
Overview
超出控制限之外的点
在中心线同一边有7个连续的点
7个连续点上升或下降
3个点中有2个同在A区或是之外
5个点中有4个同在B区或是之外
14个连续的点交互上下
14个连续的点任一C区
2 s4 s6 s
A
C
C
B
B
A
LCL
UCL
为运行和趋势
分析确定的规则
Nelson 测试特殊原因
2 s4 s6 s
A
C
C
B
B
A
LCL
UCL 1. 在控制限之外的任何点
2. 9 个连续的点在中心线的同一边
3. 6 个连续的点连续上升或下降
4. 3个点中有2个都在A区或之外
5. 5个点中有4个都在B区或之外
6. 14 个连续的点交互上升和下降
7. 15 个连续的点在任一个C区
8. 8个点在C区之外的成一行，并在
中心线的同一边
Tests proposed by Lloyd
Nelson (1984) and used by
MINITAB™ for run and trend
analysis
哪一个测试比较好?
Western Electric
• 超出控制限之外的点
• 在中心线同一边有7个连续的点
• 7个连续点上升或下降
• 3个点中有2个同在A区或是之外
• 5个点中有4个同在B区或是之外
• 14个连续的点交互上下
• 14个连续的点任一C区
Nelson
• 在控制限之外的任何点
• 9 个连续的点在中心线的同一边
• 6 个连续的点连续上升或下降
• 3个点中有2个都在A区或之外
• 5个点中有4个都在B区或之外
• 14 个连续的点交互上升和下降
• 15 个连续的点在任一个C区
• 8个点在C区之外的成一行，
并在中心线的同一边
发错误警报的比率是关键的
Nelson
• 在控制限之外的任何点
• 9 个连续的点在中心线的同一边
• 6 个连续的点连续上升或下降
• 3个点中有2个都在A区或之外
• 5个点中有4个都在B区或之外
• 14 个连续的点交互上升和下降
• 15 个连续的点在任一个C区
• 8个点在C区之外的成一行，
并在中心线的同一边
错误警报率
.0027
大约 .003
大约 .003
.00305
.0043
大约 .004
大约 .003
大约 .003
Nelson的所有测试错误警报率基本相同。
Western Electric 规则没有这个特性。
SPC 8 大原则 口诀
SPC 8 大原则口诀
23456，AC连串串（连增或连减）；
81 514，缺C全C交替转；
9单侧，一点在外。
解说：
23456，AC连串串（连增或连减）；
---2/3、4/5、6分别对应A、C、连串串；即2/3A；4/5C；6连串
81514，缺C全C交替转
8、15、14分别对应缺C、全C、交替转；即8缺C；
15全C；14上下交替。
9单侧，一点在外
9点在同一侧；一点出A区外。
Nelson Test SPC 8 大原则
Nelson Test SPC 8 大原则
控制图八大判异准则提练（口决、图片对应项目）：
1、2/3A---连续3点中有2点在中心线同一侧的B区外<即A区内>
2、4/5C---连续5点中有4点在中心线同一侧的C区以外
3、6连串（连续6点递增或递减，即连成一串）
4、8缺C（连续8点在中心线两侧，但没有一点在C区中）
5、9单侧（连续9点落在中心线同一侧）
6、14交替（连续14点相邻点上下交替）
7、15全C（连续15点在C区中心线上下，即全部在C区内）
8、1界外（1点落在A区以外）
Nelson 测试 1
规则 1: 超出控制限之外的任意点
A
B
C
C
B
A
Nelson 测试 2
规则 2: 9 个连续的点在中心线的同一边
A
B
C
C
B
A
Nelson 测试 3
规则 3: 6 个连续的点连续上升或下降
A
B
C
C
B
A
Nelson 测试 4
规则 4: 3个点中有2个都在A区或是之外
A
B
C
C
B
A
Nelson 测试 5
规则 5: 5个点中有4个都在B区或是之外
A
B
C
C
B
A
Nelson 测试 6
规则 6: 14个连续的点交互上升和下降
A
B
C
C
B
A
Nelson 测试 7
规则 7: 15个连续的点在任一C区
A
B
C
C
B
A
Nelson 测试 8
规则 8: 8个点在C区之外的成一行，并在中心线的同一边
A
B
C
C
B
A
MINITAB 中的 Nelson 测试
Stat>Control Charts>Xbar-R
变量数据控制图
控制图选择指南
变量数据
Xbar-R 图I-MR 图
Xbar-s 图N<10
否
是
N=1
否是
Xbar-R: 均值, 极差图
Xbar-R 图规则
Xbar-R 图 (和 Xbar-s) 是利用相同的子组数据得到两个单独的图形
Xbar 图是子组均值图
R 图是子组分布范围图 (如果是 s, 就是子组标准偏差图)
对追踪并识别特殊原因导致的变化，是非常敏感的
假设子组内是正态分布为基础划控制图
确定3倍sigma 的过程限
Xbar-R 和子组数据
制造部对轴加工过程利用SPC进行监
控，左边是所测量得到的数据。
过程受控吗?
由于数据是子组数据，因此将使用
Xbar-R 图。
画 Xbar-R 图
确定 Xbar-R UCL 和 LCL
A2, D3 和 D4 是休哈特控制常数
4
3
R
R
UCL D R
LCL D R
=
=
被计算值同在 MINITAB
中得到的值一样
计算 Xbar-R UCL 和 LCL
在MINITAB中作 Xbar-R 图 步骤
1
将数据分组拷贝或输入进表单中
打开文件 SPC VARIABLE
//whq00004/proj/6Sigma/windows/TEMP/SPC VARIABLE
在MINITAB中作 Xbar-R 图 步骤
2
堆栈数据
在MINITAB中作 Xbar-R 图 步骤
3
Stat>Control Charts>Xbar-R
在MINITAB中作 Xbar-R 图 步骤
4
在MINITAB中作 Xbar-R 图 步骤
5
Xbar-R 课堂练习
使用文件SPC Variable Class 中表单的 “Xbar Charts
Data”
1. 找到 Xbars, Xdbar 和 Rbar
2. 确定可用的休哈特常数
3. 计算 Xbar 和 R 的UCL 和 LCL
4. 将数据拷贝进 MINITAB
5. 堆栈数据
6. 验证你的计算结果
7. 确定过程是否受控
//whq00004/proj/6Sigma/windows/TEMP/SPC Variable Class
I-MR: 单值, 移动极差图
I-MR 图规则
I-MR 图是针对相同数据的两个单独的图形
I 图是单值图
MR 图是移动极差图
I-MR 图对趋势，循环和模式是敏感的
当子组变差为零或没有子组存在时使用它
– 破坏性测试
– 成批处理
I-MR 和 单值图
每隔一个小时，质量部就会测一次钣
金的焊接强度。
过程受控吗?
由于数据是单值，因此将要使用I-MR图
。
这是破坏性测试的一个例子 。
画 I-MR 图
Note: calculated for a
moving range of 2
E2, D3 和 D4 是休哈特控制常数
确定 I-MR UCL 和 LCL
被计算的值同在 MINITAB
中计算的结果一样
计算 I-MR UCL 和 LCL
在MINITAB中作I-MR 图 步骤1
将数据拷贝或输入进表单中
打开文件 SPC VARIABLE
//whq00004/proj/6Sigma/windows/TEMP/SPC VARIABLE
在MINITAB中作I-MR 图 步骤2
Stat>Control Charts>I-MR
在MINITAB中作I-MR 图 步骤3
用 I-MR 图来表现过程的改进
为增加焊接强度，针对过程做了一项 “改进” 。它是真实的吗？
堆栈数据
I-MR 表示有两个总体
根据改善后的数据计算出的控制限表示“老的”过
程有显著地差异。焊接强度很高。
I-MR 课堂练习
使用文件SPC Variable Class 中的 “IMR Charts Data”
1. 找到 Xbar, Xdbar 和 Rbar
2. 确定可用的休哈特常数
3. 计算Xbar 、R图的UCL 和 LCL
4. 将数据拷贝到 MINITAB 软件中
5. 堆栈数据
6. 验证计算结果
7. 确定过程是否受控
//whq00004/proj/6Sigma/windows/TEMP/SPC Variable Class
目标 I-MR 图规则
目标 I-MR 图使用相同的数据得到的两个单独的图形
画的单点图，不同于目标图
MR 图是移动极差图
I-MR 图对趋势，循环和样式比较敏感
目标 I-MR 和实际数据
销售部门使用需求预测流程对每周的销
售进行预测。
他们的需求预测流程受控吗?
由于数据是单值，因此使用I-MR 图.
实际数据的 I-MR 图
看起来预测好像是受控的，
但更进一步看…
目标 I-MR 图要求
需求预测不能得到“实际的状况”—
—顾客期望的.
需求预测确定了一个需求目标。预测
和实际之间的差异就是过程的真实测
量。
I-MR 图是差异图
目标 I-MR 图
需求预测过程不受控。
6-Sigma项目可能起作用的区域!
目标回顾
参与者将能够:
– 运用SPC法则
– 解释控制图中的运行和趋势图
– 作图并解释
• Xbar-R 图
• I-MR 图
• 目标 I-MR 图
特性数据控制图
特性数据控制图选择
特性数据
u- 图p- 图
缺陷还是
不合格品?
缺陷
恒定区域机会数？n = 常数
？
不合格品
np- 图 c- 图
是否 是否
np-图
np-图法则
np-图
测量不合格品比例
– 使用二项式分布
– 好/坏, 接收/拒收, 是/否
每个比例值是样本的子组
– 需要很多个子组 (最少50)
子组样本量保持不变
控制限将保持不变
为了分析合理，需要20或是更多的子组数
np-图和相同的子组样本量
采购部每天检查125个采购订单，并
记录了对应的不合订单的数量。
订单输入过程受控吗?
由于针对不合格品的子组样本量恒定，那
么就是使用np-图
画 np-图
失控点
确定 np-图 UCL 和 LCL
控制限是常数; 子组样本量也必须是常数
计算出来的值同 MINITAB™
中计算出来的一样
计算 np-图 UCL 和 LCL
因为四舍五入和二项式估计的缘故，手
工计算与MINITAB之间可能有点差异
在MINITAB中做 np-图 步骤 1
将数据分组拷贝或是输入表单
打开文件 SPC Attribute
Stat>Control Charts>np
Either 125 or
Column
D:/SPC Attribute
在MINITAB中做 np-图 步骤 2
np-图 课堂练习
使用文件SPC Attribute Class 中的 “np-chart Data”
数据
对发运数子组
1. 计算 UCL 和 LCL
2. 将数据拷贝进 MINITAB 中
3. 验证你的计算结果
4. 确定过程是否受控
5. 假如你已经接受过SPC变量数据的分析学习，就尝试用I-MR 图来
分析这些数据
– I-MR 图显示什么?
1. 为什么它是错误的?
6. 准备进行讨论
p-图
p-图法则
p-图
测量不合格品比例
– 使用二项式分布
– 好/坏, 接受/拒收, 是/否
每个比例值是样本的子组
– 要求子组样本量大 (最少50)
子组样本量不恒定
因为子组的样本量不恒定，那么控制限就会随着样本量的不同而不同
如果分析的话，建议需要20或是更多的子组数
p-图并且子组样本量不同
采购部检查了每天的订单，并确
定有问题的采购单数量。
订单输入过程受控吗?
由于每天订单数量不一样，所以将采用p- 图
制定 p- 图
失控点
确定 p- 图 UCL 和 LCL
控制限和子组尺寸是相关的，并且每个点是单独计算的
计算 p- 图 UCL 和 LCL
Average over subgroups
被计算的值同 MINITAB
中计算的一致
Individual subgroup
Manual calculations may differ slightly
from MINITAB due to rounding and
binomial estimates
在 MINITAB中做 p-图 步骤 1
将数据分组拷贝或是输入表单中
打开文件 SPC Attribute
Stat>Control Charts>p
D:/SPC Attribute
在 MINITAB中做 p-图 步骤 2
p-图课堂练习
使用文件SPC Attribute Class 中的数据“p-chart Data”
对 “Daily Tests” 数据子组
1. 计算Pbar的 UCL 和 LCL
2. 计算点11的 UCL 和 LCL
3. 将数据拷贝进 MINITAB 中
4. 验证你的计算结果
5. 确定过程是否受控
6. 拷贝MINITAB中的 “Is this the same?” 数据
7. 确定过程是否受控
8. 准备讨论
c-图
c-图规则
c-图
确定缺陷的数量
– 使用泊松分布
– 好/坏, 接收/拒收, 是/否
每个统计是样本的子组
机会区域必须恒定
– 批次, 单元, 发票
控制限必须恒定
分析起见，建议需要20或更多的子组数
c-图子组
制造部涂装车间对喷涂某个车型左前门的
过程进行过程控制，脏点是其中要控制的
特性之一，左边是每个班次抽取一个门进
行统计而得到的数据。
过程受控吗?
脏点是缺陷, 不是不合格品, 并且是对一个
恒定的样本区域进行测量的；因此将要使用
c- 图。
画一个 c- 图
一个失控点
确定 c- 图 UCL 和 LCL
控制限是恒定的; 子组样本量也必须是恒定的, 例如：
批次，发运的货物等等.
被计算的值同 MINITAB
中结算的结果一样
计算 c- 图 UCL 和 LCL
Manual calculations may differ slightly
from MINITAB due to rounding and
Poisson estimates
在 MINITAB中做 c- 图 步骤 1
将数据分组拷贝或是输入表单中
打开文件 SPC Attribute
Stat>Control Charts>c
D:/SPC Attribute
在 MINITAB中做 c- 图 步骤 2
c-图课堂练习
使用文件SPC Attribute Class 中数据 “c-chart Data”
对抱怨的CSR 子组数据
1. 计算 UCL 和 LCL
2. 将数据拷贝进 MINITAB 中
3. 验证你的计算结果
4. 确定过程是否受控
5. 准备讨论
u-图
u-图规则
u-图
确定缺陷的数量
– 使用泊松分布
– 好/坏, 接收/拒收, 是/否
每个统计就是样本的一个子组
机会区域可能变化
– 批次, 单元, 发票
控制限可能变化
为了利于分析，建议需要20或更多的子组数
u-图子组
在进行一次“运作”后，对塑料制品统计
缺陷数，在长度上是不确定的。
过程受控吗?
由于运行长度不恒定，缺陷数有一个变化的
机会区域，那么u-图是比较恒定的。
制 u- 图
失控点
确定 u-图 UCL 和 LCL
控制限是随着子组数而变化的，
并且每个点的控制限要单独计算
计算 u-图 UCL 和 LCL
Manual calculations may differ slightly
from MINITAB due to rounding and
Poisson estimates
被计算的数值是同在
MINITAB 中计算的结果一样
单个子组控制限
子组控制限平均值
在 MINITAB中做 u-图 步骤 1
将子组分组拷贝或是输入表单中
打开文件 SPC Attribute
Stat>Control Charts>c
D:/SPC Attribute
在 MINITAB中做 u-图 步骤 2
u-图课堂练习
使用文件 SPC Attribute Class 中的数据 “u-chart
Data”
利用上面提供的数据
1. 计算总体的 UCL 和 LCL
2. 计算点3的 UCL 和 LCL
3. 将数据拷贝进 MINITAB 中
4. 验证你的计算结果
5. 确定过程是否受控
6. 准备讨论
目标回顾
参与者将要:
– 运用 SPC 规则
– 解释控制图中的运行状况和趋势
– 制定并解释
• np-图
• p-图
• c-图
• u-图
确定要制图的特性指标
数据是
变量数据吗? 是对不合格品感兴趣吗?
样本量恒定吗?
样本量
恒定吗?
数据本身都一致
或者是
不益于分组采样吗?
子组均值能被确定吗?
子组样本大于
或是等于9吗？
每个子组都有
计算‘s’ 的能力吗?
使用使用
I-MR I-MR 图图
使用使用 NP NP 图图
或是或是p p 图图
使用使用 p p 图图
使用使用 C C 图图
使用使用 u u 图图
使用中位数值图使用中位数值图
使用使用
Xbar & R Xbar & R 图图
是对缺陷感兴趣吗?
使用使用
Xbar & R Xbar & R 图图
使用使用
Xbar & S Xbar & S 图图
不是不是 不是不是
不是不是
不是不是
不是不是
不是不是
没有没有
不是不是
是是
是是
是是
是是
有有
是是
是是 是是
是是
控制图的选择流程
第三部分、过程能力指标
能力指标类型
变量
数据
CP CPK
PP PPK
DPUPPM DPMO
数据类型 指标类型
统一的指标
特性
数据
特性数据能力指标
特性数据能力分析——PPM
PPM表示每百万个产品有多少个不合格品，强调的是不合格品。
计算公式如下：
PPM=
不合格的产品数
被检验的总产品数
1,000,000
特性数据能力分析——DPU
DPU表示单位产品缺陷数，强调是缺陷。
计算公式如下：
DPU =
被检验产品中的总缺陷数
被检验的总产品数
DPMO表示是每百万产品机会缺陷数。
在计算过程能力之前，先介绍几个关键的术语:
特性数据能力分析——DPMO
单元 (N)
缺陷 (D)
每个单元一个缺陷出现的机会 (O)
每百万机会的缺陷数 (DPMO)
确定每个单元机会数的指导
机会必须是对顾客重要的
每个单元的机会数在改进前后保持不变
每个单元的机会数是随过程的不同和过程输出的复杂程度不同而变化
的
仅仅是对在适当状况下发生缺陷的机会才被统计在内
使用特性数据计算过程能力
使用下面的公式计算 DPMO :
DPMO = 总的缺陷数
总单元数 每个单元机会数
1,000,000
DPMO = D
N O
1,000,000
最后一步是使用附录中的Z-值转换表将DPMO转换成 Sigma 值。
或是
范例 – 使用特性数据计算过程能力
例子: 下面显示的数据来源于零件定单:
500 零件定单 (N)
3 机会数 (O)
迟到
错误的零件
错误的地址
57 出现的错误 (D)
12 在送给顾客之前发现的缺陷
45 顾客察觉到的缺陷
范例 – 使用特性数据计算过程能力
1. 处理的数量
2. 产生的总缺陷
(包括发生的缺陷和后来解决的)
3. 每个单位产品出现缺陷的机会数
4. 计算出每百万机会中的缺陷
5. 查 Z-值 (同 Sigma值相当)
N = 500
D = 57
O = 3
DPMO = × 1,000,000
DPMO = × 1,000,000
DPMO = 38,000
Z =
D
N × O
57
500 × 3
使用下面交付时间的数据，计算过程能力:
发运的车辆数: 40
每辆车的机会数: 1
没有在45天内交付的车辆数: 16
计算过程能力练习
汽车例子 – 使用特性数据计算过程能力
1. 发运车辆的数量
2. 产生的总缺陷
(包括发生的缺陷和后来解决的)
3. 每辆车的缺陷机会数
4. 计算出每百万机会中的缺陷
5. 查 Z-值 (同 Sigma值相当)
N =
D =
O =
DPMO = × 1,000,000
DPMO = × 1,000,000
DPMO =
Z =
D
N × O
变量数据过程能力
变量数据
变量数据（总体近视服从正态分布）:
1、过程能力(Process Capability)；
2、过程性能(Process Performance)。
过程能力随时间的差异
长期过程数据短期过程数据
组内和组间变差
过程变化
过程变化来源于几方面：
1、过程本身固有的变差：仅是因为普通原因（系统原因）导致的。
2、子组内变差 ：这是因为子组内变化导致的，假如过程统计受控，子组的
变差就是过程固有变差最好的估计，子组变差的估计值为： 或是 。
3、子组间变差：这部分变差是由于子组间的变差导致的，假如过程统计受控，那么这部分的
变差为零。
4、总过程变差 ：组内变差与组间变差之和就是总的变差。
5、过程能力：仅仅针对统计稳定的过程，过程固有变差的6 的范围，这里
通常是通过 或是 来估计的。
6、过程性能：过程固有变差的6 的范围，这里 通常是由 s 估计的，s 表示总的过程标
准偏差。
假如过程统计受控，过程能力和过程性能将非常接近，过程能力和过程性能之间大的差异
表示存在特殊原因。
能力指标
备注：下面讨论的指标仅当过程稳定（统计受控）才有效。
过程能力指标，它是将特性的设计宽度与过程宽度相比得到，
这个指标不受过程位置的影响，并且仅仅对有双边公差带的状况。
能力指标
这也是能力指标，它将过程的位置考虑在能力计算之内，双边公差
带的 一直小于或是等于 ，仅当过程居中时，他们相
等。
等于CPU和CPL中的最小值：
能力指标
和 应该经常计算，并且要拿来一起分析， 显著大于
表示有居中过程的改进机会。
性能指标
这是一个性能指标，它是设计宽度与总的过程宽度之间的比
值。
它不受过程居中状况的影响。
性能指标
是性能指标，它将过程的居中状况考虑在性能指
标中，对于有双边公差带的状况， 总是小于
或是等于 。如果过程居中，那么两者相等。
等于PPU和PPL 中的最小值。
和 对比图表
和 对比图表
批次 1
批次 2
C
T
Q
批次 3
批次 4
批次 5
长期能力研究
短期能力研究
过程随时间变化
这样的子组选择是合理的，组内变差要小于组间的变差。这可能就要对
短期的变差和长期的过程变差进行估计
2
总的
=
2
组内
+
2
组间
什么是一个合理的子组 ?
过程潜在
能力指标
过程实际
能力指标
CP 表示“潜在过程能力”!
Cp PP
CPK PPK
长期的
总体标准偏差
不受控
短期的
组内标准偏差
受控的
标准偏差与公差带相关
均值和标准偏差与公差带相关
过程执行状况指标
LSL
短期过程宽度
设计宽度 – 顾客的声音
USL
T
+ 3s- 3s
短期能力指标
+ 3s
USLLSL
过程宽度 – 过程的声音
设计宽度 – 顾客的声音
T
- 3s
长期能力指标
能力指标 – 图示化
LSL USLT
VOC
总体指导原则
过程能力 =
顾客声音
过程声音
Cp = =
分布宽度
公差带
Cp Pp
红色 (差) < <
黄色 (合格)
绿色 (好) > >
Cpk 与 Z 的关系
关注点 = USL均值
ZUSL = ?
Z =
关注点
过程标准偏差
– 过程均值
1
Cpk = 1 对应 3 sigma 能力水平
使用 MINITAB 分组
Stat > Quality Tools > Capability (Normal)
以操作者作为
分组原则来计
算短期和长期
能力
能力计算的结果
计算结果都
表示了对短
期和长期的
能力的估计
Stat > Quality Tools > Capability (Normal)
能力分析综合图 (正态 )
综合图形选项
综合了许多信
息以辅助能力
分析
Stat > Quality Tools > Capability Sixpack (Normal)
综合分析数据录入口
Stat > Quality Tools > Capability Six pack (Normal)
使用距离数据设
想我们收集了子
组大小为5的样本
极差控制图和
均值控制图都
显示有特殊原
因存在；能力
指标是在以前
的练习中得到
的。
综合图总结
回忆 Catapult 例子
操作
Rounds
试验
I. 子组大小: n = 5
描述性统计以确认是否正态分布
Stat>Basic Stats>Descriptive Statistics
Catapult Cap
• 描述性统计表示是正态分布
MINITAB 中的能力分析
Stat>Quality Tools>Capability Analysis(Normal)
Enter
–Single column: Dist.
–Subgroup size: 5
–LSL: 36
–USL: 40
MINITAB 中的能力分析结果
42% 观察到的 % 组内期望
得到的
% 总体
或长期期望
得到的
过程数据
短期和长期
能力数据
显示 Z-值 的选项
Zst
Zlt
过程能力综合图
SPC 10 大误区-1
误区之一:没能找到正确的管制点。
误区之二:没有适宜的测量工具.
误区之三:没有解析生产过程,直接进行管制.
误区之四：解析与管制脱节
误区之五：管制图没有记录重大事项。
SPC 10 大误区-2
误区之六、不能正确理解XBAR图与R图的含义。
误区之七、管制线与规格线混为一谈
误区之八、不能正确理解管制图上点变动所代表的
意思
误区之九、没有将管制图用于改善
误区之十、管制图是品管的事情
Q&A
