斌果SPC：本地部署、B/S架构、一次买断的企业级SPC软件

智能制造企业追求降本增效、精准管控、快速落地与长期合规，斌果SPC/NEXSPC 以四大核心优势直击需求。适合多行业，多场景的使用。

Pmk并不是一个复杂的指标，但它解决的是一个基础且关键的问题：设备本身是否具备稳定生产的能力。定义了过程能力的上限，是评估过程能力的重要基础，因此，并不能直接代表实际生产能力。

探讨汽车零部件供应商如何利用NexSPC软件克服IATF 16949及PPAP审核难题。本文详细介绍了系统的一键生成CPK/PPK历史趋势报告功能、基于序列号的数字化质量追溯链，以及符合AIAG标准的内置MSA测量系统分析模块，助力企业实现自动化、高效率的质量合规管理。

探讨斌果SPC在半导体与精密制造领域的应用，重点介绍其如何通过非正态分布数据的精准Ppk计算、多模腔方差分析（ANOVA）以及结合大语言模型（LLM）的智能诊断与滞后相关性分析，有效解决复杂制程能力评估和质量控制难题。

还在用手工抄写工厂的质量数据？本文为您解析如何利用IoT技术与开放API实现SPC数据的全自动化采集。了解斌果SPC 4.0如何通过设备直连、秒级预警和全渠道报警机制，消除“过程延迟”，避免批量报废，助力制造企业打造真正的质量防御中枢。

随着工业4.0的普及，斌果SPC（NexSPC）作为下一代纯Web架构企业级SPC软件，彻底打破了传统C/S架构工具（如Minitab、InfinityQS）的局限。通过零安装的B/S架构、WebSocket实时数据推送、内置11国语言以及极具颠覆性的终身永久买断授权（不限用户与节点），斌果SPC助力制造企业打破数据孤岛，实现从被动响应到预测性质量控制的数字化转型。

很多工厂使用的老旧C/S架构SPC系统，在判异规则的设定上存在三个致命缺陷，“一刀切”的触发机制、死板的参数固定、规则与物料/工序脱节，为了解决上述痛点，斌果SPC系统中，将经典的8大判异规则扩展支持到了11种，并且配置非常灵活。

斌果SPC软件，支持对每个检测项目一键点击生成SPC分析报告，包括单值或者子组的控制图、正态性检验、过程能力表、机器学习判异、判异规则异常的项目。

详细拆解2026版AIAG-VDA SPC手册中全新的A、B、C、D时间分布模型判断逻辑。从过程变差、位置和分布模型三个核心，通俗讲解正态分布、刀具磨损、批次更换等实际车间场景。了解如何利用斌果SPC软件秒级自动识别分布模型并精准计算Cpk/Ppk，告别死记硬背，用前沿数字化利器提升工厂良率。

AIAG-VDA SPC 手册（2026版）最大变化，就是正视了这些“不完美”，并用一个表格，把所有的时间分布模型分成了 A、B、C、D四大门派。斌果SPC 即将全面支持这一全新的判断逻辑。

随着《智能制造典型场景参考指引》的发布，很多大型企业都在追求卓越智能制造甚至领航级别。从基础级到卓越级，评选的核心硬指标之一就是“场景智能化 AI 率”。

智能工厂卓越级（三级）评选难点在哪？汽车、3C电子与芯片行业如何跨越“AI应用占比20%”的硬指标？本文基于 GB/T 39116 标准，深度拆解如何通过引入融合 AI 大模型的专业 SPC（统计过程控制）系统，实现毫秒级质量预警与复杂非正态数据精准分析，助您低成本通过审厂并斩获智能工厂高分评定。

智能工厂卓越级（三级）评选难点在哪？汽车、3C电子与芯片行业如何跨越“AI应用占比20%”的硬指标？本文基于 GB/T 39116 标准，深度拆解如何通过引入融合 AI 大模型的专业 SPC（统计过程控制）系统，实现毫秒级质量预警与复杂非正态数据精准分析，助您低成本通过审厂并斩获智能工厂高分评定。

新版AIAG-VDA SPC手册增加了一个Pmk（设备性能指数），Pmk是底线，它决定了过程能力的上限；而Ppk是现实，它反映了你管理整个生产系统的综合水平。

斌果SPC从4.0到4.3的进化，关注客户需求，持续迭代升级。

斌果SPC全功能的监控看板，具备实时、同步、动态、按需展示，满足了不同场景和监控点的客户需求。

为什么工厂 Cpk 报表全是 1.33，车间废品却照样堆积如山？深度剖析制造现场“数据美化”背后的三大技术枷锁：理想正态分布的缺失、测量系统误差的干扰以及 Cpk/Ppk 指标的张冠李戴。与其在审核前疲于造假，不如用 斌果SPC 构建真实的数字质量闭环。

很多企业的核心特性Cpk已达到1.33或6sigma水平，却依然在车间使用传统的“合格/不合格”进行抽检，这不仅是形式主义，更是“检了个寂寞”。本文深入剖析高制程能力下传统检验失效的痛点，带你了解为什么真正懂行的质量人都转而使用专业的SPC软件进行实时趋势预警和变差控制。

很多企业热衷于6Sigma项目，却忽略了数据的来源。项目一结束，数据就断了。工业AI落地失败的根源往往不是算法，而是缺乏连续、结构化的数据。本文深度解析：6Sigma是在用数据解决问题，而现代SPC才是企业建立高质量数据生产机制的底层设施。没有好数据，再好的AI也救不了良率。

斌果SPC为珠海市的一家服务于汽车、电子、医疗等诸多行业，以及销售海外的高新技术制造企业提供解决方案，实现不良率下降、节省成本、一键生成合规报表，轻松通过高端客户验厂、摆脱对经验依赖、质检效能大幅释放。

斌果SPC是一款高性价比的企业级统计过程控制系统。支持内网私有化部署与一次性终身授权，不限用户与看板数量。系统集成多种数据采集协议、MSA分析、实时SPC控制图、大模型异常解读及全渠道告警，最快1天上线，助您低成本构建自动化质量闭环。

针对工厂车间昂贵测量设备（如马尔、三丰）自带的封闭式SPC工作站，深入分析其在跨工序分析、标准统一及硬件老化方面的局限性。对比现代中心化Web SPC平台的水平广度优势，提出静默采集与协议转换的数字化转型方案，助力企业构建质量中台。

面对第三方审核，为什么不能将8条 SPC 判异规则全部打开？本文基于新版 AIAG-VDA 手册，深度解析第一类错误（虚假警报）的危害、统计模型与物理规律的冲突，以及如何通过 OCAP 与结构化数据追溯构建真正的质量控制闭环。

探讨现代智能制造车间为何必须淘汰Minitab等传统单机桌面工具。解析现代企业级实时SPC平台如何通过IoT自动化数采、5M1E结构化追溯与LLM工业AI诊断，实现全自动并发监控，帮助质量工程师彻底告别手工导表，构建工业4.0质量防线。

最新的 AIAG-VDA SPC黄皮书中，已经彻底明确了使用CPK的前提了。做MSA -> 画控制图看稳定 -> 正态性检验 ->足够的带有追溯信息的至少25组数据 -> 出CPK报告。

很多企业会把 SPC 当作应付审核的过时图表工具。其实，SPC 是工业界最早且最深远的数据科学实践方法。在工业 4.0 时代，真正成功的 SPC 案例都是打通了高精度测量、结构化数据追溯与 OCAP 闭环的，融合了底层硬件协议（如 MQTT、OPC-UA）、统计分析引擎与人工智能的制造现场“感知-决策”操作系统。

SPC样本抽样数25是被公认为是一个经验下限，是统计学与质量管理的一个平衡，既保证了我们对过程分布的判断不会因为数据太少而失真，又确保了当系统出现异常时，及时发现解决。

现代质量管理的本质不是事后检验，而是以统计学为核心的预防与持续改进。帮助企业在全球竞争中用数据来更好地控制生产和做决策，从而实现卓越。

新版的AIAG-VDA SPC体系，强调统计不应该是事后评价工具，而是过程管理工具。

AIAG-VDA 2026版手册其实就是想把大家从“为了做图而做图”的坑里拉出来。有些数据天生就是歪的，那是物理规律，不是你的错。

斌果SPC从底层数据库架构上彻底抛弃了需要人工拼接追溯数据的单机版思维，助力质量数据底座真正具备工业 4.0 的承载力。

这一新版手册不仅继承了过去 AIAG 和 VDA 在 SPC 应用方面的最佳实践，还在 全球统一、方法系统化和实践落地性 等方面进行了全面优化，是 SPC 体系迄今为止最重要的一次重塑。

斌果SPC的判异不再是“事后分析”，支持多种数据采集方式，实现边录入边判异”的机制，缩短了从发现波动到采取措施的时间窗。还结合了AI大模型，提供能多应用的可能性。

斌果SPC针对子组类检测项目，做了6大控制图看板，可以选择同一检测项目用不同图形展示，也可以对多个检测项目用不同的图形显示。

斌果SPC针对单值检测项目做了六大控制图看板，从多维度直观的看懂生产状态。

斌果SPC对子组不固定类型的数据，实现了阶梯控制限算法，全系列控制图谱适配，过程能力评估的输出。

斌果SPC深耕SPC应用领域五年，现将数百篇围绕SPC技术与应用的精华文章辑录成册，拥有这套“SPC百科全书”，您在质量数字化转型中将更具工作竞争力。

斌果SPC为半导体企业带来的核心价值，成为制程放行与量产稳定的重要依据之一。谁能更早发现制程漂移，谁就能守住良率与长期竞争力。

斌果SPC（原名简易SPC）是一个私有化部署的，基于浏览器的WEB SPC软件。无需安装，用浏览器访问即可。2026年发布最新版本4.0，对功能进行了升级，更加完善，更加灵活高效。

斌果SPC4.0，本次更新不仅在统计科学领域实现了突破，更在操作效率和系统架构上进行了质的提升。

斌果SPC通过持续监控和趋势分析，使企业能够在问题发生之前采取行动，从而保护患者安全、降低经营风险，并支撑长期稳定生产。

斌果SPC 软件三次荣获软服之家颁发的奖项，分别是 2022 年、2024 年和 2025 年。

斌果SPC 提供全面的功能，价格低廉，并且可以快速部署。

斌果SPC的轻量化的架构和极低的技术门槛，帮助企业构建高效的数字化质量体系。

斌果SPC，不只是质量工具，而是一套以数据为核心的过程管理思想，更是汽车企业的长期竞争力，是汽车质量的“预警雷达”。

当SPC图表显示异常后，应查什么？从哪里查？如何追溯到流程的根本性问题？ 这才是具备真正“SPC应用能力”的人员应当掌握的内容。

为了更早地发现过程的潜在异常、提升监控的灵敏度，并实现更精准的质量管理，我们引入了带有警报限的控制图和一套更全面的判异原则。

在许多企业中却始终难以得到广泛而深入的推广，形成了一种“人人都想用，却无法有效推广”的尴尬局面。究其根本，巨大的时间成本是压倒骆驼的最后一根稻草，其他所有原因都围绕着这个核心问题展开，使其成为企业推广SPC的难以承受之重。

有一些人确实认为应该描红满足条件的点，如那两个点远离2倍标准差的，但我认为还是应该描红最后一点。

我们的SPC软件支持的检测项目数据录入/同步的方式有：在线手工录入、Excel批量导入、HTTP接口同步、MQTT、TCP、OPC等方式，下面介绍一下各种录入/同步的方式和应用。

在做SPC分析的时候，经常要对同一个产品的所有检测项目做对比SPC分析，或者对同一类检测项目在不同的产品中做SPC分析

或许是市面上的SPC软件中，SPC异常告警方式最多的SPC软件，总有一种推送方式适合你的。

在大多数情况下，X̄ 控制图与 R 控制图（小样本容量）或 S 控制图（大样本容量）的组合 ( X̄-R 和 X̄-S 控制图) 是监控过程中心趋势和变异性的标准方法

控制图判异规则，特别是基于尼尔森规则的“SPC八大判异规则”，对于识别特殊原因变异至关重要 。我按照不同的控制图类型，详细分析SPC八大判异规则的适用性

介绍如何利用SPC系统对生产数据进行相关和回归分析，以揭示不同生产参数（如温度、转速、压强）与产品质量（透明度、浓度）之间的潜在关系。

在SPC软件中快速、批量的相关和回归分析，一次性选择N个检测项目，查看他们之间可能存在的相关性和滞后相关性，找出相关性最高的项目

通用人工智能模型 (特别是 DeepSeek 这样的大模型) 和 SPC 到底是怎么回事，更重要的是，看看咱们能不能借助 DeepSeek 等大模型的 “超能力”，给传统的 SPC 分析来一次大升级，开启智能化质量管理的新时代！

在智能制造时代，AI技术正深刻变革着质量管理领域。本文介绍一种基于人工智能的 SPC 分析方法 (AI-SPC)， 该方法利用机器学习算法预测检测数据未来趋势， 实现更精准的异常预警， 助力企业提升产品质量、降低生产成本， 迈向智能化质量管理新阶段。

SPC应用大模型的最佳方法，从软件中得到SPC分析结果，把结果给大模型，从大模型的回复中，再做成一个更完善的SPC分析汇报报告。

如果偶尔做一下SPC分析，用excel模版的效果不是很理想，用minitab又会出现minitab试用过期问题，购买一个minitab价格又很贵，并且又不是经常用。推荐用这个在线SPC分析工具。

对于单值类型的数据，因为没有分组，我们可以用小时、天、周、月来分组做箱线图

定期发送的SPC异常检测清单，这样领导就不用看大屏，也不用看一个一个的检测项目的告警通知了，领导只需要定期接收这个异常的检测项目清单邮件即可。

如果大家用的是excel或者minitab做SPC分析，就没有实时SPC看板的。这里给大家看看一个web SPC软件的SPC看板。

SPC控制图的八大判异规则我们经常说，但SPC的八大判异规则是不是在所有的控制图都使用的呢？估计很多人都不清楚，甚至很多人认为每种SPC控制图都可以用这SPC八大判异规则。今天我们就说清楚哪些SPC控制图可以用哪些判异规则的。

可以区分属性批量进行历史SPC分析，可以多个检测项目可以同时分析，分析项可以包括：CPK、PPK、SPC异常点、均值、标准差等等，时间维度可以：按季度、每两个月、月、周、日

这段时间在做我们SPC产品的研发，感触还是挺多的。和AI的快速发展一样，SPC领域的竞争也越来越激烈，压力比我原先想的还要大。经常听到大家说的一句话就是：“技术不会等你，如果你不跟上，它就会把你抛下。”作为程序员，如果你还在犹豫不决，可能真的已经落后了。

有各种各样情况，会导致我们得到的某组数据不足5个（或者说不足我们设定的子组大小的），这时候我们应该怎么做SPC控制图呢？

SPC控制图的控制，可以分为两个阶段，SPC分析阶段和SPC控制阶段，正确使用这两个阶段，才能更好地利用SPC控制图来进行质量管理。

一个强大的SPC软件，判异规则是否全面、是否强大、是否灵活是一个非常重要的配置功能，做SPC都希望能判异规则能全面、自定义、灵活。下面看一下我们的SPC判异规则是如何设计来满足各种需求的。

在研发SPC产品的过程中，我深刻体会到了技术进步带来的挑战与机遇。未来不仅仅是写代码，更是成为推动技术创新、系统设计的关键人物。希望这些感悟对你有所启发。

做SPC我们是认真的，我们不断地在创新。极致创新，致力做国内最好的SPC产品，助力国内制造业质量共同成长

在质量管理领域，CPK（过程能力指数）和PPK（过程性能指数）是面试中的常见问题，也是质量人绕不开的统计指标。它们看似简单，却常常引发困惑和争议。

在APQP的第一阶段，策划阶段定义的初始特殊特性，重点是客户指定的特殊特性，还是产品的特殊特性，还是过程特殊特性？--在APQP的第一阶段，是策划阶段，项目经理组织识别客户指定的特殊特性。

在统计过程控制（SPC）中，规格限和控制限是两个核心概念。虽然它们都在质量管理和过程监控中发挥重要作用，但它们在定义、来源和用途上有所不同。本文将详细解释这两个概念，并主要讨论它们可能是单边或双边的情况，及其对SPC指标的影响。

本文讨论了使用Minitab软件绘制Xbar-R控制图和Xbar-S控制图的差异及应用场景。Xbar-R控制图和Xbar-S控制图虽然都包含Xbar控制图，但它们的Xbar控制图并不相同，不建议对同一组数据同时使用。

SPC并不适用于判断样本是否和规格中心一致，SPC是一个异常分析的工具。判断样本是否和规格中心一致，推荐使用单样本T检验。

SPC控制图的控制，可以分为两个阶段，SPC分析阶段和SPC控制阶段，正确使用这两个阶段，才能更好地利用SPC控制图来进行质量管理。

SPC系统里面存放了很多检测数据，有一些共同来源的检测项目之间可能存在相关性的。一般来说，我们会把这些检测项目数据整理出来，用minitab或者excel，两两一组去做相关分析和回归分析，并且调整滞后期，以寻找最佳的前置影响。

从0开始详细介绍SPC项目实时过程，给你一个最好推广SPC的最好建议。

SPC体系更容易实施、推广、成本低、效益明显，其他制造系统/体系非常重要，完全不是一个级别的工具/体系，比SPC更重要。 我们的意思是，可以用一个低成本、高效益的SPC项目去提升数字化程度，提示产品质量

尽管全检可以保证最终产品质量（生产质量不能保证），但它并不能替代SPC在过程控制和预防方面的作用。企业可以结合两者的优势，在关键工序或高风险产品上实施全检

在网上搜索CPK的计算方法，几乎全是照搬教材的公式，在实际工作做作用不大，甚至误导人。看了我们这篇文章，绝对让你清晰了解了cpk的计算，不像网上的都是照本宣科的教程。

我们整理了SPC部分问题，并给出一些我们自己的拙见回复，希望可以给各位一些SPC灵感

我们不直接说SPC的数学原理，用更通俗的说法来说明SPC是什么意思，相信你会对SPC有了更深入了理解。

自适应移动端浏览器， 客户本地部署，安全可控， 和业务系统实时同步数据，SPC控制图实时反馈， 全面支持SPC各种控制图， 全面支持标准SPC的异常判断规则

基于B/S架构，用户端无需安装软件，用浏览器即可， 自适应移动端浏览器， 客户本地部署，安全可控， 和业务系统实时同步数据，SPC控制图实时反馈， 全面支持SPC各种控制图， 全面支持标准SPC的异常判断规则

详细介绍了SPC的统计学原理、SPC各个判异规则的事件概率的计算，和自定义SPC判异规则的设计和事件概率，让SPC判异更敏感。

np 控制图用于监测工艺过程中的不合格品数的变化是否处于可控状态，一般用于每批样本数 n 固定不变的情况。由于受监测的不合格品数等于每批样本大小 n 与不合格品率 p 的乘积 np ，因此不合格品数控制制图也叫做 np 控制图。

缺陷数控制图（C控制图）用于监控工艺过程中产生的缺陷数的变化情况，特别适用于每批检测对象数目相同的情况。 确定缺陷数控制图（C控制图）的控制限的原则是3σ方法

如何SPC控制图的选择，介绍一种可以遵循参考的路径，并且考虑到自相关再给出另一个SPC控制图选择的参考路径，同时罗列各类SPC控制图的应用场景，以帮助大家选择你需要的控制图。

在开展一个数据分析的时候，我们一般要探索一下数据的基本情况。一般我们看看各个变量的平均数、变量之间的相关性、变量是否有因果性、变量的分布情况等。看到那么多要探索的东西，通常情况下需要做很多工作。我们介绍一种直接从业务系统就完成一键分析，分析上述的所有内容的工具。

回归分析在各行各业的数据分析中有很重要的作用，可以确定自变量和因变量之间的关系，我们设计一个和业务系统整合的回归系统实现方案，解决回归分析的人工处理效率问题，大量回归分析效率问题，人员统计学能力不高问题。

SPC 理论已经非常成熟，其实现工具也经历了从纸质绘图到自动化、电子化软件系统的巨大转变，市面上能见到的SPC却五花八门。如何选择一个适合自己的SPC软件呢？这篇文章应该能帮到你。

现在大数据、机器学习应用越来越广泛，而机器学习算法的一个常见应用就算异常检测，本文介绍机器学习中的支持向量机算法来进行异常检测，包括算法基本原理、系统实现和应用。通过机器学习中的支持向量机算法进行异常检测，并把异常结果整合到SPC控制图上。

将当代计算机科学、工业统计与大数据技术、行业质量管理及持续改进最佳实践完美融合、洞察质量与流程数据，从而提高效率、降低成本、预测未知、科学决策，提高持续盈利能力。可以实时质量风险预警平台、质量大数据分析平台、智能质量报告平台、自动化分析程序及报告。

可以通过一个在线网页通过LIMS/QMS的接口录入数据到LIMS/QMS中，在录入的过程中调用我们的SPC控制台，将最新的数据点加入控制图中，看看是否有异常点产生，这样就满足是实时录入数据的时候查看SPC功能。

iForest （Isolation Forest）孤立森林 是一个基于Ensemble的快速异常检测方法，具有线性时间复杂度和高精准度，是符合大数据处理要求的state-of-the-art算法。其可以用于网络安全中的攻击检测，金融交易欺诈检测，疾病侦测，和噪声数据过滤等。 作为传统SPC异常检测中的一个非常不错的补充，特别是针对有子组的情况下异常检测更灵敏。

发明了几十年的SPC控制图，基本上没有什么创新的了，大家都是用minitab慢慢的去做分析图，效率低下也没有任何新的东西。 最近一直在想，一个异常点，它可能同时满足多个异常判定规则，如它是一个远离3倍标准差的点，又是连续8个在平均数一侧的点，但传统控制图不能看出来这个，甚至一个点它满足了8个判异规则我们也不知道，但这种异常点确非常的重要，如何能直观的看出来这样的判异规则呢。

现在大数据、机器学习应用越来越广泛，而机器学习算法的一个常见应用就算异常检测，本文介绍机器学习中的K均值（K-Mean）算法来进行异常检测，包括算法基本原理、系统实现和应用。

传统SPC应用存在单机使用、无系统对接、无法随时随地、无法移动访问、无监控面板（控制台）等功能，这些严重制约了SPC的应用，难以达到全面质量管理的目的。这里强力推荐一个基于web浏览器的多SPC控制台，可以实现：可以实时系统对接、时刻在线、随时随地移动访问、动态SPC异常标记、多个SPC监控、可做SPC监控大屏（SPC控制台）

当采样的数量接近无穷大时，我们的抽样分布就会近似于正态分布。这个统计学基础理论意味着我们能根据个体样本推断所有样本。结合正态分布的其他知识，我们可以轻松计算出给定平均值的值的概率。在理论上保证了我们可以用只抽样一部分的方法，达到推测研究对象统计参数的目的。

随着样本量n的增大，控制限会变得越来越窄，这意味着过程稍微有一点波动，就可能会有点落在控制限外，也就是说控制图会变得越来越敏感。小的样本量会降低控制图敏感度，也就是存在过程已经发生偏移却不能被发现的风险。

SPC控制图就是一个预警系统，预警系统都存在两类风险：第一类风险是误报警风险（第一类错误）α，第二类风险是漏报警风险（第二类错误）β。本文详细说明为什么常规控制图的异常判定准则有两类，即：点超出控制限就判异和控制限内点排列不随机判异两类。

SPC 理论已经非常成熟，其实现工具也经历了从纸质绘图到自动化、电子化软件系统的巨大转变，市面上能见到的SPC却五花八门。如何选择一个适合自己的SPC软件呢？

简单说说SPC，SPC控制图建立在数理统计学的基础上，把统计学中的“发现异常”作为控制生产过程中的一种工具。因此，“发现异常”成为SPC控制图的基础。它利用有效数据建立控制界限，一般分上控制限（UCL）和下控制限（LCL），上控制限通常设为控制中心线CL+3σ，σ为标准偏差，下控制限设为CL-3σ。如果该过程不受系统原因影响，那么，得到的观测数据将不会超出控制界限。