下载文档原格式
统计过程控制（SPC）：提升制程稳定性在制造业中，制程稳定性是一个至关重要的概念。
不论是生产电子产品、制造机械零件还是生产食品，保持生产过程的稳定性对产品质量和成本控制都至关重要。
统计过程控制（SPC）是一种有效的方法，用来监控和改进生产过程，提升制程稳定性。
什么是统计过程控制（SPC）？统计过程控制（SPC）是一种基于统计方法的质量管理工具，旨在通过监控生产过程中的关键变量，减少变异性，实现生产过程的稳定性。
SPC可以帮助厂商识别并消除造成产品缺陷的根本原因，提高产品质量，降低生产成本，增强市场竞争力。
SPC的原理及应用SPC的基本原理是通过收集和分析生产过程中的数据来了解生产过程的特征和变异性，从而判断生产是否处于受控状态。
通过统计技术，可以找出生产过程中的特殊原因变异和普通原因变异，进而采取相应的控制措施。
SPC的应用范围非常广泛，可以适用于各个行业的生产过程控制。
比如，在汽车制造业，通过对关键工艺参数进行实时监控，可以避免生产出次品车辆；在食品加工业，利用SPC可以确保产品符合质量标准，保障食品安全。
SPC的主要工具和技术SPC主要包含以下几种工具和技术：1.控制图：控制图是SPC的核心工具之一，用来监控生产过程中的变异性。
常见的控制图有X-bar图、R图、P图等，通过控制图可以及时发现异常情况。
2.过程能力分析：通过过程能力分析，可以评估生产过程是否稳定，并确定是否满足产品质量标准。
3.假设检验：假设检验用于判断生产过程中的参数变化是否具有统计显著性，帮助厂商做出正确的决策。
SPC的好处采用统计过程控制（SPC）可以带来诸多好处：1.提升产品质量：SPC可以实时监控生产过程，及时发现问题并及时纠正，确保产品质量稳定。
2.降低生产成本：通过降低废品率和提高生产效率，可以有效降低生产成本。
3.增强市场竞争力：生产出质量稳定的产品，可以提高客户满意度，增强企业在市场上的竞争力。
总结统计过程控制（SPC）是一种重要的质量管理工具，能够帮助企业提升制程稳定性，实现持续改进。
SPC统计过程控制SPC（Statistical Process Control，统计过程控制）是一种基于统计原理和数据分析方法的质量管理工具，用于监控和控制生产过程中的变异性，以确保产品或服务的质量。
SPC是由质量概念的先驱沃尔特·A·谢温（Walter A. Shewhart）在20世纪20年代初首次引入的。
它的目的是通过使用统计技术来分析生产过程中的数据，从而减少产品或服务的变异性，提高整体质量水平。
SPC的基本原理是通过统计分析来了解生产过程中的变异性，以便及时采取措施来纠正和调整生产过程。
它主要包括以下步骤：1.确定控制指标：选择适当的指标来监控生产过程的变异性。
常用的指标包括尺寸、重量、硬度等。
2.收集数据：根据预定的采样计划和频率，定期收集生产过程中的数据。
数据可以通过各种手段收集，如直接测量、抽样检验等。
3.绘制控制图：使用统计方法将收集到的数据绘制成控制图。
控制图是一种图表，它显示了一个或多个过程指标的变化情况，以及上下限范围。
通过观察控制图，人们可以判断生产过程是否处于控制状态，是否存在异常情况。
4.分析控制图：根据控制图上的变化趋势和模式，进行统计分析，以确定生产过程的绩效。
常用的统计分析方法包括均值、标准差、极差等。
5.制定改进措施：根据分析的结果，确定需要改进的方面，并制定相应的措施。
改进措施可以包括修改生产过程参数、调整设备、培训员工等。
6.监控和调整：持续监控生产过程，并根据需要进行调整，以确保控制图保持在预定的限制范围内。
SPC的优势在于它能够提供实时和持续的监控生产过程的能力。
通过采集数据和绘制控制图，生产者可以及时发现生产过程中的变异，并采取措施进行纠正。
这样可以防止不良品的产生，并提高产品或服务的一致性和质量。
此外，SPC还具有以下几点优势：1.提高生产效率：通过控制和减少生产过程中的变异性，SPC可以提高生产效率。
它能够帮助生产者发现并消除生产过程中的浪费和不必要的变动，从而提高生产效率和资源利用率。
统计过程控制统计过程控制（SPC）是一种基于数据分析的质量管理方法，旨在通过对过程的监测与控制，实现生产过程中的连续改进。
这种方法可以帮助提高产品质量，降低生产成本，提高客户满意度。
以下是SPC的简介、使用方法、益处以及实现过程中可能存在的问题。
简介SPC的理念是“控制过程而不是修理产品”，它的核心是把质量管理的重点从检查和纠正缺陷转移到控制过程。
SPC主要应用于制造业，但也适用于服务业和医疗行业等其他领域。
通过数据收集、分析和监控，SPC可以帮助企业了解其生产过程并制定相应的改进计划，从而实现生产效率和产品质量的提高。
使用方法SPC主要包括数据的收集和分析两个阶段。
数据的收集通常是由受训人员通过抽样等方式获取，然后数据会被汇总到一个控制图表中。
控制图表是SPC最基本的工具，它可以反映生产过程中数据的变化情况，通过样本数据的变化来判断是否存在特殊因素，以及是否需要采取相应的措施来防止这些因素的再次出现。
在数据分析阶段，SPC通常使用各种统计方法来分析数据的规律性和变动性，从而确定过程的性能是否符合要求。
如果发现过程出现特殊的变化，就需要针对这些问题采取相应的措施。
然后，通过监控过程的稳定性和性能，来确保所采取的措施有效。
益处SPC的主要益处是提高质量和降低成本。
由于SPC持续地跟踪和分析数据，可以及时发现问题，并采取相应的措施。
这减少了产品缺陷率和因此而导致的重新工作或返工数量。
此外，SPC还可以提高生产效率，因为它可以减少生产中的浪费和停机时间，并优化制造工艺。
此外，SPC还可以增加生产过程的可持续性，使过程更加稳定，从而提高客户满意度。
实现过程中可能存在的问题尽管SPC被广泛运用于生产领域，但在实施过程中仍然存在一些问题。
例如，如果质量数据不正确或不完整，则无法有效地检测和纠正问题。
确保收集到正确和完整的数据非常重要。
另一个问题是寻找和培养高素质的SPC人才。
虽然有许多SPC工具和软件可以帮助质量控制人员更好地应用SPC，但必须确保员工已经得到了适当的培训，以确保他们理解SPC的基本概念和运用方法。
统计过程控制统计过程控制（Statistical Process Control, SPC）随着科技的发展，产品的制造过程日益复杂，对产品的质量要求日益提高，电子产品的不合格品率由过去的百分之一、千分之一降低到百万分之一（ppm），乃到十亿分之一（ppb），仅靠产品检验剔除不合格品，无法达到这样高的质量水平，经济上也不可行，必须对产品的制造过程加以控制，在生产的每一步骤实施控制。
为了实现对产品的制造过程加以控制，早在20世纪20年代休哈特就提出了过程控制理论以及控制过程的具体工具——控制图(controlchart)。
1931年休哈特出版了他的代表作：《加工产品质量的经济控制Economical Control of Quality of ManufacturedProducts》，这标志着统计过程控制时代的开始。
统计过程控制就是应用统计学技术对过程中的各个阶段进行评估和监控，建立并保持过程处于可接受的稳定水平，从而保证产品与服务符合规定的要求的一种技术。
它包含两方面的内容：一是利用控制图分析过程的稳定性，对过程存在的异常因素进行预警；二是计算过程能力指数分析稳定的过程能力满足技术要求的程度，对过程质量进行评价。
统计控制图1．控制图原理导致质量特性波动的因素根据来源不同可分为人员（Man）、设备（Machin e）、原材料（Material）、工艺方法（Method）、测量（Measurement）和环境（Environment）六个方面，简称5M1E。
根据对产品质量的影响大小来分，可分为偶然因素（简称偶因，Commoncause）与异常因素（简称异因，在国际标准和我国国家标准中称为可查明原因，Special cause, assignablecause）两类。
偶因是过程固有的，始终存在，对质量的影响微小，但难以除去，如机器震动，环境温湿度的细微变化等。
异因则非过程固有，有时存在，有时不存在，对质量影响大，但不难除去，例如配件磨损等。
偶因引起质量的偶然波动，异因引起质量的异常波动。
偶然波动是不可避免的，但对质量的影响一般不大。
异常波动则不然，它对质量的影响大，且可以通过采取恰当的措施加以消除，故在过程中异常波动及造成异常波动的异因是我们注意的对象。
一旦发生异常波动，就应该尽快找出原因，采取措施加以消除。
将质量波动区分为偶然波动与异常波动两类并分别采取不同的对待策略，这是休哈特的贡献。
偶然波动与异常波动都是产品质量的波动，如何能发现异常波动的存在呢？我们可以这样设想：假定在过程中，异常波动已经消除，只剩下偶然波动，这当然是正常波动。
根据这种正常波动，应用统计学原理设计出控制图相应的控制界限，而当异常波动发生时，点子的排列就呈现不随机的状态，甚至落在界外。
点子频频出界表明一定存在异常波动，控制图上的控制界限就是区分偶然波动与异常波动的科学界限。
根据上述，可以说休哈特控制图即常规控制图的实质是区分偶然因素与异常因素两类因素。
2． 控制图的结构控制图(ControlChart)是对过程质量特性值进行测定、记录、评估，从而监察过程是否处于控制状态的一种用统计方法设计的图。
图上有中心线(CL ，CentralLine)、上控制限(UCL ，Upper Control limit)和下控制限(LCL ，Lower Control limit)，并有按时间顺序抽取的样本统计量数值的描点序列，参见图4.2-1。
UCL 与 LCL 统称为控制线(Controllines)。
若控制图中的描点落在UCL 与LCL 之外或描点在UCL 与LCL 之间的排列不随机，则表明过程异常。
世界上第一张控制图是美国休哈特()在1924年5月16日提出的不合格品率p 控制图。
控制图有一个很大的优点，即在图中将所描绘的点子与控制界限或规范界限相比较，从而能够直观地看到产品或服务的质量的变化。
基于正态分布（normaldistribution ）假设的控制图是最常用的控制图。
如果数据呈正态分布，则测量结果落在+-3sigma 内的概率为99.73%。
如薄膜沉积过程中只有偶然波动，则膜厚成正态分布。
如果除了偶然波动还有异常波动，则此异常波动将叠加在偶然波动形成的典型分布上，质量特性值的分布必将偏离原来的典型分布。
因此，根据典型分布是否偏离就能判断异常波动是否发生，是否出现了异常因素，典型分布的偏离可由控制图检出。
在薄膜沉积的例子中，如果反应室的压力发生异常，导致薄膜的厚度分布偏离了原先的正态分布而向上移动，于是点子超出上控制界的概率大为增加，导致点子频频出界，表明过程存在异常波动。
控制图的控制界限就是区分偶然波动与异常波动的科学界限。
只有偶然因素没有异常因素的状态，称为统计控制状态（state in statistical control），简称稳态，是控制阶段实施过程控制所追求的目标。
3. 两类错误风险使用控制图要面对两类错误：（1）第一类错误：虚发警报(false alarm)过程正常，由于点子偶然超出界外，根据点出界就判异，于是就犯了第一类错误。
通常犯第一类错误的概率记为α。
第一类错误将造成寻找根本不存在的异因的损失。
鉴于生产过程的复杂性，查找不存在的原因耗费巨大而没有成果，所以通常控制图的虚发警报概率α取的很小，经验证明，α=0.27%在通常情况下是很好的选择。
（2）第二类错误：漏发警报(alarm missing)过程异常，但仍会有部分产品，其质量特性值的数值大小仍位于控制界限内。
如果抽取到这样的产品，点子就会落在界内，不能判断过程出现异常，从而犯了第二类错误，即漏发警报。
通常犯第二类错误的概率记为β。
第二类错误将造成可能发生不合格或不合格品增加的损失。
当α0=0.27%时，对应的β就很大，这就需要增加判异准则，即既使点子不出界，但当界内点排列不随机也表示存在异常因素。
4. 判异准则（WECO rule）判异准则有点出界和界内点排列不随机两类。
由于对点子的数目未加限制，故后者的模式原则上可以有很多种，但在实际中经常使用的只有具有明显物理意义的若干种。
在控制图的判断中要注意对这些模式加以识别。
所有的判异准则都是针对过程处于统计受控状态时的变异。
国标GB/T4091—2001《常规控制图》中规定了8种判异准则。
为了应用这些准则，将控制图等分为6个区域，每个区宽1σ。
这6个区的标号分别为A、B、C、C、B、A。
其中两个A区、B区及C区都关于中心线CL对称。
需要指明的是这些判异准则主要适用于均值图和单值X图，且假定质量特性X服从正态分布。
准则1：一点落在A区以外。
在许多应用中，准则1甚至是惟一的判异准则。
准则1可对参数μ的变化或参数σ的变化给出信号，变化越大，则给出信号越快。
准则1还可对过程中的单个失控做出反应，如计算错误、测量误差、原材料不合格、设备故障等。
当过程处于统计控制状态时，点子落在控制限内的概率为99.73%，落在控制限外的概率为1-99.73%=0.27%，虚发警报的概率为0.27%。
准则2：连续9点落在中心线同一侧。
此准则是为了补充准则1而设计的，以改进控制图的灵敏度。
出现图4.3-2准则2的现象，主要是过程平均值μ减小的缘故。
选择9点是为了使其犯第一类错误的概率α与准则1的α0=0.0027 大体相仿。
P（连续9点落在中心线同一侧）=2*(0.5)9=0.3906%。
虚发警报的概率为0.3906 %。
准则3：连续6点递增或递减。
此准则是针对过程平均值的趋势进行设计的，它判定过程平均值的较小趋势要比准则2更为灵敏。
产生趋势的原因可能是工具逐渐磨损、维修逐渐变坏、操作人员技能的逐渐提高等，从而使得参数α随着时间而变化。
该准则虚发警报的概率为P（连续6点递增或递减）=2/6！*（0.9973）6= 0.2733%。
准则4：连续14点相邻点上下交替。
本准则是针对由于轮流使用两台设备或由两位操作人员轮流进行操作而引起的系统效应。
实际上，这就是一个数据分层不够的问题。
选择14点是通过统计模拟试验而得出的，也是为使其α大体与准则1的α0=0.0027相当。
虚发警报的概率大约为0.004。
准则5：连续3点中有2点落在中心线同一侧的B区以外。
过程平均值的变化通常可由本准则判定，它对于变异的增加也较灵敏。
这里需要说明的是：三点中的两点可以是任何两点，至于第3点可以在任何处，甚至可以根本不存在。
出现准则5的现象是由于过程的参数μ发生了变化。
虚发警报的概率为0.3048%。
准则6：连续5点中有4点落在中心线同一侧的C区以外。
与准则5类似，这第5点可在任何处。
本准则对于过程平均值的偏移也是较灵敏的，出现本准则的现象也是由于参数μ发生了变化。
虚发警报的概率为0.5331%。
准则7：连续15点在C区中心线上下。
出现本准则的现象是由于参数σ变小。
对于这种现象不要被它的良好“外貌”所迷惑，而应该注意到它的非随机性。
造成这种现象的原因可能有数据虚假或数据分层不够等。
虚发警报的概率为0.326%。
准则8：连续8点在中心线两侧，但无一在C区中。
造成这种现象的主要原因也是因为数据分层不够。
该准则虚发警报的概率为0.0103%。
常用控制图的分类根据控制参数的不同可以分为八大类常规控制图，如下表所示(国标GB/T 4091)：表4.2-1 常规控制图根据使用过程中工序是否处于稳态，又可以分为分析用控制图和控制用控制图。
一道工序开始应用控制图时，几乎总不会恰巧处于稳态，也即总存在异因。
如果就以这种非稳态状态下的参数来建立控制图，控制图界限之间的间隔一定较宽，以这样的控制图来控制未来，将会导致错误的结论。
因此，一开始，总需要将非稳态的过程调整到稳态，这就是分析用控制图的阶段。
等到过程调整到稳态后，才能延长控制图的控制线作为控制用控制图，这就是控制用控制图的阶段。
分析用控制图阶段主要解决两个问题：(1)所分析的过程是否处于统计控制状态；(2)该过程的过程能力指数Cp 是否满足要求。
当上述问题解决之后，即进入控制用控制图阶段，出现点子出界或非随机排列时需要查找原因，改正之后才能继续生产。
过程能力指数（工序能力指数）当过程处于稳态时，产品的计量质量特性值有99.73%落在μ±3σ的范围内，其中μ为质量特性值的总体均值，σ为质量特性值的总体标准差，也即有 99.73%的产品落在上述6σ范围内，这几乎包括了全部产品。
故通常将6倍标准差(6σ)范围视为过程的自然波动。
把过程的自然输出能力与要求的容差比较，著名质量专家朱兰引入能力比的概念，即过程能力指数Cp 。
(一) 双侧公差情况的过程能力指数对于双侧公差情况，过程能力指数 Cp 的定义如下:L U T T T -=σσ66L UP T T T C -== 式中，T 为技术公差的幅度，TU 、TL分别为上、下公差界限，σ为质量特性值分布的总体标准差。
