4. 七种基本QC手法的现场应用归纳总结
从实战角度看，七种QC手法是现场最常用的分析工具。我个人习惯把检查表、层别法和直方图归为数据收集型，柏拉图、因果图归为问题诊断型，控制图、散布图归为过程控制型。你想想看，没有数据，后面所有分析都是空谈。所以，先扎扎实实把数据拉出来，再说别的。
一、应用归纳总览
| 工具 | 目的 | 现场典型应用 | 常见误区 |
|---|---|---|---|
| 检查表 | 收集现场数据 | 巡检记录、缺陷统计 | 流于形式，数据不真实 |
| 层别法 | 分组对比寻找差异 | 不同班组、设备、材料对比 | 层别维度不够细化 |
| 柏拉图 | 聚焦关键少数 | 缺陷集中度分析 | 只拉图表不行动 |
| 因果图 | 分析根因 | 团队头脑风暴 | 原因堆砌不验证 |
| 直方图 | 查看分布状态 | 尺寸公差、强度范围 | 忽略过程稳定性前提 |
| 控制图 | 监控过程异常 | 关键参数在线监控 | 过反应或不过反应 |
| 散布图 | 确认两变量关系 | 温度-收缩率、压力-速度 | 混淆相关与因果 |
1. 检查表 —— 现场数据的第一道关卡
说白了就是按照预设项目记录频次或状态。我个人习惯在现场巡线时随身带一块白板，快速勾一个检查表。例如每天焊点外观巡检10个点，记录缺陷类型。注意一点：数据要实时记录，不能事后补。曾经有个班组，检了两个月数据，一看全是“正常”——这数据没用，白费功夫。
2. 层别法 —— 分组对比找差异
把混杂在一起的数据按因素分层，比如按班组、设备、材料、时间段。对比自动化线跟手工线的直通率，差异就出来了。我个人的习惯是：先用层别法看趋势，再用柏拉图定焦点。但要注意维度选择，曾经我只层别一个维度，结果差异不明显，加了一维“设备×材料”才找到真因。
3. 柏拉图 —— 二八原则现场落地
按频次排序，累加百分比，找到前20%的原因。我建议画完图后，直接拉团队讨论前三项。例如某工序缺陷分析，发现70%的问题是焊接飞溅和缺料。但只画图不行动，图就是墙上的装饰。我曾经吃过亏：画完柏拉图兴奋半天，结果一个月后复查，问题一个没少。
4. 因果图 —— 头脑风暴的结构化输出
也就是鱼骨图，从人、机、料、法、环、测六大维度展开。我记得有一次在注塑车间处理缩水缺陷，查了三天没头绪。后来用因果图，把所有可能原因列出来，再交叉验证，两天就锁定了模具温度波动。但要注意，先画图，再投票，选3-5个高可能性原因去验证。我见过团队画完鱼骨图直接去改，结果改的是末梢原因，根本不是根因。
5. 直方图 —— 数据的“长相”一目了然
将数据分成若干组，显示分布形态。现场看过程能力、对比规格限。例如测量某轴径尺寸，看是否符合正态分布。直方图的有效性建立在数据真实性上，数据量少于50个，意义就不大。我曾经用20个点画直方图，分布奇形怪状，误导了分析方向。
6. 控制图 —— 过程的“心电图”
区分偶然波动和异常波动。我建议在关键参数设置控制图，比如炉温、注塑压力。检查Xbar-R图，哪一点超出了管控上限？连续7点上升？控制图要定期更新控制限，但数据不够时，先试用100点。曾经有人天天改控制限，因为“看着不舒服”，结果失去了监控意义。记住，控制图是看过程是否受控，不是看好看。
以下是一个简单的CPK计算示例：
# 假设某关键尺寸规格为 10.0±0.5
# 抽取样本数据：10.1, 10.0, 9.9, 10.2, 10.0, 10.1, 9.8, 10.0
# 计算平均值和标准差
mean = 10.0125
std = 0.1188
# 上限 USL = 10.5，下限 LSL = 9.5
CPK = min((USL - mean)/(3*std), (mean - LSL)/(3*std)) = 1.377. 散布图 —— 两变量关系可视化
一个变量在X轴，一个在Y轴，看相关性。比如温度与收缩率、压力与速度。我见过有人算相关系数r到0.99，但样本只有5个点，这种相关性不可信。散布图的作用是提示可能的关系，不能直接证明因果。有一次我用散布图发现温度与强度强相关，但实际上是两种材料不同，层别后相关性就消失了。