SPC统计技术分析解析
spc分析
spc分析SPC分析是过程能力评估的一种重要工具，它通过统计方法来分析生产过程中的变异性，帮助企业进行质量管理和改进。
SPC （Statistical Process Control）即统计过程控制，通过收集并分析数据，可以查明过程中的特殊原因和常规原因，从而制定相应的改进措施。
本文将详细介绍SPC分析的原理、方法和应用，并举例说明其在实际生产中的作用。
一、SPC分析的原理SPC分析的基本原理是利用统计学中的时间序列分析和假设检验方法，对过程中的数据进行分析和判断。
其核心思想是通过充分收集过程数据，并利用统计学方法来理解这些数据的变异性，从而判断过程的稳定性和能力。
SPC分析中的两个基本概念是特殊原因和常规原因。
特殊原因是指能够明确识别和解释的不确定因素，如机器故障、材料变异等；常规原因是指难以明确识别和解释的不确定因素，通常是由多种因素共同作用导致的。
SPC分析的目标是通过排除特殊原因，控制常规原因，使过程达到稳定状态，并在此基础上进一步提高过程能力。
二、SPC分析的方法SPC分析的方法包括数据收集、数据分析和过程改进三个关键步骤。
1. 数据收集：首先要明确数据收集的目的和要求，确定收集的数据类型和数据的时间间隔。
数据可以通过各种手段进行收集，如传感器、检测设备等。
而数据的时间间隔则取决于过程的特点和要求，可以是实时采集或者离散采样。
2. 数据分析：对收集到的数据进行分析，主要包括描述性统计和控制图分析。
描述性统计可以用来了解数据的分布情况、均值、方差等统计指标，以及特殊原因的存在与否。
控制图分析则可以通过绘制控制图，判断过程的稳定性和能力。
控制图是SPC分析的核心工具之一，常用的控制图有均值图、极差图、标准差图等。
通过绘制控制图，可以将过程数据以图形方式展示，并根据控制线的规则，判断过程是否处于稳定状态，是否存在特殊原因。
3. 过程改进：在分析数据的基础上，根据发现的问题和异常，制定相应的改进措施。
SPC所有公式详细解释及分析
SPC所有公式详细解释及分析SPC（统计过程控制）是一种通过统计方法对产品或过程的变化进行控制的质量管理工具。
它以数据为基础，通过收集、分析和解释数据，帮助确定过程是否稳定、符合规范，并提供改进措施。
在SPC中，有一些重要的公式用于计算和分析数据，下面将介绍其中一些常用的公式及其详细解释和分析。
1. 平均值（Mean）：平均值是统计数据的中心点，通过计算数据的总和除以数据的个数得到。
平均值用于评估过程的中心位置，并对过程的稳定性进行评估。
2. 中位数（Median）：中位数是将数据按照大小顺序排列后，排在中间位置的数值，它能够反映数据的集中趋势。
与平均值相比，中位数对异常值的影响较小，更适用于非正态分布的数据。
3. 标准差（Standard Deviation）：标准差是数据分布离散程度的度量，用于描述数据的波动性。
标准差越大，表示数据越分散；标准差越小，表示数据越集中。
标准差可以帮助确定过程是否稳定，是否存在特殊因素影响。
4. 变异系数（Coefficient of Variation）：变异系数是标准差除以平均值的比值，用于比较不同数据集的离散性。
较小的变异系数表示数据越稳定，较大的变异系数表示数据集的离散性较大。
5. 极差（Range）：极差是数据的最大值和最小值之间的差别，用于评估数据的波动范围。
较大的极差表示数据集的波动性较大，较小的极差表示数据集的波动性较小。
6. 四分位数（Quartiles）：四分位数是将数据按大小顺序排列后，将数据分为四等份的数值。
第一四分位数是中位数的前一半数据的中位数，第二四分位数即中位数，第三四分位数是中位数之后的一半数据的中位数。
四分位数可以帮助了解数据的分布情况。
7. 直方图（Histogram）：直方图使用柱状图形象地展示数据的分布情况。
通过将数据按照一定的区间划分，并统计每个区间内的数据个数，可以直观地了解数据的分布情况。
8. 管理图（Control Chart）：管理图是SPC最重要的工具之一，它通过将数据的统计量（如平均值、标准差等）绘制在图表上，并与控制限进行比较，用于监控过程的稳定性。
SPC统计分析方法
SPC统计分析方法SPC（Statistical Process Control）是一种使用统计方法来分析和控制过程的质量管理工具。
它利用统计分析的方法来监测和评估过程的偏差和变异性，以确保产品和服务的质量能够满足规定的要求。
1.数据采集和记录：SPC的第一步是采集和记录相关的过程数据。
这些数据可以是产品的尺寸、重量、时间、温度等等。
数据可以通过手工记录、传感器、计算机软件等方式进行采集。
2.数据的统计分析：采集到的数据可以通过统计分析方法进行处理和分析。
常用的统计分析方法包括平均值、标准差、方差、直方图、控制图等等。
这些分析方法可以帮助我们了解过程的变异性和偏差情况。
3.控制图的应用：控制图是SPC中最常用的工具之一，用于帮助监测和评估过程的稳定性和变异性。
控制图通过绘制过程数据的变化情况，分析是否存在特殊原因或常规原因造成的变异，以便及时采取措施进行调整和改进。
4. 过程能力分析：过程能力指标是衡量过程稳定性和能力的重要指标。
过程能力分析可以帮助我们了解过程的偏差和变异性是否在规定的要求范围内。
常用的过程能力指标包括Cp、Cpk等。
5.故障分析和改进：当过程数据分析发现过程存在问题时，我们可以使用SPC方法进行故障分析和改进。
通过分析问题的原因，我们可以采取相应的改进措施来消除问题，并确保过程的稳定性和可靠性。
6.持续改进：SPC方法是一个持续改进的过程。
通过持续地采集和分析过程数据，我们可以不断地改进过程，提高产品和服务的质量。
持续改进的目标是通过减少变异性来提高过程的效率和一致性。
在使用SPC统计分析方法时1.数据的选择和采集要准确可靠，确保具有代表性和一致性。
2.分析过程中要考虑数据的分布情况，选择适合的统计方法和指标进行分析。
3.控制图的绘制和分析要正确，及时发现和纠正过程中的问题。
4.关注关键的过程能力指标，确保过程能够满足规定的要求范围。
5.制定改进计划和措施，并跟踪和评估改进的效果。
SPC数据统计分析与管理
SPC数据统计分析与管理什么是SPC数据统计分析与管理？SPC（Statistical Process Control，统计过程控制）是一种用于监控过程稳定性和质量控制的方法。
它利用统计分析手段对过程进行监测和改进，以确保产品或过程处于可接受的控制范围内。
SPC数据统计分析与管理则是指在SPC方法的指导下，对所采集到的数据进行分析和管理，以实现持续改进和控制过程的稳定性。
SPC数据统计分析与管理的重要性SPC方法的应用使得企业能够更有效地管理和控制生产过程，降低产品的变异性，并提高产品质量。
通过对过程进行实时和统计分析，在过程出现异常情况时能够及时采取措施，避免不良品的产生。
同时，SPC还能帮助企业分析和优化生产工艺，减少浪费和成本，提高资源利用率。
SPC数据统计分析与管理的步骤SPC数据统计分析与管理通常包括以下步骤：1.数据采集：收集与要求的指标相关的数据，可以通过传感器、仪器或人工手动输入等方式进行采集。
2.数据处理：对收集到的数据进行处理和整理，包括数据清洗、去除异常值和重复值等。
3.统计分析：使用统计方法对数据进行分析，常见的方法包括数据描述统计、变异分析、均值检验、方差分析等。
4.过程控制：根据统计分析的结果，制定相应的控制策略，对过程进行控制和调整，以保持过程的稳定性。
5.数据监控：定期对采集到的数据进行监控和分析，及时发现过程异常或问题，并采取必要的措施进行调整和改进。
6.持续改进：通过对数据统计分析和过程控制的持续监测和改进，不断提高生产过程的稳定性和产品质量。
SPC数据统计分析与管理的应用场景SPC数据统计分析与管理广泛应用于各个行业和领域，包括制造业、物流业、服务行业等。
以下是一些常见的应用场景：1.制造业：在制造过程中，通过监测关键工艺参数和质量指标的变化，及时发现并纠正生产异常，提高产品质量和生产效率。
2.物流业：对物流中的关键指标进行统计分析和管理，如出货准时率、仓储周期等，以优化物流运作和服务质量。
SPC所有公式详细解释及分析
SPC所有公式详细解释及分析SPC（统计过程控制）是一种用于监控和控制过程变异的统计方法。
在SPC中，有许多公式用于计算统计量和确定控制界限，以帮助检测异常和评估过程的稳定性。
本文将详细解释和分析一些常见的SPC公式。
1. 平均值（Mean）：平均值是样本数据的算术平均值。
计算平均值的公式是将所有观测值相加，然后除以观测值的个数。
平均值可以用来了解过程的中心位置。
2. 范围（Range）：范围表示样本数据的最大值和最小值之间的差异。
计算范围的公式是将样本数据的最大值减去最小值。
范围主要用于检测过程变异的大小。
3. 方差（Variance）：方差用于测量样本数据的离散程度。
计算方差的公式是将每个观测值与平均值的差异平方后相加，并除以观测值的个数减1、方差越大，表示过程的波动性越大。
4. 标准差（Standard Deviation）：标准差是方差的平方根，用于衡量过程数据的离散程度。
标准差可以用来判断过程的稳定性和控制界限的设定。
标准差越大，表示过程的变异性越大。
5. 控制图界限（Control Limits）：控制图界限是用来判断过程是否处于统计控制的范围内。
常用的控制图包括X-bar图和R图。
在X-bar图中，控制界限由平均值加减3倍标准差计算得到。
在R图中，控制界限由平均范围的加减2.66倍平均范围的标准差计算得到。
如果一个点超出了控制界限，则表示该点可能是异常值或过程发生了变化。
6. 过程能力指数（Process Capability Index）：过程能力指数用来衡量过程在规格限制内产生产品的能力。
常用的过程能力指数包括Cp、Cpk、Pp和Ppk。
Cp和Pp表示过程的潜在能力，只考虑过程的平均值和规格限制的距离；Cpk和Ppk表示过程的实际能力，同时考虑过程的变异性。
7. 规格上限与规格下限（Specification Limits）：规格上限和规格下限是产品或过程的设计要求。
当产品或过程的测量值超出规格限制时，表示产品或过程不符合设计要求，可能需要调整或改进。
详细全面的SPC详解
汇报人： 202X-01-06
目录
• SPC基本概念 • SPC实施步骤 • SPC应用领域 • SPC优势与局限性 • SPC未来发展趋势 • SPC案例分析
01
SPC基本概念
SPC定义
SPC即统计过程控制，是一种利用统计方法对生产过程进行监控和管理的质量控制技术。它通过收集 和分析生产过程中的数据，对生产过程进行评估和监控，以确保产品质量和生产过程的稳定性。
THANKS
感谢观看
SPC强调预防性的质量控制，通过实时监测和调整生产过程，以降低不良品率和生产成本，提高生产 效率和产品质量。
SPC目的和意义
确保产品质量
通过实时监测和调整生产过程， SPC能够及时发现并解决潜在的 质量问题，从而确保产品质量的 稳定性和可靠性。
提高生产效率
通过预防性的质量控制，SPC能 够降低生产过程中的不良品率， 减少生产浪费和损失，提高生产 效率。
某高校SPC教学案例
实施背景
某高校为了使学生更好地掌握质量管理知识，决定引入SPC 技术进行教学。
实施过程
该高校在课程中设置了SPC模块，通过理论教学、案例分析 和实践操作等方式，使学生全面了解和掌握SPC技术。
实施效果
通过SPC教学，该高校的学生对质量管理知识有了更深入的 理解，同时也提高了实际操作能力和问题解决能力。
优化生产过程
SPC通过对生产过程的实时监测 和分析，能够发现生产过程中的 瓶颈和问题，为生产过程的优化 提供数据支持。
SPC发展历程
20世纪40年代
美国军方开始广泛应用SPC技 术，以提高产品质量和一致性 。
20世纪80年代
随着计算机技术的发展，SPC 技术逐渐实现自动化和智能化 。
如何用SPC进行统计分析
• 计算R图的刻度
– 方法一：上控制界限为图总高度的2/3 – 方法二：上控制线除以2再加上上控制线
21 Process Improvement
计量型数据控制图
均值-级差控制图（x-R图）制作步骤
➢ 计算x图控制线
• 计算中心线值X：即将所有样本均值加总除以 样本数。
• 计算上、下控制线
什么是计量型数据
➢ 计量型数据来源于度量。如：长度、深度、 温度、时间等。
➢ 它可以是整数也可以是分数。不仅能告诉我 们读数是太大还是太小，更能告诉我们读数 的多少。
19 Process Improvement
计量型数据控制图
均值-级差控制图（x-R图）制作步骤
➢ 收集和记录数据
• 制作数据模板供记录数据时使用
计量型数据控制图
x-s图制作步骤
➢ 计算样本标准差 ➢ 计算样本标准差的均值s，其值为中心线
➢ 计算s图的上下控制线
➢ 计算x图的上下控制线
➢ 注：在大样本的情况下，用x-s图代替x-R图
24 Process Improvement
过程能力研究
机械容忍度与自然容忍度
➢ 机械容忍度
• 已确定的规格以容忍范围的方式来确定客户的要求， 它所度量的是机械容忍度。
采取局部措施，稳定过程。
39 Process Improvement
控制图分析
聚束分析
➢ 聚束变现为当一组样本中的一些数据点很接近时， 它们的读数也很接近。
➢ 这样的图案模式往往代表着引起变异的原因有了突 然的变化。
➢ 行动：找到引起变异的原因，分析对过程稳定性的 影响，找到特殊原因和局部解决办法，使过程稳定。
SPC统计分析
SPC统计分析!!2008-08-19 15:14SPC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年修华特博士在贝尔实验室发明了品质控制图。
2． 1939年修华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）。
3σ原理简介当过程仅仅俺有正常变异时，过程的质量特性是呈现正态分布的，其分布状态如下：休哈特建议用界限±3σ来控制过程，就是说，在10000个产品中不超过27个不合格品出现，就认为改生产过程是正常的，若达到27个以上，就认为过程失控。
SPC-统计方法分析
SPC-统计方法分析引言SPC（Statistical Process Control）是一种通过使用统计方法来监控和控制过程稳定性的质量管理技术。
它可以帮助企业分析和改进生产过程，降低不合格品率，提高生产效率和质量水平。
本文将介绍SPC的基本概念、统计方法分析的步骤和应用案例。
SPC的概念SPC是一种基于统计的质量控制方法，通过统计数据的收集、处理和分析，来评估生产过程的变异性，从而实现过程的稳定性和可控性。
它主要包括以下几个要素：1.过程监控：SPC通过采集实时数据进行监控，及时发现过程中的异常变化，以便及时采取控制措施。
2.统计分析：SPC使用统计方法对数据进行分析，以了解过程的性能和变异情况，从而判断过程是否稳定。
3.控制图：控制图是SPC的核心工具，通过绘制过程数据和控制限线，可以直观地观察过程的稳定性，并判断过程是否受到特殊因素的影响。
统计方法分析步骤统计方法分析是SPC中的核心环节，它包括以下几个基本步骤：1.数据收集：首先需要收集与待分析过程相关的数据，可以是产品质量数据、生产参数数据等。
数据可以通过手工记录或自动化采集系统获取。
2.数据整理：对收集到的数据进行整理和清洗，去除异常值和重复数据，并进行数据格式转换，以便后续的统计分析。
3.描述性统计分析：通过计算数据的基本统计量，如均值、标准差、中位数等，来描述数据的集中趋势和分散程度。
4.绘制控制图：根据数据的特点选择适用的控制图类型，并根据统计分析结果绘制控制图。
常用的控制图类型包括X-bar图、R图、p图、np图等。
5.控制图分析：根据控制图的规则和判断标准，分析控制图中的数据点是否落在控制限内，判断过程是否稳定。
特殊因素的存在可能导致控制图出现异常情况，需要进行进一步的原因分析和改进措施的制定。
6.过程改进：根据统计分析和控制图的结果，对过程进行改进，找出并消除导致异常情况的根本原因。
应用案例以下是一个使用SPC进行统计方法分析的应用案例：某工厂生产的产品在尺寸方面存在一定的偏差，为了提高产品的质量稳定性，工厂决定使用SPC进行分析和改进。
SPC统计分析方法介绍
• MINITAB 应用(Power value in two sample t-test)
• Power and Sample Size
• 2-Sample t Test
• Testing mean 1 = mean 2 (versus not =) • Calculating power for mean 1 = mean 2 + difference • Alpha = 0.05 Sigma = 1
• 例 2 (Proportion comparison between two groups)
假设检验 6，合格率的假设检验
• 例 2 (Proportion comparison between two groups)
Test and CI for Two Proportions
Sample 1 2
假设检验 6，合格率的假设检验
• 例 1 (Proportion test for one group)
输入检查结果
输入检验对 比合格率
选择假设 类型
假设检验 6，合格率的假设检验
例 1 (Proportion test for one group)
• Test and CI for One Proportion
• Testing mean 1 = mean 2 (versus not =) • Calculating power for mean 1 = mean 2 + difference • Alpha = 0.05 Sigma = 1
•
• Difference
•
0.5
Sample Size 86
Target Power
0.9000
详细全面的SPC详解
详细全面的SPC详解SPC（Statistical Process Control，统计过程控制）是一种以数据为基础，通过统计分析手段对生产过程进行监控和改善，以提升产品质量和生产效率的管理方法。
它广泛应用于制造业、服务业、医疗健康等领域，是质量管理和六西格玛等理论的核心组成部分。
监控生产过程：SPC通过对生产过程中的数据进行分析，可以实时监控生产过程，及时发现异常情况，避免不良品的产生，提高产品质量。
预防性控制：SPC通过分析生产过程中的数据，可以找出潜在的问题和风险，提前采取措施进行预防性控制，避免问题的发生。
优化生产流程：SPC可以帮助企业优化生产流程，提高生产效率。
通过对生产过程的数据进行分析，可以找出瓶颈环节，针对性地进行改进。
降低成本：通过SPC的监控和优化，企业可以降低废品率，减少返工和维修成本。
同时，提高生产效率也可以降低生产成本。
提高客户满意度：SPC可以帮助企业提高产品质量和服务水平，从而提高客户满意度。
这对于企业的长期发展至关重要。
制定计划：明确SPC实施的目标、范围、时间安排等。
数据采集：收集与生产过程相关的数据，包括原材料、设备、工艺参数、产品质量等信息。
数据分析：运用统计分析方法对采集到的数据进行处理和分析，找出潜在的问题和风险。
制定措施：根据数据分析结果，制定相应的措施进行改进和优化。
实施改进：将制定的措施付诸实践，对生产过程进行改进和优化。
监控效果：对改进后的生产过程进行监控，评估改进效果是否达到预期目标。
持续改进：在实施过程中不断总结经验，持续改进和提高。
控制图：用于实时监控生产过程中的数据变化，及时发现异常情况。
控制图包括均值-极差图、均值-标准差图、中位数-极差图等。
因果图：用于分析生产过程中各因素之间的因果关系，找出潜在的问题和风险。
流程图：用于描述生产过程中的各个步骤和环节，帮助企业优化生产流程。
直方图：用于展示数据的分布情况，帮助企业了解生产过程中的数据特征和规律。
SPC统计分析方法介绍
15
0
Average: 4.83250 StDev: 3.23309 N: 100
5
10
15
C1
Anderson-Darling Normality Test A-Squared: 2.612 P-Value: 0.000
假设检验 5, 正态分布的假设检验
• 在数据不服从正态分布时，采用Box-Cox变换改 变数据的分布形状
• MINNTAB中假设检验路径及数据格式
假设检验 3, 平均值的假设检验
1-sample Z-test
Select data source Input tested means
Select data source Input tested means Input known sigma
1-sample t-test
t=s/
X-Y n1+n2-2
H0: X0=Y0 H0: X0>Y0 H0: X0<Y0
{ t : t<t-a/2 or t>t1-a/2 } { t : t<t-a } { t : t>t1-a }
2, σ不相等 (2-sample t-test)
t=
X-Y s/ n
H0: X0=Y0 H0: X0>Y0 H0: X0<Y0
2.5
2.6
2.7
C1
Normal Probability Plot
.999 .99 .95 .80 .50 .20 .05 .01
.001
2.8
2.3
2.4
2.5
2.6
2.7
C1
Average: 2.50652 StDev: 0.0953786 N: 100
- 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)。
什么是SPC
Statistical: 统计，以概率统计学 为基础，分析数据、得出结论；
Process： 过程，有输入-输出 的一系列的活动； Control： 动； 控制，做出调节和行
2018年11月1日
正态分布:
F ( x)
f ( x)dx
x
1 2
2018年11月1日
EMF－SPC解决方案
1-在数据分析时根据具体情况“锁定”或 “解锁”控制限；
2018年11月1日
第三章：SPC 受失控状态介绍
讲师: Mccain.Koo (顾孝锋)
2018年11月1日
失控状态与受控状态
课程目的：能判断控制图的受控与 失控状态。 课程内容：什么情况是受控状态； 什么情况是失控状态； 如何判断受控与失控。
（2）样本点均匀分布，位于中心线两侧的
样本点约各占1/2；
（3）靠近中心线的样本点约占2/3；
（4）靠近控制界限的样本点极少。
2018年11月1日
控制图的受控状态
x UCL CL LCL
t
2018年11月1日
失控状态
明显特征是有:
（1）一部分样本点超出控制界限
除此之外，如果没有样本点出界，但
（2）样本点排列和分布异常， 也说明生产过程状态失控。
a. b. c. d. e. f.
操作人员经过培训，操作水平显著提高； 设备更新、经过修理、更换零件； 改变工艺参数或采用新工艺； 改变测量方法或测量仪器； 采用新型原材料或其他原材料； 环境变化。
2.
一定时间后检验控制图还是否适用；
3.
过程能力值有大的变化时；
2018年11月1日
控制图的应用流程
Average
-3
5 6 7 8 9 10
Components of Every Control Chart:
1. Data Points
2. Center Line
2018年11月1日
3. Upper Control Limit
4. Lower Control Limit
概念介绍
计量值：用各种计量仪器测出、以数值形式表现的测 量结果，包括用量仪和检测装置测的零件直径、长度、 形位误差等，也包括在制造过程状态监控测得的切削 力、压力、温度、浓度等。 计数值：通常是指不用仪器即可测出的数据。计件如 不合格品数，服从二项分布；计点如PCB上的漏焊数、 溢胶数等，服从泊松分布。
2018年11月1日
典型失控状态
（4）样本点的周期性变化
UCL CL LCL
2018年11月1日
典型失控状态
（1）有多个样本点连续出现在中心线一侧
* 连续7个点或7点以上出现在中心线一侧； * 连续11点至少有10点出现在中心线一侧； * 连续14点至少有12点出现在中心线一侧。
2018年11月1日
不合格数控制图（Pn图）
缺陷数控制图（C图）
单位缺陷数控制图（U图）
2018年11月1日
控制图的应用时机
是
计量型数据吗？
否
关心的是 不合格率吗？
n=1？
是 否 是
否
n是否恒定？
x MR
是
n是否恒定？
n≥ 10？
是
s是否 方便计算？
否 p图
是 C或U图
否 U图
否
Pn或p图
否
xR
是
4.
收集生产条件比较稳定和有代表性的一批数据 （至少50个以上）；
5.
6.
2018年11月1日
计算各组样本统计量，如样本均值、极差、标 准差；
计算各统计量控制界限(LCL,CL,UCL)；
控制图的应用
7.
画控制图；并将计算出的统计量在控制图 上打点；
8.
9.
观察分析控制图；
决定下一步行动。
2018年11月1日
2018年11月1日
控制线管理的益处
Remote control process before defective parts produced
LSL LCL
Very Centered
UCL
USL
Defective parts might occur
Variation is our enemy
Defective parts already occur
2018年11月1日
特 殊 原 因
特殊原因是使过程特性发生显著变化的因素 它的特点是： -不经常存在于过程中；
-它们通常来自过程之外；
-相对于普通原因来讲，对过程波动有较大的影响； -容易发现和隔离. 当过程受特殊因素的影响时，过程的输出不再服 从预期的分布，过程处于不稳定状态。
2018年11月1日
2.2
2.5 2.1 2.7 2.5 2.6 2.4
2.5
2.2 2.7 2.1 2.7 2.2 2.5
2.1
2.7 2.5 2.7 2.3 2.3 2.6
2018年11月1日
★何时应该重新计算控制界限
1. 控制图是根据稳定状态下的条件（人员、设备、原材料、工艺 方法、测量系统、环境即5M1E）来制定的。如果上述条件变化， 则必须重新制定控制图，例如：
2018年11月1日
普通原因
普通原因是对过程的波动经常起作用的原因. 它的特点是： 在过程中时刻存在着，对过程波动的影响 随机变化；
这类因素一般复杂繁多，要列出所有的因
素很困难； 所有因素的共同作用导致了过程的总波动. 成本太高，不容易去除。 当过程只有普通原因影响时，过程的波
动具有统计规律性，此时过程处于稳定状态。
2018年11月1日
控制图的分类
按照质量特性类型分为：
计量值控制图 计数值控制图
2018年11月1日
计量值控制图
均值-极差控制图 ( X R 均值-标准差控制图 ( X S …… ) ) )
单值-移动极差控制图 ( 值控制图
不合格率控制图（P图）
Spec
2018年11月1日
SPC 可以帮助我们
区分正常波动和异常波动； 及时发现异常征兆； 消除异常因素； 减少异常波动； 预防控制 提高过程能力；
2018年11月1日
SPC的核心工具--控制图
18 17 16 15 14 13 12 11 10 9 8 7 6 5 1 2 3 4
+3
点落在该区间的概率为99.7%
2.3 2.1
2.4 2.5 2.0
2.6 2.6 2.6
2.2 2.7 2.7
2.4 2.7 2.3
练习：作控制图
以手工制作比较简单的Xbar-R控制图为例： 每人一张A4纸，作控制图 数据表见右： 规格限为： USL=2.8 LSL=2.0 默认控制限为： UCL=2.65 LCL=2.15
2.1
用户还可根据需要自行修改；
2018年11月1日
控制图的应用阶段
分析用控制图； 目的：在控制图的设计阶段使用,主要用 以确定合理的控制界限; 每一张控制图上的控制界限都是由该图 上的数据计算出来; 控制用控制图。 目的：控制图的控制界限由分析阶段确定; 使用时只需把采集到的样本数据或 统计量在图上打点就行;
典型失控状态
（2）连续7点上升或下降
2018年11月1日
典型失控状态
（3）有较多的边界点 * 连续3点中有2点落在警戒区内； * 连续7点中有3点落在警戒区内； * 连续10点中有4点落在警戒区内。
警戒区： 2σ~3σ的区域即C区
2018年11月1日
典型失控状态
（5）样本点分布的水平突变
x
UCL
2018年11月1日
SPC基础教材
第一章：正态分布及3σ原理 第二章：SPC控制图理论介绍 第三章：SPC受失控状态介绍 第四章：SPC过程能力研究 第五章：SPC 应用 第六章：直方图 第七章：Pareto与分层分析法 第八章：量测系统研究
2018年11月1日
第一章：正态分布及3σ原理
课程目的： 掌握正态分布 极其相关知识 课程内容： 正态分布曲线、 参数及其特征
e
x
( x )2 2 2
dx
其中: μ------正态均值，描述质量特性 值分布的集中位置。 σ------正态方差，描述质量特性值 x分布的分散程度。
μ
N（μ，σ2）
2018年11月1日
x
3σ原理
若质量特性值X服从正态分布,那么,在 ± 3σ 范
围内包含了99.73% 的质量特性值。
2.4
2.3 2.5 2.2 2.1 2.2
2.4
2.3 2.2 2.3 2.5 2.6
2.5
2.6 2.5 2.7 2.2 2.4
2.5
2.7 2.5 2.1 2.3 2.4
2.7
2.2 2.4 2.7 2.5 2.6
2.6
2.1 2.7 2.2 2.2 2.4 2.2
2.1
2.4 2.5 2.3 2.6 2.3 2.1
xs
2018年11月1日
n：样本容量
EMF－SPC解决方案
根据质量特性类型和样本容量确定该质量特性默 认的控制图类型； 计量型，n〉=10，默认为均值-标准差 x s 控制图；
计量型，n〈10，默认为均值-极差 x R 控制图； 计数型中的计点型，固定样本容量，默认缺陷数控制 图 C图 ；否则，默认单位缺陷率控制图 U图 ； 计数型中的计件型，固定样本容量，默认不良数控制 图 Pn图 ；否则，默认不良率控制图 p图 。
CL
LCL t
2018年11月1日