国内SPC玩法大全

做质量这些年，我见过不少让人哭笑不得的SPC。

系统不差，报表也做得漂亮。打开大屏，一片绿色，Cpk常年在1.33以上。可你去车间转一圈，设备该漂还是漂，返工照样返工，客户抱怨的问题似乎也没少多少。

到底是哪里出了问题？

我后来发现，有些工厂实际上运行着两套SPC。一套写在程序文件里：如实采样、识别波动、查找原因、采取措施、验证效果。另一套没人公开承认，却处处讲究效率：考核什么，就把什么指标做漂亮；客户要看什么，就准备什么；审核查什么，就赶紧补齐什么。

一套想控制过程，另一套忙着控制过程的展示效果。

下面这30种“玩法”，未必发生在同一家工厂，也绝不是说国内企业都这样。为了把问题讲透，部分场景用了夸张和反讽。还得先说明白：复测、排除异常值、调整控制限、分层分析，本身都可能是合理的统计操作。真正值得警惕的，是看完结果以后才决定规则，不保留原始记录，也不解释为什么这样做。

好了，看看这些玩法，你熟悉几个。

玩法一：不合格的数据，没有资格进入SPC

有时候根本不用改数据，只需决定哪些数据允许进系统。

比如开机后连续测了五件，前两件超差，第三件勉强，后两件合格。系统最终留下的，可能只有最后两件。理由也很顺耳：前面属于调机，后面才叫正式生产。

调机数据和量产数据当然可以分开管理，问题是划分标准有没有事先规定？如果只有超差的时候才突然想起“这是调机”，那就不是什么科学分层了。

换刀、换料、换班也类似。最容易暴露波动的时刻被一一划出去，难怪控制图永远那么平静。它看到的，从来就是被挑过的一段生产过程。

玩法二：测到合格为止

“这个尺寸超了，再测一次。”

第二次还不行，换个测量位置。再不行，擦擦零件、重新装夹，或者拿另一把量具来。总有一次能测到规格里。前面几次叫试测，最后一次才算正式结果。

于是，一个零件明明有好几条测量记录，进了SPC数据库却只剩下一条合格值，像是从没出过问题。

必要的复测当然没错，量具异常也确实需要排查。但正确做法应该依据明确的复测规则判断结果，并保留前后记录。不能把“后一次合格了”当成前面数据无效的证据。

玩法三：红点不是问题，红点本身才是问题

控制图上跳出一个红点，本来应该去查过程发生了什么。

可如果考核要求是“控制图不能有异常”，工作重点就变了：先想办法把红点处理掉。

“录入错误”“偶发干扰”“非正常生产”“量具波动”……只要有个理由，就能勾选“不参与计算”。有的系统还会顺手重新计算控制限和Cpk。操作很顺滑，红点一下子不见了。

问题在于，异常点可不可以排除，应该看证据和规则，而不是看它的颜色够不够刺眼。否则，系统最擅长的就不是发现异常，而是让异常从图上消失。

玩法四：修改数据？我们是在纠错

直接说“改数据”，听着不大好。换成“纠正录入错误”，就专业多了。

10.28会不会原本是10.028？19.86是不是手滑录错，应该是19.96？“这个值明显不符合工艺规律”，也能成为修改依据。

真有录入错误，当然应该纠正。可纠错要能找到原始记录、修改依据和操作日志，不能靠一个数值“不顺眼”来推定它错了。

最神奇的是，有些地方的错误似乎只往一个方向发生：超差数据经常需要纠正，合格数据却很少有人怀疑。修着修着，数据就越来越漂亮。

玩法五：复制数据，也得复制得像一点

完全照抄昨天的数据，太容易露馅。聪明一点的，会在末位上加加减减，让数值围绕中心上下摆动，看起来还有点随机性。

白班测过的，换个时间变成夜班数据；A设备的，换个编号就能补到B设备。数值不能整齐得过头，也不能偏得太远，最好始终落在控制限以内。

这种“人工随机”往往有自己的脾气：波动太均匀，长时间没有真正的趋势或极端值，有时连小数位的分布都过分工整。

编数据的人想要的是自然波动，可真正的过程偏偏没那么听话。

玩法六：月底是数据生产高峰期

车间每天在生产，SPC数据却主要在月底出现。

平时忘了抽样，或者做了却没记录。到月底打开计划表，上午缺一组，下午少一组，补上。审核要来了，效率还能再提高：几个月的历史数据，几天就能整理齐整。

报表一看，抽样计划执行得一丝不苟，从未缺席。可真去问操作员，他也许根本不知道这条线一直有个SPC项目。

补录真实测量记录有其必要，但测量时间、录入时间以及数据来源必须分清。没有测过的数据，靠回忆和想象是补不出来的。

玩法七：控制限要学会“与时俱进”

过程均值上移了？重算中心线。波动变大了？上下控制限再放宽一点。还有红点？说明现在的限值“不符合现场实际”，继续优化。

听起来似乎很合理，过程都变了，控制限怎么能不变呢？

可控制限的意义，恰恰是帮助我们发现过程相对基线的变化。如果一有变化就跟着它移动，还没查原因就把新状态收编为正常，那报警器也就失去了意义。

当然，经过确认的工艺改变、稳定性评估和正式审批后，控制限可以重新建立。只是不能一边靠控制限发现异常，一边又用异常本身证明控制限应该变宽。

玩法八：把规格限画上去，也能叫控制图

图上有一条上限、一条下限，中间一根折线，标题再写上“SPC控制图”。看上去，还真像那么回事。

仔细一问，那两条是USL、LSL，不是UCL、LCL。很多人倒也不介意：只要没出规格，图不就说明过程没问题吗？

当然不是。产品尚未超规格时，过程均值可能已经明显漂移，波动也可能正在扩大。规格限告诉你产品要求，控制限反映过程波动规律，两个用途完全不同。

可惜，汇报时它们长得太像了。

玩法九：总有一个时间窗口能让能力达标

拿一年数据算Ppk，只有0.92。

“时间太长，不能代表目前水平。”改看三个月，1.08。还是不够？那就看最近一个月，1.21。继续缩，终于找出设备状态最好的一周，算到了1.48。

这下可以汇报了：当前过程能力满足要求。

新工艺确实可能需要用新的稳定阶段来评价，历史过程也不该无条件混算。但分析窗口应当有工艺和统计依据，并交代为什么选它。如果先把所有窗口算一遍，再挑唯一达标的那个，所谓“当前能力”就成了一场找答案的游戏。

玩法十：客户要多少数据，就正好有多少

客户要求30组，报告刚好30组；要求125个数据，也能准时给出125个。

样本数量倒是够了，但这些数据覆盖了哪些班次？有没有换刀、换料、设备维修？抽样是连续的，还是中间隔了很久？通常不会在首页主动写明。

极端一点，为了凑数，还会把很早以前的数据接到近期数据前面。数字是够了，过程条件是否一致却没人再追问。

抽样数量有要求很正常。只是统计分析关心的不止“够不够数”，还有这些数到底代表了哪个过程。

玩法十一：合理子组，怎么组最“合理”？

SPC讲合理子组，听起来就很专业。

有些人也学会了这套语言：把数值接近的分在同一组，把相差明显的拆出去。这样组内极差小、组内标准差也好看，算出的短期能力自然不差。

至于换班、设备、模具和时间漂移的差异，就都留到组间去了。Cp、Cpk漂亮，Ppk却不怎么样，解释是“设备本身能力很好，只是外部因素影响长期表现”。

合理子组本来就需要让组内尽可能反映短期共同条件，不能简单认为组间有差异就一定是错。但它必须依据生产和采样机制事先设计，而不是拿到结果后按数值大小重新拼组。

玩法十二：合并还是拆分，结果说了算

两台设备，一台不错，一台问题不断。

合在一起结果还过得去，就汇报整线能力；合完太难看，就拆开，重点展示好的那台。多腔模具也能这么玩：先看平均值能不能遮住某个差穴位，遮不住再换统计口径。

说到底，设备、穴位、班次、供应商和批次该不该合并，应该由过程机理、质量决策目的和数据结构决定。

如果今天合并有利就合并，明天拆开有利就拆开，那不是分层分析，是分层挑成绩。

玩法十三：能力指标这么多，总有一个能拿得出手

Cp、Cpk、Pp、Ppk，名字差不多，含义却不一样。

Cp高，就突出潜在能力；Cpk高，就把Cpk放首页；Ppk低，可以归因于过去的历史波动。组内能力远高于整体表现，还能顺势说一句：“看，设备本身没问题。”

于是报告最醒目的位置放个绿色的1.67，至于评价时段、标准差估计口径、过程稳定性，都藏在后面的附注里。

不同指标本来就回答不同问题。不交代条件，单凭一个好看的数字概括“过程能力达标”，实际上把统计学费心做出的区分又抹掉了。

玩法十四：控制图归控制图，Cpk归Cpk

控制图上趋势很明显，连续多点偏向同一侧，均值已经慢慢逼近规格边缘。

但月报首页显示Cpk还在1.33以上，颜色仍然是绿色。

问起来，解释也现成：“有一些波动，但总体能力满足要求。”控制图放在技术详情页，能力指标放在领导驾驶舱，两边各讲各的，互不打扰。

直到产品真的超规格，才被当成一次突发事件。其实过程早已给过信号，只是没人愿意把两张报表放在一起看。

玩法十五：分布不好看，就换个模型试试

正态性检验没通过，先试Box-Cox；还不理想，再换对数正态、Weibull、Gamma……拟合方法多，机会总还是有的。

尾部几个值不太配合？再研究是不是异常值。折腾一圈，终于找到一套报告最好看的结果，便把它当最终方案。

非正态分析本来就需要比较模型，变换也并非原罪。问题在于，是否先确认过程稳定、数据有没有混合，候选分布有什么依据，尾部拟合靠不靠谱，以及不同方法会怎样影响不合格率估计。

如果选择标准只是“哪种算法算出的能力最高”，统计分析就成了挑滤镜。

玩法十六：报警太多？先把规则关掉

SPC刚上线时，八大判异规则恨不得全勾上。结果每天红点不断，邮件一封接一封，工程师看不过来，现场也觉得烦。

于是开始优化：趋势规则误报多，关掉；连续同侧太敏感，关掉；区域规则不直观，也关掉。最后只保留最基本的单点越限。还嫌报警多？那就再研究怎么调整控制限。

报警规则确实应该根据过程、误报率和发现能力来选择，不是开得越多越好。问题是这种调整有没有经过风险评估，有没有验证会漏掉哪些重要变化。

单纯把声音关小，不能证明机器变健康了。

玩法十七：自动采集，也未必等于真实完整

一说“设备直连、自动采集”，大家就觉得可信度高了不少。

但采什么、不采什么，仍可能被设计。状态好的设备先接，问题多的暂缓；正常生产时上传，报警或调机时暂停；通信中断丢失一段数据，也不急着核查缺口。

这样得到的数据，确实没经过人工逐条修改，可不代表它涵盖了所有该记录的过程状态。

自动采集解决的是数据传输问题。完整性，还得靠设备状态关联、采集覆盖规则、断点记录和缺失数据监控来保证。

玩法十八：一套系统，两种真相

内部系统里有一套数据，大家多少知道哪些设备老出问题。对外汇报时，又拿出另一套整理过的Excel和PDF。

客户要追溯？没问题。先挑几个数据完整、报告漂亮的项目演示。其他项目恰好在维护，或者暂时没有开放权限。

更离谱的情况是，现场用一套控制限，对客户汇报又用另一套。每一份报告单独看都挺正规，可两份放一起，就解释不通了。

内部SPC负责让人知道问题在哪里，对外SPC负责证明问题不存在。表面上分工明确，实际上已经失去了共同的数据事实。

玩法十九：审核前，SPC突然迎来旺季

平时没多少人打开的控制图，客户审核前忽然全部更新了。

缺数据的补齐，缺签字的补签，超期未关闭的问题单抓紧处理。相关人员开会统一口径：哪些问题客户可能会问，该怎么解释。

参观路线也会被重点照顾。看板、记录、量具、样件，一夜之间各归其位，像进入了某种短暂的理想状态。

准备审核本身没错，补齐真实、可追溯的资料也很正常。让人担心的是，SPC只在被检查前才进入运行状态。客户走后，系统又恢复安静。

玩法二十：复杂问题，总能归结为一个简单原因

设备磨损、夹具设计、工艺窗口太窄、材料批次波动……这些原因一旦查实，常常意味着要改设备、改工艺，甚至追加预算。

相比之下，“操作员未按SOP执行”就省事多了。原因明确，责任清楚，整改也容易安排。

如果操作员确实按照要求做了，还可以写“质量意识不足”。

人的操作失误当然可能是真正原因，但不能因为它容易写进报告，就停止继续追问：为什么容易误操作？防错在哪里？设备和流程有没有把人推向错误？

玩法二十一：宇宙的尽头，是加强培训

原因一旦落到人身上，措施往往就剩两个字：培训。

刀具磨损，加强培训；夹具松了，加强培训；量具重复性不好，也培训；供应商材料波动，采购部门同样可以组织学习。

培训最大的优点，是证据容易凑齐：课件、签到表、现场照片、考试成绩，一样不少。整改报告写起来格外完整。

培训不是没用，但培训解决不了松动的夹具，也不能替代有效的预防维护。措施有没有效，终究要看过程有没有改善，不是看签到表有多厚。

玩法二十二：签字齐了，问题自然就关了

原因写好了，措施填好了，操作员、主管、质量经理全签字。流程走到最后一步，还不关闭，等什么呢？

至于过程波动是否恢复、后续批次有没有再犯、能力有没有真正改善，先列入“持续跟踪”。有时设备刚调整完，抽检几件合格品，问题单就已经关闭。

几件合格不一定足以证明统计过程恢复，短期验证和长期效果确认也不能混为一谈。

签字证明有人审核过文件。它不能替代改善有效的证据。

玩法二十三：红灯负责报警，设备负责生产

控制图一报警，大屏马上亮红灯。看着很有气势，尤其适合客户参观。

但红灯要是真的导致停机，产量就可能受影响。于是现场先等一等，看后面几个点能不能恢复；还不行，再找班组长确认。碰上交付紧张，大家更愿意先把这一批做完。

这里不能一概而论。SPC报警并不意味着一律自动停机，现场动作要按风险和事先批准的控制计划执行。可如果明明属于必须停机、隔离的风险，却只有灯亮、没人响应，那系统就只是个漂亮的报警装置。

玩法二十四：隔离归隔离，交付归交付

系统里批次已经标记隔离，现场也贴好了标签。接下来事情就进入考验阶段：客户开始催货。

挑选、返工、特采，在满足授权和验证要求时本来可以是合规处理方式。但有些地方会先讨论另一件事：异常究竟从几点开始？如果把起点往后挪两个小时，需要隔离的数量就能少很多。

最后放行单签了，货也发了。至于最初为什么划定那个影响范围，就没人再回头问。

隔离范围应由过程证据、追溯能力和风险判断确定，而不是倒着从交期算出来。

玩法二十五：人人有停机权，最好别人先用

不少公司的程序都写得很好：发现重大质量风险，员工有权停止生产。

只是现场还有一条不成文的规则：谁喊停，谁先解释停机损失。

操作员等班组长，班组长等车间主任，车间主任还得请示。大家都不是不负责任，只是这个决定太难由自己承担。

等讨论有了结果，可能半批货都生产完了。于是制度上人人有权，实践中却没人愿意第一个按按钮。

真正的停机机制，不只是授予权限，还要把触发条件、责任保护和恢复流程讲清楚。

玩法二十六：SPC委员会，主要负责管理颜色

企业成立了SPC委员会，人员配置十分齐全：质量、生产、工艺、设备、IT，全到场。

每月开会，重点看红色项目有多少、达标率为什么降了，以及下个月能不能恢复绿色。研究来研究去，有时不是工艺该怎么改，而是口径能不能调、某些项目能不能暂时不纳入统计。

至于控制限为什么频繁变动、MSA是否有效、合理子组有没有按设计执行，这些事专业又费时间，往往被排到后面。

委员会当然在管理SPC。只是管理的主要对象，慢慢变成了大屏上的颜色。

玩法二十七：项目先建起来，覆盖率自然就有了

一个尺寸建一个SPC项目，一台设备建一套，多腔模具还能按穴位继续拆。项目数量很快从几百涨到几千。

汇报时很好讲：“已完成5000个SPC检测项目建设。”

只是往下问，会有点尴尬：多少项目持续有数据？多少控制限有效？多少有人负责？报警以后真正有人处理的又有多少？

建档数量不能等于有效覆盖率。一个长期没数据、没规则、没责任人的项目，在系统里存在，不意味着它在现场发挥了控制作用。

玩法二十八：驾驶舱的任务，是让人觉得形势大好

质量数字化做得像不像样，大屏很重要。

地图、曲线、闪动的数字、红黄绿灯，全都安排上。绿色区域占大头，红色项目可以放到下一页，或者几秒钟之后自动滚走。

领导一看：稳定率98%，能力达标率96%，异常关闭率99%。形势真不错。

至于没有数据的项目算不算分母、被排除的异常怎么算、关闭是否经过验证，屏幕空间有限，就先不展开了。

驾驶舱如果只能展示好消息，倒也不妨叫它展览厅。

玩法二十九：AI来了，连结论都不用自己写

以前报表出来后，还要请质量工程师写结论。如今把图表交给AI，它很快就能生成一段话：

过程总体保持稳定，波动处于可接受范围，过程能力满足要求。个别异常可能与人员、设备或环境因素有关，建议持续关注并维持现有控制措施。

读起来挺专业，也挑不出多少语病。

但如果输入数据已经被筛过几轮，控制限反复重算，某些异常值被排除，而AI完全不知道这些背景，它的结论能有多可靠？

AI并没有亲手制造假数据。它只是把已经失真的数据，解释得更加像模像样。数据治理的问题，不会因为加了一层大模型就自动解决。

玩法三十：所有玩法，最后都能叫质量数字化

挑选数据，可以说成数据清洗；删除异常点，是异常值处理；控制限越调越宽，叫模型自适应；关掉报警规则，是降低误报。

审核前补数据，叫数据治理。问题单集中关闭，叫流程提效。只展示漂亮的能力指标，叫管理驾驶舱。最后再让AI写一段总结，系统就升级成了智能质量分析平台。

词没什么问题，很多本来就是正规技术名词。问题在于，词背后的实际操作有没有数据、有规则、有证据，最终有没有改善过程。

换了说法，不等于换了做法。过程还是那个过程，只不过讲述它的故事越来越现代化了。

结尾：过程没管住，数据倒是越来越好看

写到这里，可能有人会说：哪有这么夸张，谁会把每个数据都改得合格？

是的，真正让人担心的，往往不是一张完美得离谱的报表。它可能也有自然波动，偶尔留下几个红点，异常处理单里原因、措施、验证、签字一样不少。看起来真实得很。

可只要数据进入系统之前经过选择，报警出现以后可以随意排除，控制限能够跟着结果走，整改又只以工单关闭为终点，那么再漂亮的控制图也未必控制住了过程。

最后，控制图从“发现变化”变成了“证明受控”；Cpk从“评价过程”变成了“完成考核”；异常处理单也从“解决问题”变成了“证明问题已经解决”。

设备还在波动，产品依旧返工，客户投诉也没有真正减少。但系统里绿色的指标，一年比一年多。

这才是最值得警惕的地方：SPC原本是Statistical Process Control（统计过程控制），最后却被做成了Statistical Presentation Control（统计展示控制）。

统计方法没有错，软件也不一定差。问题是，我们究竟想用这些数字看清过程，还是想让数字替过程说好话？