SPC控制图行业质量管理办法

SPC控制图行业质量管理办法

1前言

SPC(StatisticalProcessControl)控制图自从休哈特

1924年发明以来，在以汽车行业为代表的制造业中被广泛用来

监控和改进生产过程，试图通过产品质量特性变化趋势来进行

质量预防，改变旧有的事后质量检验的方式，来降低质量成本，

并被列入汽车行业质量管理五大工具之一。

我们的疑问是：

1.SPC理论自身有缺陷吗？

2.SPC应用的实际效果如何？

3.SPC适用于所用的行业和企业吗？

其实，在以制造业强国美国为代表的国家中，不论是统计

专家还是质量专家，针对SPC的实用性以及有效性的思考和质

疑之声，从来就没停止过。日本更是以实际效用为准绳，而不

是在实际推广中原封不动地照搬照抄SPCo

对于SPC的质疑与争论，一方面是因为观点不同，但更重

要的还是希望企业能够结合自身实际有效选择最优性价比的质

量工具，去掉浮华，让企业的质量管理落到实处。

2SPC的由来

SPC控制图，又叫休哈特图。

上个世纪20年代，贝尔实验室被电话传输系统的稳定性所

困扰。因为放大器等设备需要被埋入地下，贝尔实验室有非常

强烈降低不良率以及维修率的业务需求。到1920年的时候，贝

尔的工程师们已经意识到降低制造过程中变异的重要性。同时，

贝尔的工程师们也意识到针对不合格进行的持续的过程调整，

实际上增加了制造过程的变异并降低了品质。

休哈特将问题归结于变异中的普通原因和特殊原因。1924

年5月16日这一天，休哈特把大家都熟悉的正态分布图旋转了

90度，并以u±3。作为控制限，这就是控制图的原型。休哈

特将这不到一页纸的内容交给了时任老板GeorgeEdwards,最

初的判异准则也只有一条，就是看数据是否超出U±3。控制限。

根据判异准则，判断制造过程是否有影响产品某一质量特

性的特殊原因出现。一旦出现，就需要查出异因进行整改。如

果一个产品有多个质量特性需要监控，那么就需要分别做控制

图。

自控制图出现以后，变异分为普通原因和特殊原因，这个

人为的划分被一直沿用至今，判异准则越来越多，各种控制图

也不断涌现，成为一个庞大的家族。其中，以均值极差控制图

(Xbar-R)最常用，本文如无特指，所说控制图就是指均值极

差控制图。

3国际权威人士对SPC的质疑之声

1981年田口玄一(GenichiTaguchi)

一来自日本，享誉全球的质量大师，创造了田口方法，品

质工程的奠基者。

他曾说过“改进要有经济合理性，不能没完没了二

“Taguchi(1981,p.14)advocatedreductionof

variabiIityuntiIitbecomeseconomicaIIy

toMakeItHappen》

1993年BanksDavid

一美国统计局首席统计师，美国统计协会董事会成员，曾

获得ASA创始人奖，美国统计协会的最高奖项。

Bank,Hoyer,ElIis和其它人都曾严厉地批评对SPC开展

的研究工作，Banks说，“SPC大约是旧时代大学研究人员通过

普通人难以理解晦涩公式来赢得名声的无用工具J

“Banks(1993)andHoyerandEllis(1996a-c),among

others,havebeenverycriticalofresearchonSPC.Banks

writes,forexampIe,“ItisprobabIypasttimefor

universityresearcherstodropstalepseudo-appIied

activities(suchascontroIchartsandoddIybaIanced

designs)thatonlywinusareputationfortherecondite.”

摘自《IsIndustriaIStatisticsOutofControl?》

1997年质量大师朱兰(JosephJuran)

朱兰说：“发明出控制图原型的休哈特根本不懂工厂运营，

完全没办法和操作工及管理人员进行有效的沟通”。

“ItisoftenarguedthatShewhartchartswith3-sigma

IimitsshouIdbeusedbecauseexperienceshowsthistobe

themosteffectiveschemeandbecauseShewhart(1931,p.

277)statedthatthismultipleofsigma“seemstobean

acceptabIeeconomicvaIue."GiventhisreIianceon

ShewhartJsopinion,however,itissomewhatdisconcerting

toreadJuran,s(1997)surprisingaccountthat“Shewhart

hasIittIeunderstandingoffactoryoperationsandcould

notcommunicateeffectiveIywithoperatorsandmanagers.”

摘自《EarlySQC:AHistoricaISupplement》

1998年BertGunter

一来自美国的著名统计顾问，《StatisticsCorner》专栏

作者。

也曾说，“使用SPC的制造环境在快速变化，生产时间变得

更短，数据产生的更多，质量要求更高和对计算能力要求更强

大，控制图这个古老的工具已经很难适应现代的生产和服务的

需求」

“ThemanufacturingenvironmentinwhichSPCisused

ischangingrapidly.Thereare,forexample,trendstoward

shorterproductionruns,muchmoredata,higherquaIity

requirementsandgreatercomputingcapabiIity.Gunter

(1998)arguesthatcontroIchartshaveIosttheir

reIevanceinthisenvironment,statingthereaIityof

modernproductionandserviceprocesseshassimply

transcendedthereIevanceandutiIityofthishonoredbut

ancienttooI.”

摘自《FareweIIFusiIIade:AnUnvarnishedOpinionon

theStateoftheQuaIityProfession》

2011年MichelBaudin

—40年实战经验的生产顾问。

“SPC是昨天的统计技术，用来解决昨天制造业的问题。

它没有能力解决今天的高科技问题，在成熟的行业它也变得完

全没有必要。它还没有完全消亡的原因是，它已经进入了客户

强加给供应商的标准之中，虽然这些客户自己根本就不使用

SPC。这就是为什么你仍然可以看到有如此多的工厂走廊墙上贴

着控制图。“

“InanutshelI,SPCisyesterdayJsstatistical

technologytosoIvetheprobIemsofyesterday,s

manufacturing.Itdoesn,thavethepowertoaddressthe

probIemsoftoday?shightechnoIogy,anditisunnecessary

inmatureindustries.ThereasonitisnotcompIeteIydead

isthatithasfounditswayintostandardsthatcustomers

imposeontheirsuppIiers,evenwhentheydon,tcompIy

themseIves.ThisiswhyyoustillseeControICharts

postedonhaIIwaywallsinsomanypIants.”

摘自《IsSPCObsolete?》

以上这些是从1981年到2011年连续30年中，针对SPC

公开发表不同声音的代表者。在国内，私下的抱怨很多，私下

的质疑之声也不少，但目前为止还没有发现个人或团队对SPC

提出公开质疑。

SPC拥运者通常说:

你觉得SPC没用，是因为你没有真正理解SPC,或者你不

会使用。

•那么，上面列出的这些质量和统计界的大师都发出质疑

之声，难道他们也没有能力正确理解或者不知道如何正确使用

SPC?

•如果他们都不能理解，那我们还能指望谁能够正确理解

和使用SPC?

•如果真的是如此难于理解，那我们还能指望生产一线员

工正确理解和使用SPC吗？

4日本SPC实际应用情况

也许很多人会说，战后的日本工业界在上世纪50年代至

80年代期间广泛推广和应用SPC,使日本的产品质量一举超越

美国并处于世界领先地位，似乎日本在质量上的成功就是应用

了SPCo

事实果真如此吗？

以下摘自《JosephM.Juran:CriticalEvaIuationsin

BusinessandManagement》

大意是：

1.在日本PCB行业，使用控制图并不普遍。更常用的方法

是用单值描点图，并与公差限进行对比。

2.日本公司普遍用长期记录不合格品的比例的方式，与P

控制图相比，它没有设定控制限。

3.在PCB行业，认为带公差限的单值描点图具有价值，因

为这个方式可以那助我们决定应该优先去解决哪个问题。

4.如果数据在公差内表现的不错，就不会追求SPC没完没

了的改进。

日本通常更是以效用为准绳，在实际生产中更普遍使用的

是一些相对简单易用的工具，如柏拉图，直方图，饼图，散点

图等，而不是依赖于SPC。

对于质量的追求也是在经济合理这个前提下，而不是无条

件实施不能带来经济收益的无谓改善。

5SPC自身有哪些缺陷？

5.1自相矛盾的逻辑

为了简化论述，我们以最初休哈特制定的判异准则，是否

超出3。控制限这一个准则展开讨论，暂不考虑其它准则。应

用SPC时，如果数据处于3。控制限以内，通常认为过程变化

通常只是普通原因引起的，没有特殊原因出现，无需改善；如

果数据落在3。控制限以外，则表明过程中有可能了出现影响

产品质量特性的特殊原因，需要确认是否出现特殊原因，如果

有则要采取措施进行改善。

•因为按照休哈特理论，落在3。以外的是小概率事件，

要进行调查。同样按照分布概率，落在3。以外也可能是正常

的分布。

•设备是多种多样的，有的设备稳定性足够高，就像戴明

的漏斗实验一样，不改变漏斗高度，小球落点的离散程度不会

改变，小球出现在4。（或者5。）内也可能是普通原因。

•但现在大多数的控制限是设置为3Oo

对于稳定性很好的设备，如果数据超过3。控制限就报警，

那么工厂花费了大量时间和资源记录跟踪数据，得到的却是大

量的假报警，工程师为此要疲于奔命，说是误入歧途都不为过，

谈何帮助工厂改善质量？每天都在玩狼来的游戏？

根据下图，如果设备或制造系统稳定性很好，在4。范围

内都是普通原因，这时3。为控制限，那么误报警率将高达

（0.27-0.0063）/0.27=97.7%o

（当然，也可以把控制限设置到4。范围以减少报警，问

题是即使你掌握这个知识，但你的客户可能不同意你的要求，

你购买的软件也可能没法设置，因为不是所有的SPC软件都有

这个功能。同样，如果把控制限扩大，按照SPC理论，也会有

增加漏报的风险。）

真正让生产员工迷惑的地方是，按照休哈特的理论，超出

控制限有可能是普通原因也可能是特殊原因，让生产员工去调

查，找到了就说是特殊原因，找不到，难道就是普通原因？

5.2普通原因与特殊原因的划分

SPC的目的是通过控制图来探测制造过程是否出现了特殊

原因，如果出现，那么先要加以分析，根据分析结果再决定是

否进行预防和改善。

一般认为，特殊原因对过程影响较大或者特殊原因整改成

本相对较低，但这都不是绝对的。目前也没有任何客观的真实

数据来证实这一点，实际上只是人为地把分析找到的原因归到

特殊原因而已。

假设我们还是按照普通原因和特殊原因来划分，在实际生

产中，要获得更高的经济合理性，不一定是通过改进或消除特

殊原因，更可以改进普通原因。比如说，企业在考虑成本的前

提下，同时确保设备具有更小的波动性（普通原因），找提供设

备的供应商来升级改造设备，因设备供应商比客户使用设备的

人员更知道如何来提高设备的性能，这才是符合亚当斯密的劳

动分工理论，专业分工，专业的人做专业的事。

从休哈特发明控制图100年来，社会化大生产已经发生了

翻天覆地的变化，一台普通的设备通常是很多专业企业合作共

同完成的，供应链不仅横向很广，纵向也很深，设备的精度和

稳定程度在大踏步前进，留给客户操作人员改进的机会越来越

少。通常而言，与其自己改进设备提高过程稳定性，不如找供

应商直接升级设备或直接购买高性能设备更具有经济合理性。

当今时代企业的质量管理水平和产品的质量控制水平，也

同样比100年前相比有了质的飞跃，主要的贡献来自于设备、

工艺和配方等方面的进步，还有自动化监测手段的提升，而这

些进步和提升大部分来自于普通原因，而不是依靠SPC不断探

测特殊原因并改善取得的，这一点是毋庸置疑的。

我们几乎看遍能用谷歌搜索到的所有SPC视频课程，大部

分讲师在介绍用SPC查找特殊原因时，给出的例子大都是换操

作员工了，换原材料了，机器润滑不好了，螺丝松了，设备磨

损了等等，这些的确会导致一些质量问题，也不是不重要，问

题是企业有比SPC更加前置和高效的方法来预防这些问题，如，

合格供应商名录，设备点检、维护和保养，员工上岗培训，分

层审核，防呆等等。

实际生产过程中普通原因和特殊原因是会相互转换，不是

一成不变的，这也是业界的普遍认知。

另外，普通原因和特殊原因，本就没有天然的界限。人为

分为两种原因，把简单的问题复杂化了，然后再按照所谓的分

类去解决所谓的特殊原因，这是从推广SPC的角度看问题，而

不是从解决问题的角度看问题？

5.3戴明和AIAG制定的判异规则会增加误报率

在控制图中，如果7点(注：也有是6点之说)或更多的

点连续上升或下降，人工判断或SPC软件将发出警报。现在已

有多人(Davis,WoodaII,WaIker,PhiIpot,Clement,etc.)

要求取消戴明和AIAG制定的这个规则，因为这个规则在有些有

意为之的过程里是无效的，虽然直觉上觉得合理，但结果只会

大幅增加误报率。

内容来源《FalseSignalRatesfortheShewhartControl

ChartwithSuppIementaryRunsTests》&《Performanceofthe

ControIChartTrendRuIeUnderLinearShift》

5.4ASQ推荐的SPC判断规则也有无效的

ASQ推荐的用移动极差图来探测变异性中的变化这一标准

做法也被证明是无效的。遗憾的是，该规则还是CQE考试的内

容之一。

内容来源《DesignStrategiesforIndividualsandMoving

RangeControICharts》&《AControl

ChartforthePreIiminaryAnalysisofIndividual

Observations》

6实际应用中SPC有哪些硬伤？

除了上面说的自身缺陷之外，SPC在实际应用中也有一些

硬伤。

我们首先以公差限范围和控制限范围的三种位置关系来分

别讨论:

公差限范围远大于控制限范围:

随着当代生产设备、检测设备以及工艺水平等方面的不断

进步，制造型企业对产品质量特性的控制能力已经远远超出

100年前的水平。客户要求供应商的过程能力CPK在1.67以上,

甚至2已非罕见，那么就意味着质量水平相当于5。-6。。

人工判断或SPC软件报警，但产品是合格的，质量人员如

果这时花费精力去研究这个报警，让产品在合格的基础之上好

上加好不是不可以，前提是没有其它质量不合格的事情发生，

但在日常生产中比这严重和重要的事多得多，这么做从问题解

决角度完全与二八定律不符。

这时控制图不仅没有好处，还帮倒忙，对于一个有着大量

质量控制点的企业，质量人员还得费劲劳神不让这些不重要的

事情干扰自己，还得从大量的报警中找出哪个是真正超过公差

限的产品而不是单单超出控制限的产品。

世界著名500强公司施।时德，顶级电工企业，在华工厂应

用控制图监控生产过程中的若干关键质量特性，但该控制图中

只有公差限，没有控制限。因为如果设置了控制限，那么系统

会经常报警，使本就繁忙的工程师们疲于奔命。他们也知道，

因为是Xbar值，不是单点值，即使Xbar值在控制限内，产品

也有不合格的风险。但是不取消这个报警，每天就不用做其它

事情了，因为公差限远大于控制限，风险程度不高，就索性取

消控制限。

请问，这些控制图在企业实际应用中到底起了什么作用？

毫不夸张地说，它的消极作用之一就是浪费了资源。

公差限范围小于控制限范围：

通常理想状态，使用SPC时，要求过程稳定且CPK大于1。

项目在量产前策划阶段，对于具体的质量特性，企业工程

技术人员通常预先评估采用哪种探测手段，并在过程开发时最

终落实。比如可以用GO/NOGO检具100%检验或设计防错装置

识别等，当然也可以使用控制图。

还有人会说，如果过程能力不足或者过程不稳定，通过控

制图报警，这不是很好的机会改进产品质量吗？

未必，举个例子，公司在项目策划时选择设备有两个方案。

500万的注塑机可以完全保证产品质量，50万的注塑机则需要

加人工100%对质量特性进行检验，公司根据客户的采购量，通

过成本评估确认50万注塑机+人工100%检验这个选项在利润角

度更合理。

当今是专业化大分工时代，几个质量人员+设备工程师+一

线操作工仅依靠一个SPC工具就可以把50万元的注塑机改进达

到500万元注塑机的水平可能性很小。那些专业生产注塑机的

企业可能都做不到的事，非专业人员就更实现不了；即使企业

内部通过改进能够实现，成本上的花费很可能是不合理的。

这里不是反对持续改进，持续改进是一个企业永恒的主题，

但我们反对的是一谈到质量控制，言必称SPC。

公差限范围略大于控制限范围：

这时的CPK大于1,可能有人会说，这种情况下SPC控制

图最有用，但其实给一线操作员工和质量人员带来的困扰同样

也不少，为什么？

如果控制图报警，一线操作员工也不知道产品是否合格,

有时还要在控制图的边上再做一个单值描点图（日本一些企业

的作法）。

有些控制图上加上了公差限，的确是有所改善，但还是有

问题，因为在控制图上显示的是X的平均值，当X平均值在公

差限以内时，产品还是有可能不合格的。（当然，这时R图往往

会报警，但操作员工还得另行计算一下，确认产品是否超差，

因为控制限报警和产品不合格是两个严重度不一样的事情，对

于一线工人来说，首要任务是产品合格然后才是持续改进。）

其它因素还有：

无法满足现代企业的激烈竞争

现在的企业面临着越来越激烈的竞争。成本控制决定着企

业的利润以及生存空间。

控制图需要持续不断地记录数据。一个控制图（均值极差

控制图）只能监控一个质量特性，随着产品复杂度的增加以及

供需链的不断变化，一个产品上会有多个关键质量特性，一个

工厂有上万个料号是非常普遍的现象，那么可以想象，使用控

制图对这些产品的大量质量特性进行监控，需要记录的数据以

及需要付出的努力远远超出了企业所能承受的能力。

笔者曾经工作过的一家公司，每年都会进行供应商的整合

（最近10年以来已经是普遍的现象），其中一个很典型的中小

规模供应商，单单给笔者公司提供的常用活跃料号就有5000

多个，其中一半以上是由数量不等的子零件组成的组装件（一

个组件包含的子部件从10个到100个不等）。有外观，性能，

关键尺寸等多个关键质量特性需要控制。如果使用控制图进行

监控，那么需要做的控制图要多达几万个，效果如何不说，单

是工作量已经将企业压垮。

更甚者，有些使用模具生产的产品，为了提高效率与降低

成本，会以多模多穴的方式进行生产。如某公司一塑料产品有

4个关键尺寸，该产品一共有2个模具，每个模具64穴，这些

关键尺寸关系到客户产品的密封性能，塑料产品本身价值不高，

但是一旦质量不合格，客户的损失将是非常巨大的。如果要取

得客户订单，客户一定要求供应商签署质量连带责任协议。

如果使用控制图，每一次都要等到注塑机生产5个产品以

后才能检验关键尺寸并记录，如果现场是纸质的控制图，操作

工人还得计算这五个产品平均值和极差值，一个注塑工位就有

4X64=258张控制图。两个模具，那么意味着要做2X4X64=512

个控制图。如果这个公司有100个类似产品，那么意味着要有

5万个控制图在生产现场。

每次注塑的时间间隔才几分钟，有时间记录吗？

用SPC软件能解决这些问题吗？

对于注塑产品，不仅要确保首件合格和末件合格，还要确

保如何及时发现产品尺寸的变化，以便能及时清理冷却管路和

维修模具，这对企业是一个极大的挑战。

如果您是这家企业的质量负责人，你会采用控制图来监控

关键尺寸吗？您觉得控制图管的住质量吗？

对于芯片行业也类似，这个行业的数据量更大，SPC每天

可能会发出非常多的报警，导致质量人员根本没有时间开展调

查研究，很多质量人员的直接做法就是关闭这些报警邮件。不

要指责这些员工，当你每天收到50份SPC报警时，你会怎么

做？

繁杂的系统，普通企业难于掌握

•计算过程能力时，所采集质量特性的检测数据如果不是

正态分布，需要做变换。

•不同的过程，需要不同的SPC工具。

•单一质量特性的数据是否独立，也会影响到使用效果,

化工行业这个问题会比较突出，还要学会如何判断数据是否独

立。

有办法解决这些问题吗？有。

这些问题难吗？看对谁而言。

问题的关键是，所有的企业都投入这么多的资源去研究这

些，投入产出比对每个企业都合适吗？中国的中小企业有那么

多资源投入去推广和研究吗？

再完美的设想，如果不能够满足实际生产现场的需求，那

么也只能放在实验室里观赏。不能够为实际生产服务，那么也

就失去了它的价值。

7那么，到底谁在推行SPC?

客户要求

由于SPC是汽车行业五大手册之一，虽然只是参考，但是

很多汽车行业的客户和其它行业的部分客户在对其供应商实施

质量评审和项目开发过程中，会把SPC作为一个条目来考核供

应商。为了提高通过第二方审核和第三方审核的概率，汽车行

业供应商不得不在企业内推广SPCo

如客户对SPC有要求，评审时，评审员很正常地会问供应

商被抽样到的产品有没有质量特性，供应商提供质量特性清单

后，评审员很可能随意挑出一个或几个质量特性，看一看检测

数据以及监控的效果，如果这时供应商能够展示出控制图，并

且大部分数据是在可控制状态，有报警的地方，也有相关的分

析和整改，在这样的情况下，很多评审员会认为这个评审条目

合格，大概率不会一直查下去，直到发现问题。

我们回放一下真实的质量评审场景：

供应商老老实实把所有的质量特性都列出来了，如果质量

特性很多，除非供应商有大量的专业质量人员，否则不大可能

都做到监控，即使有SPC软件系统也不可能（因为设置监控要

花费大量的人力和时间，这个成本是很高的，不是每一个厂家

都能负担得起的。）

如果评审员发现有的质量特性没有被监控，很可能给一个

一般或严重不合格项。

即使质量特性都被监控了，评审员在现场评审时，如果发

现了控制图报警，但是供应商没有及时给出分析和整改措施，

这就要看评审员心情了，至少给一个观察项，给一个不合格项

也很合理。

如果你是供应商负责质量评审的，你会怎么做？

肯定会事先就准备好一套美化过的SPC数据，等待评审员

的到来，这样才能很有把握地保证质量评审顺利通过，企业不

会因为质量评审出现问题而拿不到客户订单，导致管理层对质

量部门不满意。

我们先不要站在道德的制高点上批评供应商的质量负责人，

想一想，供应商质量负责人这么做是否也是一种无奈？

德国大陆是一家非常知名的全球汽车零部件企业，其在华

的一家工厂也遇到了SPC带来的烦恼。这家工厂每年要接待大

量的客户二方年度审核、新项目审核和客户SQE定期检查及飞

行检查，他们产品种类多，需要控制的质量特性也很多。

时不时，客户的质量人员就可能要求检查一下他们的产品

控制图的填写情况，如果有异常报警，客户通常是一句话：你

们要调查一下，写个整改报告。但供应商即使是编一个报告也

要挺长时间，每天这么多的报警，如何应对？

编写假报告也要耗费大量的人力资源，不要忘记这一点。

后来这家工厂实在没办法，干脆招聘一个SPC数据“美化”

技术员，每天专职美化数据，但数据也不是可以随随便便可以

美化出来的，该工厂还用Excel编写个小程序，保证数据分布

也是正态的，还能满足CPK的要求，极大提高了造假数据的效

率，客户也很难再挑出毛病。这是笑话吗？但是质量人员根本

乐不出来，他们有很大的挫败感，因为每天不得不做这些无聊

没有意义的事情。

其实，这家大陆在华的工厂根本就没有用SPC来管控质量，

但还不得不假装用SPC控制质量，并对客户宣称取得了很好的

效果。

相对来说，国际大企业在理解SPC方面还是比一般企业要

好，但他们为什么还要造假数据呢？

我本不想列出施耐德和大陆的名称，但我是想告诉大家，

世界顶级的工业巨头尚且如此，您的企业实情如何？尽管有许

许多多的企业都在使用SPC,但情况不容乐观，理想很丰满，

现实却如此骨感。

培训/咨询机构以及SPC工具厂商

首先，我们不否定有优秀的培训和咨询老师，不仅有专业

水平，也从企业的实际角度看问题。

但是，也有一些例外：

有些是自己本身都没有理解和掌握SPC的原理，完全的照

本宣科，自己都不知道自己说的是什么。

有些是书本主义，没有考虑到实际应用环境。

有些是揣着明白，装着糊涂。赚的盆满钵满与自砸饭碗之

间，选择的是前者。不想说皇帝的新衣不好看，反正有人肯花

钱，不拿白不拿。

更有甚者，牵强附会的应用。Q-DAS,为了增强SPC适用范

围，把简单的事情搞得很复杂。刀具的寿命对某些企业是一个

比较关键的数据，比如用刀具的磨损程度来预计刀具的寿命，

按照刀具的磨损程度绘制出一个带有倾角上下控制限，通过与

刀具报废线的交叉点来估算刀具寿命。这个方法可以实现预测

刀具寿命，但就是对工人理解上不友好，把简单的事情搞复杂

了，用一个简单的描点图就可以实现的功能非得用繁琐的步骤

实现。

这是郑人买履的平方。

质量管控的需求

自然还是有希望管理好企业的质量人在推广，希望能够帮

助企业改善质量，这一点是不可否认的。

绝大部分管理措施出发点都是好的，但结果好不好就不一

定了。

相比于其它质量工具，SPC耗费资源很多但产出却不高。

就像用长矛来捕鱼，的确能捕到鱼，观赏性非常好，可以用来

炫耀手艺，但不完全适合当今的社会。

比如说，DOE和MSA,对一个项目而言，不需要天天做实验

收集数据。

但是SPC一旦开启，就要针对每一个料号的每一个需要监

控的质量特性持续不断收集数据，如果有电脑系统还好，没有

电脑系统，还得用纸和Excel统计。

在企业竞争如此激烈的今天，还要让一线操作工人花费大

量的时间记录这些SPC数据，当然企业还要投入培训SPC费用

等，但这些费用仅仅是SPC相关费用的冰山一角。

很多人忽视的是质量工程师所耗费的心血和时间。

一个企业如果质量特性少还好，如果质量特性很多，新项

目也很多，质量工程师会花费大量的时间设置控制图和对报警

的控制图进行处理。质量工程师不得不花费大量的时间处理这

些不确定的报警，这意味着很多其它事情被耽搁了。

8SPC不好用，企业怎么力、？

现在有些人或企业认为质量管理就是SPC,甚至有些MES

系统开发商，直接把SPC当作质量管理模块卖给用户，不知道

是自己不懂，还是有意为之，实在是误人子弟。用户也应该理

性地去分辨，不应该被神话了的SPC所误导。工具应该为目的

服务。工厂需要的是一种符合自己生产过程的有效质量管控工

具。质量管理也要考虑场合、对象和性价比。

在此我们从两个方面给一些建议：

从质量管控工具有效性层面：

E）本企业为了弥补SPC的不足而同时使用单点图，当然还

有其它工具，比如合格率、ppm、缺陷统计等。配合柏拉图的使

用，可以帮助企业快速锁定影响产品质量问题的“重要的少数”,

起到事半功倍的效果，以及根据记录的数据进行相关性回归分

析，帮助企业快速找到影响质量特性的因素，从而进行相关改

进，进行质量预防，改善产品质量。以相对较小的精力，解决

严重和普遍的问题，这比较适合绝大多数企业的现状。SPC那

种大水漫灌，换来的是虚虚实实的报警，烽火戏诸侯，浪费的

不仅仅是大量的宝贵资源，更会错失很多问题改善的机会。

企业选择什么样的质量工具要根据自身的情况而定，不管

黑猫白猫，抓住耗子的就是好猫。

客户和工厂需要的是合格的产品，SPC只是工具/手段，切

莫将手段当目的。

从公司整体质量管理层面：

例子1,如果是一家生产纸箱，印刷品等技术含量不高的

小企业，按照IS09000的要求来做，就可能把企业管理的很不

错。

例子2,如果一家电机厂有50条不同年代的产线，有2万

种不同的物料，员工人数达到2000。企业发展到这个规模，可

能以下问题是质量管理中的痛点：

•什么原材料容易造成停工待料，都是什么问题？

•那种类型电机合格率最低，都是什么问题？

•给客户报价时，在那条产线生产，既能保证产品合格率

又能保证成本可接受？

•新产品开发时，类似的老产品都出现过什么问题？

这个规模的企业，质量体系早已经建立，质量特性数据也

有一些，但是这些数据不是在纸质文档上就是在Excel中和其

它系统中。这时企业可能需要一个能对多种物料，多条产线，

多道工序，多个班组进行深度关联分析的系统以解决上述问题。

例子3,高压容器，安全设备等特种企业。

对产品安全性和合规性要求比较高。企业交货时，提供完

备的检验资料也是一个很重要的工作，通常需要花费很大的人

力和时间来处理。对于这样的企业，保证每一步都合规且文件

齐全的管理系统很重要。

例子4,对于跨国采购公司和designhouse,有几十家甚

至几百家供应商是很普遍的事，质量人员如何管理好供应商准

时生产出合格产品很关键，否则就可能造成全球客户缺货或工

厂停产。对供应商是否有能力生产出特定需求的产品要有把控

能力，而不仅仅是根据质量评审的分数；开发新项目时对过往

的历史数据和客户投诉了如指掌，并通过历史数据（包括客户

投诉）有能力发现潜在的质量风险并在新项目开发时采取措施，;

对出货检险要有大局观，既不能无原则放货，又不能把小问题

无限放大不放货。如果该企业的产品种类高达上千种，供应商

又分布在全国各地，但SQE人数却很少，这时的质量管理发略

怎样制定才合理？

例子5,对于医药行业，一定要符合法律法规的要求，每

一步都要确保正确和准确，文件资料不能出问题，人员要有资

质才能上岗，变更管理比普通企业更严格，计量器具也不能忽

视，很多记录都要留档等等，这是医药行业的特点。

例子6,对于化工和钢铁行业。如果质量管理软件或其他

软件系统能自动推送出对产品改进有帮助的建议，企业或许对

这个功能感兴趣，以代替用人工进行的繁琐计算，如回归分析、

多元回归分析和DOE等，这样会极大提高日常生产数据的利用，

从而不断优化生产工艺参数，改善质量和/或降低成本。

针对不同的公司规模、人员素质、不同的产品以及过程特

性等，可以采用不同的质量管理工具进行管理。合适的就是最

好的，既要防患于未然又要因地制宜，不能是用工具找问题，

而是应当根据问题找合适的工具。

9如何应对客户的要求？

前文做了很多论述，企业应该有自主权限根据实际情况来

选择合适的质量工具。

但是对于SPC却很特殊，因为客户要求，还不得不使用SPCo

这的确是一个难题，笔者在此也很难提供一个药到病除的

解决方案。

供应商不可能冒着丢失订单的风险而违反客户的要求。针

对五大手册中的SPC,是三大汽车主机厂（通用，福特，克莱

斯勒）基于当初的现状，为了在汽车供应链中推动持续改进，

以客户为关注焦点，不断提高客户的满意度，那么就需要不断

地去寻求一种更高效率的方式来提供产品和服务。秉着这一宗

旨，主机厂提出了组织的每一个成员都要投身于不断尝试更高

效的方法进行持续改善，可以采用不同的统计工具达到这一效

果，如柏拉图、因果图等基本工具，以及高阶的DOE、QFD等。

并编制了五大工具之一的SPC手册。SPC控制图作为一种基本

工具在SPC手册中做了详细的介绍。避免了当初无统一标准，

各家各户要求各异，简化与减少了差异性。但该手册也明确说

明这是针对SPC的一个介绍。企业根据客户要求的质量活动或

者特性与客户沟通，可采用更有效的或者替代的方式。

解铃还须系铃人。

在此我们也呼吁一下以汽车供应链为主的质量行业人士,

特别是主机厂的质量人，主机厂和供应商要求的是合格产品和

有效的管控方式，对于具体使用何种方式来管理质量，希望主

机厂在制定规则时，能够与供应商进行密切沟通，只要供应商

能够证明有合适的工具进行管控，有稳定的提供合格产品并进

行持续改善的能力，不要非得加上SPC这一条，少些形式主义，

回归到事情的本质。

10编后语

在查阅资料的过程中，我们发现国外有非常多从不同的角

度针对SPC是否有用进行讨论与质疑，从控制图诞生之日起到

现在就没有停止过，而且还有继续下去的趋势。有争论比没有

争论要好，理越辩越明。

有质疑和争论，受益的不仅仅是质量人士，更大的受益者

是众多的企业和企业管理者。通过质疑和争论，企业高层将能

会以更高效的方式来管控质量及管理企业，使企业运营效率提

高，保持竞争优势，基业长青，对整个社会的整体运行效率也

大有裨益。

在此，我们欢迎感兴趣的朋友和我们交流，不论是持相同

的观点还是不同的观点。也非常欢迎亲自负责过或者使用过

SPC并取得效果的朋友和我们联系，我们正在积极寻找这样的

企业。

最后，感谢徐廷伟先生、王洪石先生、沈凯利先生、朱小

，央先生提供宝贵的素材和意见。

云质信息科技有限公司-使质量管理变的简单和高效

提供质量管理软件开发，实施，咨询与培训服务一站式解

决方案

ANOVA(ANalysisOfVariance):变异数分析。一比

较两个或以上的群体之间平均值的差异程度，作为相关性辨

别的方法。

BaIancedDesign:设计在每组试验中有相同的实验单

位。

BB(BlackBelt):黑带。

BlackBeltCertification:黑带认证。完成两个符

合条件的项目后取得的认证。

Block:一群具有同构型的实验单位。

Blocking:一个试验在既定的顺序或条件下完成。任何

有妨碍的因子并不会影响真正的结果或重要性。

CapabiIity:能力，达成目标的过程中能维持下去的能

力。

Cause&EffectDiagrams:因果关系图。能表达出

一个结果及可能的原因两者关系的图表。

CenterPoints:以所有因子的最高及最低点的中点值

来执行的实验。只能用在计量的数据。

Cl(ConfidenceIntervaI):信赖区间。响应的数值

能真实代表母体，使人信赖的百分比程度。

ConfoundedEffects:不能被独立预测出的令人困惑的

结果。

Confounding:一个或多个结果，无法明确的归因于某个

因素或相互间的影响。

ControlChart:控制图。用来辨识一个控制下的操作

过程的方法(在既定的统计范畴内)。

Cp(ProcessCapabiIity):衡量过程能力的指

数Cp二公差(ToIerance)/6so

Cpk:PerformanceCapabiIityIndex-Cpk=

(USL-mean)或(mean-LSL)的最小值除以3s。

CRD(CompletelyRandomizedDesign):完全随机

设计。在各种程度下，研究某个重要的因子，而实验以完全随

机的顺序来执行，使不可控制的变因最小化。

CTQFlowdown：以非常严谨的方法分配需求，并评估

比关键性的产品及其部门的能力。

CTQ(CriticalToQuality):关键品质参数。

Defect:一个用来衡量既定标准的参数，却无法符合其

标准。

Defective(Part):某个被用来衡量既定标准的部分，

无法符合该标准的任何条件。单一的缺陷部分可能包含数个缺

陷(defects)。

DegreesofFreedom:自由度，分析变异数的一个数

值。相当一个独立于用来预测变量的信息个数。

DegreesofFreedomforError:一个数值，用来

分析变异数以预测过程中的干扰度。未对过程的干扰度加以预

测，而决定何者是重要的变量及其影响程度，都是无效的。一

个大约的衡量准则是，5的误差的自由度为极小值，相当于至

少六次的重复。

DOA(DeadonArrival):客户接收时无法运作的产

品O

DOE(DesignofExperimerits):实验设计；一群母

体中的任何一项用来了解高度分配的因子。通常和因子设计有

关。

DPMO(DefectsPerMillionOpportunities):发

现的缺陷个数除以(单位数乘每单位的机率)，乘以一百万。

DPPM(DefectivePartsPerMillion):外部的阐

述，一缺陷单位个数除以总单位数，乘以一百万。在Cpk的基

础下。

DPU(DefectsPerUnit):发现的缺陷个数除以实际

衡量的单位数。

Duncan?sMethod:邓肯法。一种统计方法，用以决定

改变结果的因素其程度。

Effect:当一个因素的水准由低变为高时，对结果产生

的平均变化。

Error:误差。过程中的固有变量。当其它变量保持不变

时，结果产生的差异。(见noise)。

Estimate:在既定的水准及考量过程中所有因素的影响

下,对某结果的预测。(见prediction)。

EVOP(EVolutionayOPeration):渐进式操作。持续

进行所设计的试验而不影响其效率的一种方式。

EWMA(ExponentiaIIyWeightedMovingAverage):

指数加权移动平均。一个控制曲线法，利用历史数据的指数加

权值最小值。

ExperimentalRegion:实验范围。所有可能的因素组

合产生可能的实验。亦称做“要素空间”（FactorSpace）0

ExperimentalUnit:实验中被发现及用来衡量的单位。

亦称做“分析单位”（unitofanaIysis）o

FTest:一项统计检定，用来决定两变量间是否有差异存

在。

Factor:在实验中能改变的投入要素，因子。可能以质

（例如：附加的和类）或量（例如：温度、气压）表示。

Factor,Fixed:如果要素的水准明确的被指定，则此要

素称做固定的。结论只能以此要素来推论。结果具重要

性。

Factor,Monitored:一项因素（通常是不可控制的，因

此不能视为固定的。）在实验过程中发现，且与部分无法解释

的变异相关联。

Factor,Nuisance:妨害的因子。一项已知会在过程中制

造差异的因素；并无要求调查这项因子，但亦不可使此因子

影响其它重要变因产生的结果。（见blocking）。

Factor,Random:如果要素的水准是随机自用体值中选取

时，则此因子称做“随机的”。变异的组成要素具重要性。

FixedEffectsFactor:有选择地挑选出某水准下的因子。

例如，以400度、450度、500度来做为研究气温的结果。（与

做RandomEffectsFactor比较。）

Fractional2kDesigns:所有的要素都在低水准及高水

平下做测试。

Fractional3kDesigns:所有的要素都在三种水准下测

试：低、中、高。

FractionaIFactoriaIExperimerit:名F分因子试验。DOE

的集合，只部分探究数个变量中的两种水准。用来遮蔽住许多

琐碎的变量，而集中焦点于主要控制过程的少而重要的变

量。

FuIIFactoriaIExperiment:全部因子试验。DOE的集

体，探究数个变量中的两种水准，并可取得对主要及相互影响

的结果之了解。

GageR&R(GageRepeatabiIityandReproducibiIity):

某分配的所有变异百分比的分析，此分配可归因于衡量系统

中的变异。

GageRepeatabiIity:当操纵者利用相同的gage衡量此

明显的特性时，可得到相同的变异。

GageReproducibiIity:当衡量相同部分的特性时,由不

同的操作者以相同的gage衡量其平均变异。

Generator:一个用来创造部分因子设计的相互影响作用。

GLM(GeneralLinearModeI):一个ANOVA的形式，可

允许实验设计中些许程度的不平衡。

HALT—HighlyAcceIeratedLifeTesting:为达可

靠的设计所用的数种方法中的一种。其概念为测试某产品致其

极端(失败)条件，找出失败的根本原因，改善设计，并重复

程序。

Histogramv:长条图。表示所搜集资料分布情形的条状

图O

Hypothesis:前提，假说。一项利用统计方法来测试的

声明。此假设可能被拒绝，或因无够充分的证据而被拒绝。

Interaction:在某情况下，一项因子对某结果影响的水

准不同于第二项因子的不同水准。有双向相互影响，三向相互

影响等。

IX-MR:IndividuaIXandMovingRange---卜有

连续数据点的控制曲线，并有点之间的等级图表。

Kutosis:峰度。是描述某变量所有取值分布形态陡缓程

度的统计量。峰度为0表示其数据分布与正态分布的陡缓程度

相同；大于0表示比正态分布高峰更加陡峭，为尖顶峰。

Level:某因子的数值或设定。可以是质（如：附加A

和附加B）或量（如：1000磅平方英口寸，2000平方英口寸）。

LSD（LatinSquareDesign）:一种实验■设计，研究

其中的一项重要变因，并排除两项干扰因素。

MainEffect:当一项因子由低水准改变至高水准时,

其对结果的改变。

MBB(MasterBlackBelt):6a的训练师和顾问师。

Mean:衡量一项变数的中间趋势。原点的第一项要素。

MeanSquare:在ANOVA表中的某栏，代表由不同来源

的变因导致结果的差异。

MeanSquareError:在ANOVA表中的某项，代表所有

因子在给定的水准下，结果所产生的差异。预测由于干扰（误

差）对结果产生的差异。

Minitab:目前许多人所选择的统计分析应用软件。

MultipleComparisonProcedure:一种用来决定因子

在何种水准下导致结果改变的统计方法。例如：Fisher法、

Duncan法、Scheffe法。

Multi-VariAnalysis:一种图解法，将过程中的变化

来源拆解为他们基本的组成成分。这种技巧用于初步移除多而

琐碎的因子，并准备替代的因子作为设计的实验。

MultivariateStatisticalMethods:统计工具，用

来分析一组变量以决定他们对数种结果的影响。包括一组多样

的统计工具，例如回归、成分法则、因子分析、群组、分别分

析。

NestedDesign:一项实验设计，其中一种因子因其它

变量而设定多种水准。例如：不同厂商提供不同批次。附加物

的不同水准等。

Noise:一过程中固有的变因。代表当不改变任何因素时，

结果的改变。

NormaIDistribution:常态分配，一种钟状的机率曲

线，描述许多自然的过程。当情况一再重复且平均发生时。

NormaIProbabiIityPlot:一种图标法，用来研究样

本是否来自一个常态分配的母体。通常用来检验利用AN0VA的

正确性。

One-WayAN0VA:分析单项因素在不同水准下所生的变

异。（见AN0VA）。

Optimization:从过程中找出最希望的结果下，其因子

和水准的组合。

ParetoChart:以一般公制