1. SPC数据工程全景

统计过程控制（Statistical Process Control，SPC）的核心目标，是判断一个制造或服务过程是否处于“统计受控状态”，并在过程出现异常时尽早报警。它并不直接告诉你产品是否合格，而是回答一个更基础的问题：过程输出的波动，是仅由普通原因造成的，还是已经混入了可查明原因？理解这一点，是后续所有数据清洗与异常值治理工作的出发点。

一、SPC的三个核心概念

SPC建立在三个相互支撑的概念之上。第一是过程波动：任何过程输出都存在变异，变异分为普通原因（固有、随机、稳定）和特殊原因（突发、可查明、不稳定）。第二是控制限：控制限由过程自身数据计算得出，通常取均值±3倍标准差，它描述的是“过程当前实际能力范围”，而不是规格限。第三是判稳与判异：通过控制图上的点是否超出控制限、是否呈现连续上升、连续同侧等模式，判断过程是否受控。

需要特别强调：控制限（UCL/LCL）与规格限（USL/LSL）是两套完全不同的参照系。规格限来自客户或设计要求，控制限来自过程数据。一个过程可能“受控但不合格”，也可能“合格但不受控”。混淆二者，是SPC落地中最常见的错误之一。

二、控制图原理：为什么3σ能工作

以最常用的Xbar-R控制图为例。假设某注塑件关键尺寸目标为50.00 mm，每30分钟抽取5件组成一个子组，连续采集25个子组。对每个子组计算均值X̄和极差R，再计算总均值X̄̄与平均极差R̄。Xbar图的控制限为：

UCL = X̄̄ + A2 · R̄
LCL = X̄̄ − A2 · R̄
（n=5 时，A2 = 0.577）

R图的控制限为：

UCL = D4 · R̄
LCL = D3 · R̄
（n=5 时，D4 = 2.114，D3 = 0）

若示例中X̄̄ = 50.02 mm，R̄ = 0.08 mm，则Xbar图UCL ≈ 50.066 mm，LCL ≈ 49.974 mm。当某子组均值落在控制限之外，或连续7点递增、连续7点在中心线同侧，就应触发异常调查。3σ之所以被广泛采用，是因为在正态假设下，普通原因造成点超出控制限的概率约为0.27%，即约370次中出现1次，属于小概率事件，一旦发生更可能是特殊原因所致。

三、数据清洗与异常值治理在SPC中的定位

控制图的有效性完全依赖输入数据的质量。如果原始数据中混入了录入错误、传感器漂移、重复记录、单位不一致或非过程原因造成的极端值，那么计算出的X̄̄、R̄和控制限都会被污染，导致两种后果：一是控制限被异常值“撑宽”，真实异常被掩盖；二是异常值本身被误判为过程失控，造成误报警。

因此，数据清洗与异常值治理在SPC中不是附属步骤，而是控制图可信度的前置保障。它要解决的不是“把数据改好看”，而是区分三类情况：

• 数据错误：如小数点错位、单位混用、重复上传，应修正或剔除；
• 过程异常：如设备故障、换料、换模造成的真实偏移，应保留并触发调查；
• 正常极端波动：属于普通原因范围内的尾部数据，不应随意删除。

治理顺序通常是：先做完整性、重复性、单位一致性检查，再做基于物理量程和业务规则的硬边界过滤，最后才用统计方法（如3σ、IQR、MAD）识别可疑点，并结合时间戳、设备号、批次号回溯判断其性质。统计方法只负责“标记可疑”，是否剔除必须由工程判断决定。

四、课程项目与数据环境搭建

本课程将围绕一个贯穿始终的示例项目展开：某注塑车间关键尺寸SPC监控。项目数据环境包含三部分：

• 原始数据层：CSV文件，字段包括时间戳、设备号、批次号、子组号、样本序号、测量值、量具编号、操作员；
• 清洗规则层：用Python或Excel实现单位统一、重复剔除、量程过滤、缺失标记；
• 分析输出层：计算X̄̄、R̄、控制限，绘制Xbar-R图，输出异常点清单与判异原因。

建议的初始环境为Python 3.10 + pandas + numpy + matplotlib，或使用Minitab/JMP等统计软件。数据文件建议按“日期_设备号.csv”命名，便于按设备分别建立控制图。示例数据中可故意植入少量错误值（如50.00误录为500.0）、重复行和单位不一致（mm与cm混用），用于练习清洗与治理流程。