SPC实战案例：3个行业控制图选择与Minitab操作详解

去年有一家汽车零部件企业的质量总监找我，说产线100%全检，每个月检验成本80万，客户还是投诉批次不稳定。我看了数据就明白了——他们在检验产品，而不是控制过程。

100%全检只能发现问题，不能预防问题。更关键的是，他们的过程Cpk只有0.72，却在花大价钱检验本不应该生产出来的不合格品。导入SPC后，检验成本从80万降到15万，客户投诉从月均12次降到0次。

这篇文章把SPC的完整体系讲清楚：控制图怎么选、判异规则怎么用、Minitab怎么操作、过程能力怎么算、数据不服从正态分布怎么办。不讲空话，只讲你在工厂里用得上的东西。

第一章：SPC是什么——从"事后检验"到"事前预防"

SPC（Statistical Process Control，统计过程控制）是1924年休哈特在贝尔实验室发明的。核心工具是控制图，用3σ原则判断过程稳不稳。

产品质量的变异分两种。一种是普通原因变异——过程自带的随机波动，永远存在，只能通过系统性改进来减少。另一种是特殊原因变异——设备故障、材料变更、操作失误这种偶发因素。SPC的任务就是区分这两种变异，特殊原因一出现就报警。

正态分布下，99.73%的数据落在均值±3σ范围内。超出这个范围，大概率有特殊原因。控制图的上控制限UCL=均值+3σ，下控制限LCL=均值-3σ。数据在控制限内=过程受控；超出控制限=过程失控，需要立即调查。

SPC和传统检验的区别，看这张表就明白了：

对比项	传统检验	SPC	SPC优势
时机	事后（产品完成后）	事中（过程进行中）	提前预警
对象	产品	过程	根治问题
月成本	50-100万	5-15万	降本80%+
能力信息	无	提供Cpk指数	量化能力

第二章：做SPC之前——先验证测量系统

很多人跳过这一步直接画控制图，这是最常见的错误。测量系统本身误差很大，控制图就是废纸一张。

计量型数据用GR&R（Gage Repeatability and Reproducibility）评估测量系统。3个操作员、10个样本、每人测3次，算出GR&R百分比：

GR&R%	判定	行动
<10%	优秀	测量系统可接受，直接做SPC
10%-30%	可接受	可用，但需关注改进测量系统
>30%	不合格	必须改进测量系统后才能做SPC

Minitab操作路径：Stat > Quality Tools > Gage Study > Gage R&R Study (Crossed)。关于MSA的详细方法，详见MSA测量系统分析专题页。

第三章：8种控制图选择——先看数据类型，再看样本量

选控制图就两个维度：数据是什么类型？每次能抽几个样本？

计量型数据——可以连续测量的，比如长度25.3mm、重量10.5g。信息量丰富，优先使用。

计数型数据——离散计数的，比如不合格品数5件、缺陷数12个。信息量较少，但收集成本低。

计量型控制图选择

子组大小	控制图	适用场景	特点
n=1（单值）	I-MR图	每批只测1个、破坏性检验、自动检测	对异常敏感度较低
n=2-9	Xbar-R图（最常用）	每批抽4-5个，制造业80%场景	平衡敏感度和成本
n≥10	Xbar-S图	大样本，标准差比极差更稳定	计算稍复杂

计数型控制图选择

指标类型	样本量	控制图	场景举例
不合格品数	固定	nP图	每天检验100件，数不良几件
不合格品率	变化	P图	每天检验数量不固定
缺陷数	固定单位	C图	每块PCB的焊点缺陷数
单位缺陷数	变化单位	U图	不同面积钢板的缺陷数

特殊场景：多品种小批量怎么办？产品品种多、每批数量少，传统SPC控制图用不了。用Z-MR图（短制程控制图）。把不同品种的数据标准化为Z分数，消除品种间差异后建立控制图。Minitab路径：Stat > Control Charts > Variables Charts for Individuals > Z-MR。

控制图系数速查（Xbar-R图最常用n=5）

系数	n=3	n=4	n=5（最常用）	n=6
A2（Xbar图）	1.023	0.729	0.577	0.483
D3（R图下限）	0	0	0	0.030
D4（R图上限）	2.574	2.282	2.114	2.004

Xbar图控制限公式：UCL=X̿+A2×R̄，LCL=X̿-A2×R̄。R图控制限：UCL=D4×R̄，LCL=D3×R̄。X̿是子组均值的总平均，R̄是子组极差的平均值。n=5时：UCL=X̿+0.577×R̄，LCL=X̿-0.577×R̄。

第四章：8种判异规则详解

只看"点是否超出3σ"会漏掉很多早期信号。比如连续9点落在中心线同侧——虽然没超限，但过程均值已经偏移，再发展下去就会生产出不合格品。

8种判异规则（Western Electric Rules）覆盖偏移、趋势、周期、混合等异常模式：

规则	描述	异常类型	典型原因
规则1	1点超出3σ控制限	剧烈异常	设备故障、材料变更、操作失误
规则2	连续9点落在中心线同侧	均值偏移	刀具磨损、温度漂移、新操作员
规则3	连续6点递增或递减	趋势变化	模具磨损、化学溶液消耗、设备老化
规则4	连续14点交替上下跳动	过度调整	操作员频繁微调、两台设备交替加工
规则5	连续3点有2点在2σ外（同侧）	早期偏移	原材料批次变异、夹具松动
规则6	连续5点有4点在1σ外（同侧）	波动增大	设备精度下降、环境变化
规则7	连续15点在1σ内	数据分层	子组混入不同总体、数据被筛选
规则8	连续8点在1σ外且无1点在1σ内	双峰分布	两台设备/两个操作员数据混合

使用建议：规则1和规则2必用，规则3推荐（趋势预警），规则5推荐（早期发现）。其余根据行业特点选择。汽车行业通常使用全部8种规则。

第五章：数据不服从正态分布怎么办

计量型SPC的前提是数据服从正态分布。不满足这个前提，控制限计算就不准确，要么频繁误报警，要么该报警时不报。实际项目中约60%的计量型数据直接服从正态分布，30%可通过Box-Cox变换解决，10%需要使用Johnson变换或非参数方法。永远不要跳过正态性检验这一步——我见过太多企业因为数据非正态导致控制图持续误报警，最后放弃SPC。

第一步：Anderson-Darling正态性检验

Minitab路径：Stat > Basic Statistics > Normality Test。AD统计量小于临界值（α=5%）=数据服从正态分布，可以建控制图。AD统计量大于临界值=数据不服从正态分布，需要处理。

判断标准：原假设H₀是数据服从正态分布。p值>0.05时不能拒绝H₀，数据可认为正态。p值≤0.05时拒绝H₀，数据非正态。

第二步：Box-Cox变换处理非正态数据

Box-Cox变换是处理非正态数据的首选方法。Minitab会自动搜索最优λ值：

λ值	变换类型	适用场景
1	不变换	数据已正态
0.5	平方根变换	计数数据、泊松分布
0	对数变换	右偏分布（最常见）
<0	倒数类变换	速率数据、左偏分布

Minitab路径：Stat > Control Charts > Box-Cox Transformation。如果Box-Cox仍不能解决正态性问题，可考虑Johnson变换（适用更广泛的分布类型）或改用非参数控制图。

第六章：过程能力分析——Cp、Cpk、Pp、Ppk

控制图回答"过程稳不稳"，过程能力指数回答"稳的过程能不能满足客户要求"。两个必须一起做——过程可以稳但能力不足，也就是"稳定地生产不合格品"。

四个指数的区别

指数	公式	标准差来源	含义
Cp	(USL-LSL) / 6σwithin	组内变异（Rbar/d2）	潜在能力，不考虑偏移
Cpk	min[(USL-X̄)/3σ, (X̄-LSL)/3σ]	组内变异	实际能力，考虑波动+偏移
Pp	(USL-LSL) / 6σoverall	整体变异（样本标准差s）	长期潜在能力
Ppk	min[(USL-X̄)/3s, (X̄-LSL)/3s]	整体变异	长期实际能力

关键关系：Cpk≤Cp永远成立。Cp-Cpk的差值反映均值偏移程度，差值越大偏移越严重。Cpk与Ppk接近说明过程稳定；Ppk明显小于Cpk说明存在特殊原因变异。

Cpk判定标准与行业要求

Cpk值	判定	预计不良率	行动
≥1.67	优秀	<0.6 PPM	保持现状
1.33-1.67	合格	0.6-66 PPM	持续监控
1.00-1.33	需改进	66-6210 PPM	启动改善项目
<1.00	不合格	>6210 PPM	必须立即改进

汽车行业IATF 16949要求：关键特性Cpk≥1.67，一般特性Cpk≥1.33。这是汽车供应链的硬性要求，审核时必查。

第七章：3个完整实战案例（含Cpk前后数据）

案例1：汽车零部件企业——外径加工工序Xbar-R图应用

背景：某汽车零部件一级供应商，为博世供应转向节外径零件。规格要求φ25.00±0.03mm，即USL=25.03mm，LSL=24.97mm。客户要求Cpk≥1.67。2025年3月，客户审核发现该零件Cpk仅0.85，连续3批退货，面临暂停供货资格风险。企业之前的做法是全检，每月检验成本12万元。

Step 1：MSA验证（第1周）。用GR&R验证外径千分尺：3个操作员×10个样本×3次重复，GR&R=4.2%（<10%，优秀）。但发现一个操作员读数时视线角度不统一，导致系统误差。改进：制作测量定位支架，统一视线角度。

Step 2：数据收集与分析（第2周）。按每2小时抽1个子组、每组5件的频率，连续收集30个子组（150个数据点）。正态性检验：Anderson-Darling统计量=0.32，p>0.05，数据服从正态分布，无需变换。

Step 3：建立Xbar-R控制图（第3周）。Minitab输出：X̿=25.015mm，R̄=0.028mm。UCLx=25.031mm，LCLx=24.999mm，UCLr=0.059mm。R图发现第8、15、22子组极差超出UCL——追查是新供应商毛坯硬度波动大，来料增加硬度检验。Xbar图发现第18-24子组连续7点在中心线上方——追查是夜班操作员未按标准调整刀具补偿，编写《换班交接作业指导书》。

Step 4：重新计算控制限（第4周）。消除特殊原因后，重新收集25个子组：X̿=25.002mm，R̄=0.018mm。控制图稳定，无异常点。

Step 5：过程能力分析（第5周）。消除特殊原因后Cpk从0.72提升到1.29，但未达到客户要求的1.67。

指标	改善前	SPC阶段	变化
均值	25.015mm	25.002mm	更接近目标
平均极差R̄	0.028mm	0.018mm	↓36%
Cp	0.83	1.30	↑57%
Cpk	0.72	1.29	↑79%

Step 6：六西格玛DMAIC深度改进（第6-14周）。SPC只能维持稳定，要提升Cpk需要六西格玛DMAIC。D：CTQ明确为外径尺寸Cpk≥1.67。A：DOE全因子实验发现——切削速度（贡献率42%）和进给量（贡献率31%）是影响外径变异的主要因素，且存在交互作用。I：切削速度从180m/min调整到165m/min，进给量从0.2mm/r调整到0.15mm/r，刀具更换为涂层刀具。C：新参数下SPC监控，更新控制限。

指标	改善前	SPC后	DMAIC后
Cpk	0.72	1.29	1.78
Cp	0.83	1.30	1.82
预计PPM	25,000	82	<1
全检成本（月）	12万元	5万元	2万元

项目投入与回报：投入=刀具更换8万+培训3万+顾问5万=16万。年节约=检验成本(12-2)×12=120万+退货损失减少80万=200万/年。ROI=12.5倍。

经验：SPC消除特殊原因（Cpk 0.72→1.29），六西格玛优化普通原因（Cpk 1.29→1.78）。SPC维持，六西格玛突破，两者是组合拳。永远不要跳过MSA——这个项目如果MSA不合格，所有分析都是错的。

案例2：电子企业——PCB焊接不良率P图应用

背景：某EMS电子制造服务企业，为华为代工PCBA主板。波峰焊工序不良率长期维持在0.6%-0.8%，客户要求≤0.3%。每天生产数量不固定（800-1500片），适合用P图。

实施过程：每天分4个时段抽检，每时段随机抽取50片全检。连续收集20天数据，每天总检验数量在200-600片之间（样本量变化，用P图）。P图中心线P̄=总不良数/总检验数=186/8600=2.16%。注意P图的控制限每天不同（因为样本量n变化），这是正常现象。

控制图解读：发现第12-17天连续6个点呈递增趋势（违反规则3）。调查发现这段时间锡膏开封后使用超时——锡膏规定开封后24小时内用完，但实际用了48小时。根本原因：锡膏管理没有FIFO（先进先出），操作员图方便拿最近的用。

改进措施：锡膏柜增加电子标签，扫码记录开封时间。开封超24小时的锡膏系统自动锁定，无法领取。每班班前会强调锡膏时效管理。

指标	改善前	改善后
平均不良率P̄	2.16%	0.24%
UCL（平均）	4.12%	0.89%
最大单日不良率	4.8%	0.5%

经济效益：返修成本从每天1.2万元降到0.13万元，年节约390万元。客户投诉从月均8次降到0次。锡膏浪费从月均15瓶降到2瓶，年节约8万元。

经验：P图适合样本量变化的情况，控制限每天不同是正常现象。计数型数据虽然信息量不如计量型，但收集成本低、实施快。这个案例的真正贡献是发现了"锡膏管理"这个根本原因——没有SPC的递增趋势预警，可能要更久才能发现。防错（Poka-Yoke）比培训和检查更可靠——系统锁定比人工自觉更有效。

案例3：医疗器械企业——注射器推拉力I-MR图应用（含Box-Cox变换）

背景：某III类医疗器械企业，生产一次性注射器。关键质量特性：推拉力（推动活塞所需的力），规格要求2-15N。每个批次只测1个样品（破坏性测试），适合用I-MR图。推拉力数据呈明显右偏分布，不满足正态分布前提。

Step 1：正态性检验（第1周）。收集40个批次的推拉力数据，Anderson-Darling检验：AD统计量=2.847，临界值（α=5%）=0.75。AD>临界值→数据不服从正态分布（p<0.005）。直方图显示右偏，Q-Q图呈弧形偏离直线。

Step 2：Box-Cox变换（第1周）。Minitab自动搜索最优λ：最优λ=-0.35，95%置信区间[-0.62, -0.08]。选用λ=-0.35进行变换：Y'=(Y^(-0.35)-1)/(-0.35)。变换后Anderson-Darling检验：AD=0.42<0.75→变换后数据正态。

Step 3：建立I-MR控制图（变换后数据）（第2周）。Minitab操作：Stat > Control Charts > Variables Charts for Individuals > I-MR > 点击Box-Cox > 输入λ=-0.35。变换尺度下的控制限：I图UCL=1.245，CL=0.892，LCL=0.539。MR图UCL=0.512，CL=0.157，LCL=0。

控制图解读：I图发现第28批次的变换值超出UCL。反变换回原尺度：Y=[λ×Y'+1]^(1/λ)=[(-0.35)×1.245+1]^(1/-0.35)=18.3N。超出规格上限15N，是不合格品。调查发现：第28批次使用的硅油润滑剂涂抹量偏少，导致活塞与筒壁摩擦力增大。该批次已发出12万支，启动召回程序。

Step 4：改进措施（第3-4周）：硅油涂抹工序增加重量在线检测，偏差>5%自动停机。I-MR控制图纳入日常质量监控，每批1件必测。Box-Cox变换参数λ纳入控制计划文件。

指标	改善前	改善后
推拉力超标批次	8%（月均2-3批）	0%
I-MR异常报警	频繁	偶发（均为设备预警）
产品召回	1次（12万支）	0次

召回成本与SPC投入对比：召回直接成本约280万（物流+替换+客户赔偿），品牌损失无法估算。SPC系统投入=在线检测15万+Minitab 2万+培训3万=20万。SPC投入仅为召回成本的7%。

经验：非正态数据不要强行用标准SPC——必须先做正态性检验。Box-Cox变换是处理非正态数据的首选方法，Minitab自动搜索λ很方便。I-MR图对单值数据很有效，但敏感度低于Xbar-R图。这个案例说明：SPC不仅是质量工具，更是风险管理工具——一次召回损失280万，SPC投入仅20万。医疗器械行业，SPC是FDA审核的加分项，有完整SPC体系的企业更容易通过审核。

第八章：抽样策略——子组大小与频率

子组内数据的基本原则：短周期、同质

子组内的数据必须在同一条件下采集，这是SPC有效性的前提：同一操作员（不同操作员的手法差异属于子组间变异）、同一设备（多台设备的数据应分开建控制图）、同一批次原材料（不同批次材料差异应体现在子组间）、相邻时间（子组内数据采集间隔不超过1小时）。

常见错误：把白班和夜班的数据放在同一子组。这样R图会虚高，控制限变宽，导致漏报警。

子组大小n的选择

子组大小n	优点	缺点	推荐场景
2-3	成本低、灵活性高	对异常敏感度低	高价值产品、破坏性检验
4-5（推荐）	平衡敏感度和成本	无明显缺点	大多数场景
6-10	对异常敏感、σ估计准	成本高	关键特性、高产量工序
≥10	最精确的σ估计	成本高、延迟发现	用Xbar-S图替代Xbar-R图

抽样频率的确定

抽样频率取决于两个因素：过程能力和检验成本。

当前Cpk	建议抽样频率	每次样本量	说明
≥1.67	每班次1次	5件	过程稳定，低频监控即可
1.33-1.67	每班次2-3次	5件	过程良好，中频监控
1.00-1.33	每2小时1次	5件	过程需改进，高频监控防失控
<1.00	每小时1次或100%检验	5件	过程不合格，需立即改进

初始数据收集要求

建立控制图前，需要收集足够的数据：最少25个子组（n=5时共125个数据点），推荐30-50个子组（150-250个数据点）。收集期间过程必须稳定（无设备故障/材料变更）。如果收集期间发生了设备故障、材料变更等，这些子组的数据应排除，重新收集。

第九章：实施SPC的5个最常见错误

错误1：数据不检验正态性就直接建控制图

后果：非正态数据的控制限计算不准确，导致频繁误报警（虚发警报）或漏报警（漏发警报）。正确做法：先用Anderson-Darling检验正态性。p≤0.05时做Box-Cox变换后再建控制图。真实案例：某企业SPC系统持续报警，操作员疲于应付，最后放弃使用。后来分析发现数据右偏严重（AD=3.2），做Box-Cox变换后报警率从每天5次降到每月2次。

错误2：子组内混入特殊原因变异

典型场景：把两台设备的数据放在同一子组；把白班和夜班的数据放在同一子组；把不同供应商的原材料数据放在同一子组。后果：R图虚高，控制限变宽，特殊原因被"淹没"，SPC失去预警能力。正确做法：每台设备、每班、每套模具分别建控制图。多设备场合用"标准化控制图"合并监控。

错误3：只做控制图不做过程能力分析

后果：过程很稳定（控制图上无异常），但Cpk只有0.8——过程在"稳定地生产不合格品"。正确做法：控制图稳定后，必须做过程能力分析。Cpk<1.33时启动六西格玛DMAIC改进项目。经典名言："A process can be in control but not capable."（过程可以受控但能力不足。）

错误4：控制限长期不更新

后果：过程已经改进（均值降低、波动减小），但仍在用旧的宽控制限，导致SPC敏感度下降，不能及时发现新的异常。正确做法：建议每季度更新一次控制限。以下情况应立即更新：完成六西格玛改进项目后、设备大修或更换后、工艺参数大幅调整后、原材料供应商变更后。

错误5：发现异常不找原因，而是删数据或调参数应付

后果：SPC沦为"粉饰太平"的工具，失去预警价值。久而久之，所有人都知道"只要数据不好看就删掉"，SPC形同虚设。正确做法：建立SPC失控反应计划——发现异常→操作员立即停止生产并标记产品→30分钟内班组长到现场初步调查→2小时内质量工程师找根因（5Why/鱼骨图）→4小时内实施纠正措施并记录→24小时内验证措施有效性→未解决升级到管理层。

第十章：常见问题

SPC统计过程控制是什么？

SPC（Statistical Process Control）是利用统计方法监控过程稳定性的技术。核心工具是控制图，通过3σ原则判断过程是否受控。SPC不是检验产品，而是监控过程，在问题发生前预警。当数据点超出控制限或出现非随机模式时，说明存在特殊原因变异，需要立即调查。

SPC控制图怎么选？

选择控制图看两个维度：数据类型和样本量。计量型数据（连续测量值）：单值用I-MR图，子组2-9用Xbar-R图，子组≥10用Xbar-S图。计数型数据（离散计数）：不合格品数且样本固定用nP图，不合格品率且样本变化用P图，缺陷数且单位固定用C图，单位缺陷数且单位变化用U图。多品种小批量可用短制程控制图（Z-MR图）。

SPC判异规则有哪些？

Western Electric 8种判异规则：规则1-1点超出3σ控制限；规则2-连续9点落在中心线同侧；规则3-连续6点递增或递减；规则4-连续14点交替上下跳动；规则5-连续3点中有2点落在2σ外；规则6-连续5点中有4点落在1σ外；规则7-连续15点落在1σ内；规则8-连续8点落在1σ外且无1点在1σ内。

SPC数据不满足正态分布怎么办？

计量型SPC的前提是数据服从正态分布。首先用Anderson-Darling检验或Shapiro-Wilk检验判断正态性。若p值<0.05则非正态，三种处理方法：1）Box-Cox变换（λ≠0时Y'=(Y^λ-1)/λ，λ=0时取对数）；2）Johnson变换（适用更广泛的分布类型）；3）改用非参数控制图（如基于中位数的控制图）。Minitab路径：Stat>Quality Tools>Individual Distribution Identification。

SPC控制限怎么计算？

Xbar-R图控制限公式：Xbar图UCL=X̿+A2×R̄，LCL=X̿-A2×R̄，CL=X̿；R图UCL=D4×R̄，LCL=D3×R̄，CL=R̄。其中X̿为子组均值的总平均，R̄为子组极差的平均值。常用系数：n=5时A2=0.577、D3=0、D4=2.114。注意控制限基于过程变异计算，与规格限USL/LSL不同。

Cp和Cpk有什么区别？怎么算？

Cp=(USL-LSL)/6σ，仅衡量过程潜在能力，不考虑均值偏移。Cpk=min[(USL-X̄)/3σ,(X̄-LSL)/3σ]，衡量实际能力，同时考虑波动和偏移。Cpk≤Cp永远成立。判定标准：Cpk≥1.67优秀，1.33-1.67合格，1.0-1.33需改进，<1.0不合格。汽车行业IATF 16949要求关键特性Cpk≥1.67，一般特性≥1.33。

SPC子组大小和抽样频率怎么确定？

子组大小n通常取4-5（平衡敏感度和成本）。子组内必须短周期同质——同一操作员、同一设备、同一批次、相邻时间。抽样频率取决于过程能力和成本：Cpk>1.67可每班1次，1.33-1.67每班2-3次，1.0-1.33每2小时1次，<1.0需100%检验或每小时1次。初始阶段收集至少25个子组（100-125个数据点）才能计算可靠的控制限。

SPC在什么行业应用？

SPC广泛应用于制造业：汽车零部件（IATF 16949强制要求）、电子组装（PCB焊接、SMT贴片）、半导体（晶圆良率监控）、医疗器械（ISO 13485过程验证）、光伏（硅片TTV控制）、食品（HACCP关键控制点）。服务业也可应用：银行交易处理时间、医院检验周转时间、物流配送时效等。只要有可重复的过程和可测量的输出，就能用SPC。

SPC实施5个最常见错误是什么？

错误1-数据不检验正态性直接用计量型控制图；错误2-子组内混入特殊原因变异（如不同设备、不同班次的数据放在同一子组）；错误3-只做控制图不做过程能力分析（过程稳但可能稳定地生产不合格品）；错误4-控制限长期不更新（过程改进后应重新计算）；错误5-发现异常不找根本原因而是删数据或调设备应付检查。

SPC和Minitab怎么用？

Minitab是SPC行业标准工具，操作路径：Stat>Control Charts>Variables Charts for Subgroups>Xbar-R。输入数据列和子组大小即可生成控制图，自动标注异常点。企业日常使用Minitab进行SPC分析和过程能力评估。关于Minitab操作的详细步骤，本文各章节已分别说明。

第十一章：SPC实施检查清单

以下是SPC推行的7个步骤34个检查项，可直接用于企业内部审核和推行参考。

Phase 1：准备阶段（检查项1-6）

1. 确定SPC推行的关键质量特性（CTQ）清单
2. 每个CTQ明确规格限（USL/LSL）和目标值
3. 完成MSA测量系统分析（GR&R<30%，推荐<10%）
4. 确定控制图类型（Xbar-R/I-MR/P/nP/C/U）
5. 确定子组大小（推荐n=4-5）和抽样频率
6. 编写SPC抽样计划文件

Phase 2：数据收集阶段（检查项7-12）

7. 收集至少25个子组（推荐30-50个）
8. 数据收集期间过程稳定（无设备故障/材料变更）
9. 子组内数据短周期同质（同一设备/操作员/批次）
10. 进行Anderson-Darling正态性检验
11. 非正态数据完成Box-Cox或Johnson变换
12. 数据记录完整，可追溯（时间/设备/操作员）

Phase 3：控制图建立阶段（检查项13-18）

13. 计算控制限（UCL/CL/LCL）
14. 绘制控制图（Xbar图+R图，或I图+MR图）
15. 应用8种判异规则检查异常
16. 消除特殊原因后重新计算控制限
17. 控制图稳定（连续25点无异常）
18. 编写控制图作业指导书

Phase 4：过程能力阶段（检查项19-22）

19. 计算Cp、Cpk、Pp、Ppk
20. Cpk≥1.33（或满足客户要求）
21. 若Cpk<1.33，启动六西格玛DMAIC改进
22. 编写过程能力分析报告

Phase 5：日常监控阶段（检查项23-27）

23. 操作员培训考核合格
24. 每班次/每时段按抽样计划采集数据
25. 实时绘制控制图，标注异常点
26. 发现异常立即启动反应计划
27. 异常处理记录完整（原因/措施/验证）

Phase 6：评审维护阶段（检查项28-31）

28. 每周评审SPC状态
29. 每月统计异常次数和处理及时率
30. 每季度更新控制限
31. 过程变更后（设备/材料/参数）重新收集数据

Phase 7：持续改进阶段（检查项32-34）

32. 每年评估SPC覆盖范围，扩展新CTQ
33. Cpk<1.67的工序列入六西格玛改进计划
34. SPC与MES/QMS系统集成（自动化数据采集）

SPC不是一张图，而是一种思维范式——从"事后检验产品"升级到"事前控制过程"。掌握SPC，你就能在问题发生前预警，在客户投诉前改进，在批量报废前止损。

本文覆盖了SPC的完整体系：8种控制图选择决策树、8种判异规则详解、Minitab操作步骤、正态性检验与Box-Cox变换、过程能力指数Cp/Cpk、3个完整实战案例（含Cpk前后真实数据）、抽样策略指导、5个常见错误与规避方法、以及34项SPC实施检查清单。

如果你的企业正在考虑推行SPC，建议从1-2个关键工序开始试点，积累经验和信心后再逐步扩展。如需SPC培训或企业辅导支持，张驰咨询提供从绿带到黑带的系统培训课程，以及企业级SPC推行方案定制。

+ 获取《SPC实施检查清单》完整PDF版

致电 400-889-8319 或点击在线咨询，索取SPC实施检查清单PDF版本（含填写模板和示例，可直接用于企业内部推行）。

+ 相关阅读

MSA测量系统分析完全指南 | DOE实验设计完全指南 | FMEA失效模式分析 | CPK过程能力指数详解 | 六西格玛黑带培训

本文为www.6sigmambb.net独家首发，转载请注明出处。