3. SPC 与过程控制：统计过程控制原理、控制图（X-bar/R图）、Cp/Cpk 计算与判定标准

各位工程师同仁，大家好。今天我们来聊聊良率提升里最硬核、也最基础的工具——SPC。说实话，我刚入行那会儿，觉得 SPC 就是画几张图，应付客户审核用的。直到有一次，我们一条产线的良率突然从 98% 掉到 85%，查了三天没找到原因。最后翻出控制图一看，其实早在两周前，过程均值就已经开始偏移了。嗯，从那以后，我再也不敢小看 SPC 了。

3.1 统计过程控制（SPC）的核心思想

SPC 说白了，就是用统计学的眼睛，盯着生产过程。它不等到产品做出来再检验，而是在生产过程中，通过抽样数据判断过程是否稳定。

这里有个关键概念：普通原因 和 特殊原因。

• 普通原因：过程固有的、随机的波动。比如环境温湿度的微小变化、原材料的正常批次差异。这种波动无法消除，只能通过改进工艺来减小。
• 特殊原因：非随机的、可指认的异常。比如刀具断裂、操作员失误、来料混批。这种波动必须被识别并消除。

SPC 的目标，就是帮你快速区分这两种原因。你想想看，如果连问题出在哪一类都不知道，你怎么下手去改？

3.2 控制图：SPC 的眼睛

控制图是 SPC 最直观的工具。它就像一张过程的心电图，告诉你过程是“健康”还是“生病”。

我个人最常用的是 X-bar/R 图（均值-极差图）。它适用于计量型数据，比如尺寸、厚度、电阻值。为什么用两张图？因为 X-bar 图监控过程的 中心趋势（均值有没有跑偏），R 图监控过程的 离散程度（波动有没有变大）。

3.2.1 控制图的构成

一张标准的控制图，有三条线：

• 中心线（CL）：所有样本均值的平均值（X-double-bar），或者所有极差的平均值（R-bar）。
• 上控制限（UCL）：中心线 + 3 倍标准差。
• 下控制限（LCL）：中心线 - 3 倍标准差。

为什么是 ±3σ？这不是拍脑袋定的。在正态分布下，±3σ 范围内包含了 99.73% 的数据。也就是说，如果过程稳定，点落在控制限外的概率只有 0.27%。一旦点出去了，我们有 99.73% 的把握说——过程出问题了。

3.2.2 X-bar/R 图的计算步骤

我们用一个实际例子来走一遍流程。假设我们要监控一个关键尺寸，目标值是 10.00 mm，公差是 ±0.10 mm。每天抽 5 个样品，连续抽了 5 天。

第一步：收集数据并计算每组均值和极差

子组	X1	X2	X3	X4	X5	均值 X̄	极差 R
1	10.01	9.99	10.02	10.00	9.98	10.000	0.04
2	10.02	10.01	10.00	10.03	9.99	10.010	0.04
3	9.98	9.97	10.01	10.00	9.99	9.990	0.04
4	10.00	10.02	9.99	10.01	10.00	10.004	0.03
5	10.01	10.00	10.02	9.99	10.03	10.010	0.04

第二步：计算总均值和平均极差

X-double-bar = (10.000 + 10.010 + 9.990 + 10.004 + 10.010) / 5 = 10.0028
R-bar = (0.04 + 0.04 + 0.04 + 0.03 + 0.04) / 5 = 0.038

第三步：计算控制限

这里需要查表，用系数 A2、D3、D4。对于子组大小 n=5：

• A2 = 0.577
• D3 = 0（当 n≤6 时，R 图下控制限为 0）
• D4 = 2.114

X-bar 图：
UCL = X-double-bar + A2 * R-bar = 10.0028 + 0.577 * 0.038 = 10.0247
CL  = X-double-bar = 10.0028
LCL = X-double-bar - A2 * R-bar = 10.0028 - 0.577 * 0.038 = 9.9809

R 图：
UCL = D4 * R-bar = 2.114 * 0.038 = 0.0803
CL  = R-bar = 0.038
LCL = D3 * R-bar = 0 * 0.038 = 0

第四步：判稳与判异

把数据点和控制限画在一起。如果所有点都在限内，且随机分布，则过程受控。如果出现以下情况，就要警惕了：

• 点超出控制限
• 连续 7 点在中心线同一侧
• 连续 7 点上升或下降
• 点靠近控制限（2σ 以外区域）

3.3 过程能力指数：Cp 与 Cpk

控制图告诉你过程是否稳定。但稳定不等于好。一个稳定的过程，可能稳定地生产不合格品。这时候就需要过程能力指数来评价——过程到底有多“能打”。

3.3.1 Cp：潜在过程能力

Cp 衡量的是过程的 潜在能力，它只看过程的波动宽度，不看中心位置。

Cp = (USL - LSL) / (6σ)

其中 USL 是规格上限，LSL 是规格下限，σ 是过程标准差（用 R-bar/d2 估计，d2 查表，n=5 时 d2=2.326）。

举个例子，规格是 10.00 ± 0.10 mm，所以 USL=10.10，LSL=9.90。我们算出的 σ = R-bar / d2 = 0.038 / 2.326 ≈ 0.0163。

Cp = (10.10 - 9.90) / (6 * 0.0163) = 0.20 / 0.0978 ≈ 2.04

Cp = 2.04，看起来不错。但别急，这只是理想情况。

3.3.2 Cpk：实际过程能力

Cpk 考虑了过程的中心偏移。它取两个值中的较小者：

Cpk = min( (USL - X̄) / (3σ), (X̄ - LSL) / (3σ) )

用我们的数据，X̄ = 10.0028：

上侧： (10.10 - 10.0028) / (3 * 0.0163) = 0.0972 / 0.0489 ≈ 1.99
下侧： (10.0028 - 9.90) / (3 * 0.0163) = 0.1028 / 0.0489 ≈ 2.10
Cpk = min(1.99, 2.10) = 1.99

这个例子里 Cp 和 Cpk 很接近，说明过程中心基本在目标上。如果中心偏了，Cpk 会明显小于 Cp。

3.3.3 判定标准

Cp/Cpk 值	判定	行动建议
Cp/Cpk ≥ 1.67	能力充足	可考虑放宽检验或降低成本
1.33 ≤ Cp/Cpk < 1.67	能力尚可	正常管控，持续监控
1.00 ≤ Cp/Cpk < 1.33	能力不足	需要改进，加强检验
Cp/Cpk < 1.00	能力严重不足	立即停产整改

3.4 SPC 与过程能力的完整逻辑

下面这张图，是我自己总结的 SPC 应用流程。你照着走，基本不会出错。

3.5 常见误区与避坑指南

做了这么多年 SPC，我踩过不少坑。分享几个最常见的：

• 误区一：先算 Cpk，再画控制图。 这是大忌。过程都不稳定，算出来的 Cpk 就是骗人的。我见过有人把失控的数据也算进去，Cpk 算出来 1.8，实际良率只有 90%。
• 误区二：控制限等于规格限。 控制限是过程自身的波动范围，规格限是客户要求。两者没有直接关系。控制限宽不代表过程好，控制限窄也不代表过程差。
• 误区三：只看 X-bar 图，不看 R 图。 X-bar 图告诉你均值有没有偏，R 图告诉你波动有没有变大。两个都要看。我曾经有一次，X-bar 图一切正常，但 R 图上的点一直在往上走。后来发现是模具磨损了，波动越来越大。
• 误区四：Cpk 越高越好。 Cpk 太高（比如 > 2.0），说明你的过程能力过剩。这时候可以考虑降低成本，比如放宽原材料公差，或者减少检验频次。别浪费。