SPC常用图
全套SPC控制图制作-EXCEL版
备注及 原因跟踪:
7月1日
合 计
0.00
测量值的判定条件 > < USL LSL 蓝色 红色
平
均
0.00
預估不良率 (PPM)
#VALUE!
製程能力分析
0.00
平
Ｘ＝
均
0.00
0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00 0.00
R=
預估不良率 (PPM)
Ｘ
0.60 0.40 0.20 0.00 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26
单值和移动全距（Ｘ-ＭＲ）控制图
产品件号 产品名称 控制项目 测量单位
日期/ 时间
规 格
上限 USL 中心限CL 下限 LSL 1 2 3 4 5 6 7 8
标
准
群組数大小
控
制 X
上限 UCL 总組数 中心限CL 下限 LCL 9 10 11 12 13 14 15
图 MR 图 0.00 0.00 0.00
16 17 18
制 部
造 门
机 组 测 量 者
19 20 21 22
控制图编号： 样品容 量／频 率 日 期
23 24 25
抽样方法
7月1日
合 计 ΣＸ＝ ΣＲ＝ 测量值的判定条件 > < USL LSL 蓝色 红色
批
样 本 测 定 值
号
Ｎ＝
SPC过程统计分析图
33.154 33.922
166.817 166.200
33.363 33.240
33.364 33.364
34.314 34.314
32.414 32.414
1.117 1.438
1.302 1.302
2.968 2.968
0.000 0.000
批准/
12
13
14
15
33.184 34.215 33.016 33.696
9 0.34 0.18 1.82 2.97
CL
10 0.31 0.22 1.78 3.08
1.在确定Cpk前过程必须受控
2.组容＜7时没有极差下控制限
0.500 0.000
UCL
●Cpk = Min ( USL-X X-LSL )≥1.33 3R/d2 3R/d2
1
2
3
4
5
6
7
8
9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25
3
1.02
*
2.57 1.69
3.500 3.000 2.500 2.000 1.500 1.000
MAX-MIN(R)
4
0.73
*
2.28 2.06
UCL
CL
LCL
5
0.58
*
2.11 2.33
6
0.48
*
2.00 2.53
UCL
7 0.42 0.08 1.92 2.70
8 0.37 0.14 1.86 2.85
33.364 33.364 33.364 33.364
34.314 34.314 34.314 34.314
SPC计数控制图(PPT 74张)
例3
目前，一个生产过程的次品率为1%。 该企业希望在该过程的次品率上升为3%时，至少有50%检 出能力。
试确定最佳样本量。
34
例3
★如果p图有效
---根据 ---根据 因此， ，这时对应的检出能力为62%。 ★对非负下控制限 ---根据 因此， ，这时对应的检出能力为92.11%。 ★对于漂移 具有至少50%检出能力
8
1.2 缺陷率与生产收益
★当一个检测单元至多允许出现c个缺陷时，出现一个缺陷会 带来生产的后续失效风险。 ★检测单元不含任何缺陷的概率 ( 即产品完好率 )可由下式计 算
其中，λ为平均缺陷率(每个单元的平均缺陷数)。
9
2 计件控制图
不合格比例(正式称呼为次品率或拒收率)是在全部检测的 产品中发现的不合格单位产品的比例。
★变控制限的p图的控制限为 ★注意控制限的宽度与样本量的平方根成反比。
20
标准化的p图
在样本量变化和/或短生产周期的情形下，宜使用标准化 的p图。首先进行标准化的变换
这样，对于标准化的p图，中心线为0，而上、下控制限分别 为+3和-3。
21
例2
电视显像管的企业在产品输出时进行可视化检测。 如果一个显像管内部有一个或多个刮擦，则视为次品拒收。 如果在一个子组/样本内有太多的次品，则对该批实施100% 检测(全检)。 这里给出一个p图来帮助确定对一批是否需要全检。
12
2.1 p图
p图的设计参数如下
13
例1
一个玩具生产商在检测装置上检测自行车轮胎，共抽取 30个子组，每组检测200个单元。
14
例1
全部检测单元数=30×200=6000 全部次品数=318 平均拒收率=318/6000=0.053
SPC基本知识
SPC 基础知识一、 什么是SPCSPC 是Statistical process control 的缩写，即统计过程控制。
是应用统计方法对过程中的各个阶段进行临控，从而达到质量保证与质量改进的目的，在此可将统计学看成是从一系列数据中收集信息的工具，它是通过预防而不是通过检测来避免浪费。
二、 SPC 目的1． 预防问题的发生 2． 减少浪费三、 SPC 的管制图原理与益处1．根据3σ原理，在分布范围μ ±3 σ内,对于服从或近似服从正态分布的统计量，大约有99.73%的数据点会落在上下控制界限之内，数据点落在上下控制界限之外的概率约为0.27%,根据小概率原则,可判为异常点.图示如上.2．SPC管制图举例下面是Minitab R14 制作的Xbar-R 管制图。
从图可以看出制程有多个超出控制限的点，说明需要查找原因，采取措施，加以消除，不再出现，纳于标准。
合理使用管制图能够：1．区分变差的普通原因和特殊原因，作为采取局部措施和系统措施的指南。
2．有助于过程在质量上和成本上能持续地、可预测地保持下去。
3．使过程达到：A、更高的质量 B、更低的单位成本C、更高的有效能力。
四、 SPC制程能力分析1.Cp、Cpk与Pp、Ppk的含义与区别如下：Cp指数= 规格宽度工序宽度Cp:(Capability of Process)过程能力指数Cpk:修正的过程能力指数Pp: (Performance of Process)过程性能指数Ppk:修正的过程性能指数2..Cp、Cpk与Pp、Ppk的计算：过程能力指数的计算公式如下：过程性能指数计算公式如下：1.经济性：有效的抽样管制，不用全数检验，不良率，得以控制成本。
使制程稳定，能掌握品质、成本与交期。
2.预警性：制程的异常趋势可实时对策，预防整批不良，以减少浪费。
3.分辨特殊原因：作为局部问题对策或管理阶层系统改进之参考。
4.善用机器设备：估计机器能力，可妥善安排适当机器生产适当零件。
常用控制图
SPCSPC（Statistical Process Control，统计过程控制或统计制程控制）目录∙ 1 什么是SPC∙ 2 SPC起源与发展∙ 3 3σ原理简介∙ 4 SPC技术原理∙ 5 SPC控制图及计算∙ 6 SPC控制图（管制图）的实施∙7 SPC控制图（管制图）异常的判断及处理∙8 制程能力指数（参数）CPK∙9 SPC的发展特点∙10 SPC对企业带来的好处什么是SPCSPC即英文“Statistical Process Control”之缩写,意为“统计制程控制” SPC或称统计过程控制。
SPC主要是指应用统计分析技术对生产过程进行实时监控，科学的区分出生产过程中产品质量的随机波动与异常波动，从而对生产过程的异常趋势提出预警，以便生产管理人员及时采取措施，消除异常，恢复过程的稳定，从而达到提高和控制质量的目的。
在生产过程中，产品的加工尺寸的波动是不可避免的。
它是由人、机器、材料、方法和环境等基本因素的波动影响所致。
波动分为两种：正常波动和异常波动。
正常波动是偶然性原因（不可避免因素）造成的。
它对产品质量影响较小，在技术上难以消除，在经济上也不值得消除。
异常波动是由系统原因（异常因素）造成的。
它对产品质量影响很大，但能够采取措施避免和消除。
过程控制的目的就是消除、避免异常波动，使过程处于正常波动状态。
SPC起源与发展1． 1924年休哈特博士在贝尔实验室发明了品质控制图。
2． 1939年休哈特博士与戴明博士合写了《品质观点的统计方法》。
3．二战后美英将品质控制图方法引进制造业，并应用于生产过程。
4． 1950年，戴明到日本演讲，介绍了SQC的技术与观念。
5．SQC是在发生问题后才去解决问题，是一种浪费，所以发展出了SPC。
6．美国汽车制造商福特、通用汽车公司等对SPC很重视，所以SPC得以广泛应用。
7．ISO9000（2000）体系亦注重过程控制和统计技术的应用（如8.1，8.2.3）。
SPC控制图的种类及判异方法48页课件
计数值：由计数而得的数据或将之转换成百分率，例如不良数、由不良数转换而成的不良率、 缺点数、由缺点转换而成的单位缺点数或百万件缺点数，为一可分割之量值。 计量值：不可分割之量值。实际量测产品或过程质量特性所得的尺度量值，这类量测的量测不 是真值而只是近似值而已，例如长度、直径、压力、强度等，为连续数据。
步骤7：确定控制限是否能经济地满足要求； 步骤8：运用控制限进行控制；
SPC统计过程控制
四、计量型数据控制图
均值-极差控制图（ x R控制图 ）
最常用；最基本； 控制对象为计量值； 适用于n ≤9的情况； 均值图用于观察和分析分布的均值的变化，即
过程的集中趋势； 极差图观察和分析分布的分散情况，即过程的
LCL x 3 x 2.66MR d2
相当于n=2时的均值控制图
各常数值如下:
MR控制图
CL MR
UCL D4MR 3.267 MR LCL D3MR 0
相当于n=2时的极差控制图; n=2时,D4=3.267,D3=0
n
2
3
4
5
6
7
8
9 10
D4 3.27 2.57 2.28 2.11 2.00 1.92 1.86 1.82 1.78
离散程度。
SPC统计过程控制
四、计量型数据控制图
均值-极差控制图 -控制限
均值控制图
CL x UCL x A2R LCL x A2R
极差控制图
CL R UCL D4R LCL D3R
SPC统计过程控制
4、X bar-s图
计算各样组的平均数
四、计量型数据控制图
计算这些组平均数的平均数
频数分布在进行调整期间已经完成，分析结果表明进 行一段时期加工生产的开端是可以令人满意的。
1小时搞定统计控制图SPC图
（略）
横轴X:是样本数据随时间而变化； 纵轴Y:质量特性T统计量（任一种，但到具体的某个控制图时， 只能是某一个统计量，如均值就是均值，不是均值和极差的
混合体。同样极差就是极差，也不是均值和极差的混合体。 他们要分开独自画控制图）。
随机因素、正常因素； 不可避免！
异常因素、要剔除
例如：3x1/d2√2=A2；1+3d3/d2=D4;1-3d3/d2=D3。 3、A2、D4、D3这些就是统计学家帮我们算出来的 系数。这些数据都与子组样本量有关。
这些系数都是统计 学家为了方便帮我 们计算好给我们查
询的用的。
1、minitab软件中用的 公式是原始公式，而不 是 统计学家给我们计算
好的系数公式。d3、d2 等系数可以查表获得。
1、此表仅作演示用。 正常情况下至少要25 个子组；
2、演示算法是根据常 规算法，查统计学家 算好的系数算出来的。
1、根据异常点进行 分析异常的原因。根 据找出的原因进行流 程改进和优化。
2、正常情况下，改进后 重新收集数据并计算控制 限。如果有专家分析并且 由理论支持或显而易见的 原因导致的，可以直接删 除异常点。（如因停电造 成的异常、记录员笔误造 成的异常等）。
▲1、我们知道，点出界就判异，即点在控制限外部，认为这个过程是异常的； ■2、那么点在控制限内是不是就意味着过程就是正常受控的呢？显然不是。这些数据点还必须 排除2-8的7条判异准则情况。 ▲3、这些判异准则，结合图形理解，不必死记硬背，计算机软件将会为我们自动判异。
准则2：要先看同一侧。 可以是上侧也可以是下侧。 左侧图只是下侧。
分析用控制图受控后是不是就可以 直接延长控制限直接变为控制用控 制图了呢？ 显然不是！ 分析用控制图受控后，还要再改进 过程，同时保证过程能力达到顾客 要求后才能延长分析用控制线为控 制用控制图。
SPC图形制作及运用
SPC图形制作及运用一、P-CHART不良率管制图P-CHART是利用管制图的原理，对在制程中的不良率进行管制。
它具有以下的特点和功能：1．掌握某产品或生产线等取样母体的不良率状况，了解本系统在正常状况下的不良状况，有助于作成本分析。
2．对于突发事件（特殊原因）影响程度及时了解。
3．便于预测下一阶段的不良率。
符号说明：P：各组的不良率P：各组不良率（P）的平均值，即是不良率管制图的中心线。
二、P-CHART管制图的计算公式：不良率管制图的公式可依照每次抽样的样本数的不同而可分为三种情形：1．当样组的样本数（n）相同是：中心线（CL）=P管制上限（UCL）=P+3 P（1-P）n管制下限（LCL）= P-3 P（1-P）n2．当样组的样本数（n）相差小于±20%时中心线（CL）=P管制上限（UCL）=P+3 P（1-P）n管制下限（LCL）= P - 3 P（1-P）n3．当样组的样本数（n）相差大于±20%时中心线（CL）=P管制上限（UCL）=P+3 P（1-P）ni管制下限（LCL）= P- 3 P（1-P）ni三、P-CHART不良率管制图的作法1．至少取20组以上的数据。
2．分组。
3．按产品生产顺序或测定时间顺序排列组数。
并记入管制图的数据栏内。
4．计算每组的不良率(P)，并记入之。
不良数 dP= =每组之检查数n5．计算平均不良率（P）总不良数∑dP= =总检查数∑n6．计算管制线（注意n的选取）7．在管制图用纸上画上管制线。
中心线（CL）以实线绘入，管制上线（UCL）、管制下线（LCL）以虚线绘入。
并在管制线的尾端记入CL、UCL、LCL的符号及其值，较容易清析明了。
8．在管制图用纸上依组号顺序点绘，并以实线连接之。
四、不良率管制图的两种使用方法:1．为了调查制程是否处于统计管制的状态（制成解析用）2．为了保持完善管理的制程（制程管理用）五、图形分析1．若发现整个不良率已经偏高，则应结合柏拉图，找出最大原因，逐项改善与监控，使不良率达到能接受的位置。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
210
实测性能 PPM < LSL 0.00 PPM > USL 0.00 PPM 合计 0.00 预期组内性能 PPM < LSL 0.01 PPM > USL 17.80 PPM 合计 17.81
213
216
219
222
225
228
预期整体性能 PPM < LSL 0.35 PPM > USL 143.90 PPM 合计 144.26
数据表子设定
正态检验
S ha mpoo 的概率图
正态 - 95% 置信区间
99.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0.1
均值 标准差 N AD P 值
219.8 2.099 100 0.190 0.897
百分比
212
214
216
218
220 Shampoo
在Minitab中执行能力分析。
我们第一步是判定分布的特性。
正态检验
当数据不是正态时我们第一步该做什么？
正态检验
S ha mpoo 的概率图
正态 - 95% 置信区间
99.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0.1
均值 220.9 标准差 3.621 N 240 AD 3.322 P 值 <0.005
项目:无标题; 工作表: BAR CHART.MTW; 2008-06-20; BY:Vellen
柏拉图
Defects 的 Pareto 图
400 100
80 300
Counts 百分比
60 200 40 100
20
0 Defects Counts 百分比 累积 %
Missing Screws Missing Clips Leaky Gasket 274 59 43 64.8 13.9 10.2 64.8 78.7 88.9
cy ra cu Ac
n
g in st Te s or nt Me o To c ti ra Er
Training Operators
质量问题
Brake
sl ow
Speed
Engager
Lathes Bits Sockets
环境
方法
机器
综合案例
综合案例
某沐浴液生产工厂最近遇到一个难题，他们沐浴液灌装器有一台 出现了问题：
Filler 2 排除Head 6 后的正态检验
S ha mpoo 的概率图
正态 - 95% 置信区间
99.9 99 95 90 80 70 60 50 40 30 20 10 5 1 0.1
均值 标准差 N AD P 值
221.6 2.330 100 0.304 0.564
百分比
215
220 Shampoo
身高
64
68 2
72
76
1
160 140 120 100 60 64 68 72 76 体重
体重和身高呈现出正相关趋势 组块变量: Sex
时间序列图
ABC公司月度销售额的时间序列图
广告机构为分类变量 450 400
销售额（万元）
广告机构 Alpha Omega
350
300 250
200
二月 四月 六月 八月 十月 十二月 二月 四月 六月 八月 十月 十二月
这台机器有两个漏嘴（filler）和六个灌装头（head），应该给每个 瓶子装220±10毫升的沐浴液。 有些客户抱怨瓶子里的沐浴液没有装满 工厂经理说出货前检查有的瓶子装的太多 现场主管也抱怨机器在往瓶子里装罐时溢出还过度灌注，导 致地面脏乱现象 你被指派来分析查找原因，你该如何着手？
能力分析
首先绘制你所被告知的流程。
月份 用两家广告公司的销售额比较
茎叶图
矩阵图
W ei gh t, Heig ht , P ul se1 的矩阵图
100 75 70 W e i g ht 65 150 200
200 150 100 100
Height
75
Pulse1
50 65 70 75 50 75 100
项目:无标题; 工作表: DESCRIPTIVE.MTW; 2008-06-20; BY:Vellen
其他 47 11.1 100.0
0
因果图
因果图
测量 材料 人员
Shifts Alloys Supervisors Micrometers Microscopes Suppliers Inspectors Lubricants
io it nd Co
Condensation Moisture% Angle
Spc常用图形
利用图形解决实际问题案例
概述
图形，是数据潜在信息的直观体现，我们通过 图形可以更清楚、更直观的了解数据的信心，数 据的分布等信息，从而实现更好帮助我们了解当 前情况，对问题的解决更能有的放矢。 Minitab软件包含我们常用的所有图形制作， 并且可以实现编辑等功能。强大的功能定会让你 对问题的解决事半功倍。
210
实测性能 PPM < LSL 0.00 PPM > USL 0.00 PPM 合计 0.00 预期组内性能 PPM < LSL 0.60 PPM > USL 0.18 PPM 合计 0.77
213
216
219
222
225
228
预期整体性能 PPM < LSL 1.65 PPM > USL 0.54 PPM 合计 2.19
222
224
226
228
能力分析
Sha mp oo 的过程能力
LSL
过程数据 LSL 目标 USL 样本均值 样本 N 标准差（组内） 标准差（整体） 210 * 230 219.766 100 2.01054 2.09942
USL
组内 整体
潜在（组内）能力 Cp 1.66 CPL 1.62 CPU 1.70 Cpk 1.62 整体能力 Pp PPL PPU Ppk Cpm 1.59 1.55 1.62 1.55 *
平均值
216 Head 220 219 218 217 216
1 2 3 4 5 6
220
1 2 1 2 3 4 5 6 7 8 9 10 11 12 1 3 1 4 1 5 1 6 17 18 19 2 0
Head 228 226 224 222 220
1 2 3 4 5 6
漏斗Filler 1 看来受灌注头Head 3的影响。漏斗Filler 2 看来受班次Shift，研究 时间Study Hour (也与班次有关系) 和灌注头Head 6的影响。让我们从Filler 1 中排除Head 3，然后检查剩余的Heads的合适性。
常用图表制作
箱线图 点图 条形图 饼图 Pareto图 鱼骨图
直方图
散点图
时间序列图
矩阵图
茎叶图
概率图
箱线图
图形→箱线图
候诊时间箱线图
上午和下午为分类变量 60 50 40 30 20 10 0 Afternoon time of day 预约在上午的候诊时间箱线图 预约在下午的候诊时间箱线图 Morning
数据平均值
Filler 223 222 221 220 Shift
平均值
219
1 2 1 2
Study hour 223 222 221 220 219
1 2 3 4 5 6 7 8 9 10 1 1 1 2 1 3 14 15 16 17 1 8 1 9 2 0 1 2 3
fillers 开始寻找问题的原因。
等待时间
点图
图形→点图
身高的点图
性别作为分类变量
Sex
1 2 96 112 128 144 160 Height 176 192 208
男性身高分布 女性身高分布
直方图
图形→直方图
电阻 的直方图
正态 79.5 30
27
83.5
均值 81.55 标准差 0.8737 N 200 20 17 21
25 20
总结
几种图表方法已经被可以使用
班次shift 对漏斗Filler 1 没有什么影响 班次shift 对漏斗Filler 2 影响很大 漏斗Filler 1，灌注头Head 3 看来导致瓶子灌不满 漏斗Filler 2 ，灌注头Head 6 看来导致瓶子灌太多
谢谢您的参与！
圣元营养食品有限公司
拆分工作表
数据》拆分工作表
让我们看看每个漏斗Filler的主效果图。
结果
F il le r =1
Shift 220 219 218 217 Study hour 228 226 224 222 Shift
F il le r =2
Study hour
平均值
1
2
1 2 3 4
5 6 7 8 9 10 11 12 1 3 1 4 1 5 1 6 17 18 19 2 0
17 20 16
频率
15 10 5
2 4 0 5 5
14 11 8 7 3
2
1
0
79.50
80.25
81.00
81.75 电阻
82.50
83.25
散点图
图形→散点图
身高和体重的散点图
身高和体重相关性 220 200 180
身高
160 140 120 100 60 62 64 66 68 体重 70 72 74 76
百分比
210
215