SPC 知识库 / Knowledge Base

Statistical Process Control Manual 统计过程控制手册 · 第1版 Process Management | Performance and Capability | Control Charts 过程管理 | 性能与能力 | 控制图 Automotive Industry Action Group & Verband der Automobilindustrie | February 2026

Chapter 1 Scope / 范围 Chapter 2 Standards and Guidelines / 标准与指南 Chapter 3 Terms and Definitions / 术语与定义 Chapter 4 Statistical Process Management/Control / 统计过程管理/控制 Chapter 5 Requirements for SPC Applications / SPC应用要求 Chapter 6 Overview of Methods / 方法概述

Chapter 7 Machine Performance / 机器性能 Chapter 8 Process Performance and Capability / 过程性能与能力 Chapter 9 Control Charts for SPC / 控制图 Chapter 10 Software Tools / 软件工具 Chapter 11 Documentation / 文件化

手册背景 本AIAG-VDA SPC手册由美国汽车工业行动集团(AIAG)与德国汽车工业协会(VDA)联合开发， 于2026年2月发布第1版。该手册替代此前AIAG与VDA各自发布的SPC相关出版物， 为全球汽车行业提供统一的统计过程控制方法论和标准。 核心目标 · 减少过程变异，提升过程知识水平 · 以统计技术驱动过程控制与持续改进 · 实现成本效益最优、准时高效的生产过程控制 · 为过程资格认定和过程控制提供国际协调统一的推荐方法 · 推动供应链全环节的质量保证能力提升

核心新增/变更内容 1. 引入完整的质量控制回路(Quality Control Loops)概念框架 - SPC控制 | 质量符合性门 | 回顾性过程控制 | 产品审核 | 过程审核 | 体系审核 2. 新增角色与能力矩阵(Roles & Competencies in SPC) 3. 完善了GD&T/MMC/LMC相关的机器性能评估方法 4. 引入时间依赖分布模型(Time-Dependent Distribution Models) 5. 增强失控行动计划(OCAP)指导 6. 补充多维/多变量特性机器性能评估方法 7. 统一了Cp/Cpk与Pp/Ppk的目标值调整机制 8. 引入Within Capability (Cwk)新概念，用于诊断性分析

手册适用范围说明 本手册适用于汽车行业全供应链的各环节组织。 手册内容覆盖： 1. 基本统计方法介绍 - 用于持续监控和维护生产过程稳定性、能力或性能的统计方法 2. 过程资格认定(Qualification) - 机器性能研究(Machine Performance Study)的方法论和要求 3. 过程控制(Process Control) - 各类质量控制图(QCC)的应用，包括变量控制图和属性控制图 4. 能力/性能指数 - Cp, Cpk, Pp, Ppk, Pm, Pmk, Cwk等指数的定义与计算方法 5. 异常值处理 - 异常值的定义、识别与处理方法

什么是SPC？ 统计过程控制(Statistical Process Control)是 一组专注于使用统计技术来： · 减少变异 (Reduce Variation) · 增加过程知识 (Increase Knowledge) · 以期望方式引导过程 (Steer the Process) SPC的目标是： 通过统计方法实现成本效益最优、准时高效的 生产过程控制，达成预设的质量水平。 Statistical Process Controlis a set of activities focusedon the use of statisticaltechniques to reducevariation, increase knowledgeabout the process and steerthe process in the desiredway.— ISO 3534

ISO 9000 Quality Management Systems - Fundamentals and Vocabulary ISO 9001 Quality Management Systems - Requirements ISO 3534 Statistics - Terms and Definitions IATF 16949 Automotive Quality Management System Requirements VDA 1 Documented Information and Retention VDA 6 Certification Requirements ISO 22514 Statistical methods in process management - Capability and performance AIAG CQI-28 ISO 7870 Control Charts (Parts 1-9) ISO 11462 Guidelines for implementation of SPC VDA Volume 5 Measurement and Inspection Processes AIAG Measurement Systems Analysis (MSA)

主动预防 vs 被动检测 核心思想：从检测到预防的转变 质量保证(QA) vs 质量控制(QC) 质量保证 QA: 关注过程，预防问题发生 · 建立稳健的过程控制体系 · 在问题出现前识别并消除风险 · 强调'首次做对'的文化 质量控制 QC: 关注产品，检测已发生的问题 · 依赖检验和测试发现缺陷 · 问题已经产生且造成成本 · 事后补救而非事先预防 Quality Assurance 质量保证 ✓ 过程导向✓ 主动预防✓ 根因消除✓ 持续改进✓ 防错机制 Quality Control 质量控制 △ 产品导向△ 事后检测△ 筛选剔除△ 拦截缺陷△ 检验依赖

PDCA循环

1 PLAN 策划 识别改进机会设定目标与指标制定行动计划确定所需资源 2 DO 实施 执行计划收集数据记录过程培训人员 3 CHECK 检查 分析数据评估效果对比目标识别偏差 4 ACT 处置 标准化成功经验纠正偏差更新文件进入下一循环

四大核心要素

1 1. 过程本身 (The Process) 过程是将输入转化为输出的活动集合。理解过程的输入、输出、资源和控制因素是实现有效SPC的基础。 2 2. 性能信息 (Information About Performance) 通过测量系统采集过程数据，将数据转化为可操作的信息，为决策提供依据。 3 3. 对过程采取行动 (Action on the Process) 基于数据分析结果，对过程参数进行调整，消除特殊原因变异，优化过程表现。 4 4. 对输出采取行动 (Action on the Output) 当过程输出不符合要求时，对产品采取隔离、返工或报废等措施，防止不合格品流入下游。

六层质量控制回路体系 AIAG-VDA SPC 2026引入的六层质量控制回路体系： 回路1: 统计过程控制 (SPC) 最内层、最快速的反馈回路，基于控制图实时监控过程 回路2: 质量符合性门 (Quality Conformance Gates) 按批次或时间隔进行的产品质量验证 回路3: 回顾性过程控制 (Retrospective Process Control) 定期（如每日/每周）审查控制图，识别趋势和模式 回路4: 产品审核 (Product Audits) 对已完成产品进行独立评估，验证质量水平 回路5: 过程审核 (Process Audits) 对制造过程进行系统性评估（如VDA 6.3审核） 回路6: 体系审核 (System Audits) 最外层、最全面的评估，验证质量管理体系有效性

SPC应用的前置准备工作 成功应用SPC需要进行系统的准备工作，包括以下关键步骤： 1. 明确产品规格要求 (Clear Product Specifications) 2. 确保有效的测量与检验过程 (Valid and Capable Measurement Processes) 3. 完成过程表征 (Process Characterization) 4. 制定生产与检验计划 (Production & Inspection Planning) 5. 建立失控行动计划 (OCAP Development) 6. 编制控制计划 (Control Plan Creation) 7. 明确角色分配与能力要求 (Roles & Competencies Definition) 这些准备工作应在批量生产启动之前完成，确保SPC能够有效实施。

明确产品规格与公差原则 公差原则 (Tolerancing Principles): 1. 公差带应反映功能需求 - 基于产品功能和装配要求确定公差 2. 考虑测量不确定度 - 验收限应考虑扩展测量不确定度UMP 3. 公差与过程能力匹配 - 公差带应宽于过程变异范围(6σ) 4. 责任原则明确 - 设计负责确定公差 - 制造负责满足公差 - 质量负责验证符合性 公差-测量-过程的关系 验收限 = 公差 ± 扩展测量不确定度(UMP) 只有当过程能力充分(Cp≥目标值) 且过程稳定受控时， 才能确保合格产品持续产出。 关键公式： Cp = (USL-LSL) / (6σ̂) Cpk = min[(USL-μ)/(3σ̂), (μ-LSL)/(3σ̂)]

有效的测量与检验过程 SPC的前提是可靠的测量系统： 测量系统分析(MSA)要求： · 测量设备经过校准且可溯源 · 测量系统能力指标满足要求 - %GR&R ≤ 10%: 可接受 - %GR&R 10-30%: 有条件接受 - %GR&R > 30%: 不可接受 · 测量不确定度已知且受控 关键要求： 扩展测量不确定度UMP应小于容差 的适当比例，以确保可靠的合格判定。 Measurement SystemAnalysis (MSA)参考标准：VDA Volume 5AIAG MSA ManualISO 22514-7测量系统能力指标：· Cg / Cgk (Type 1)· %GR&R (Type 2/3)· 偏倚 / 线性 / 稳定性

5.4 过程表征 目的：深入理解过程行为和变异来源 关键活动： · 识别关键输入变量(KPIV) · 识别关键输出变量(KPOV) · 确定变异来源(人机料法环测) · 评估过程稳定性 · 与产品特殊特性的关联分析 · 过程FMEA的输出作为输入 5.5 生产与检验计划 制定SPC实施的具体操作方案 计划内容： · 检验特性清单及重要性分级 · 抽样频率和子组大小确定 · 适用的控制图类型选择 · 测量设备和方法的指定 · 数据采集和记录方式 · 反应计划(Reaction Plan)

失控行动计划 OCAP定义： 当控制图出现失控信号时， 执行的一套预定义的、结构化的行动方案。 OCAP的核心要素： 1. 失控信号识别 - 点超出控制限 - 非随机模式（链、趋势、周期等） 2. 立即响应措施 - 隔离受影响产品 - 通知相关人员 3. 根本原因分析 - 使用问题解决方法（8D, 5Why等） 4. 纠正与预防措施 - 消除特殊原因并防止复发 OCAP最佳实践✓ 预先制定、预先培训✓ 明确责任人✓ 设定响应时间要求✓ 包含升级路径✓ 定期审核和更新✓ 与FMEA和控制计划联动OCAP是连接"检测"与"纠正"的桥梁，是SPC有效性的关键保障

控制计划的SPC相关内容 控制计划是APQP的重要输出文件，SPC相关要求应在控制计划中明确体现： 控制计划中的SPC要素： · 特殊特性标识（CC/SC）及其控制方法 · 适用的SPC工具类型（控制图类型） · 抽样方案（样本量、抽样频率） · 测量方法与设备 · 控制限计算方法 · 反应计划(Reaction Plan) - 当控制图指示不稳定时采取的措施 · 责任人 控制计划应随过程变化（如新变异来源、过程改进等）及时更新。

SPC实施中的关键角色 SPC实施涉及多角色协作： 管理/规划层角色： · 质量规划专家 / 过程负责人 · 产品开发 / 工程师 · 制造过程规划 / 工艺工程师 · 检验过程规划者 执行层角色： · 设备采购者 · 线长/班组长 (Line Supervisor) · 线操作员 (Line Operator) 各角色需具备相应的SPC能力水平， 包括质量管理、技术统计、机器性能、 过程性能、控制图定义/使用等方面的知识。 能力维度 1. 质量管理 - QM基础知识 2. 技术统计 - 统计原理与方法 3. 机器性能 - Pm/Pmk研究 4. 过程性能 - Pp/Ppk/Cp/Cpk 5. 关键参数理解 - 变异来源 6. 控制图定义 - 选型与设计 7. 控制图使用 - 监控与判读 不同角色对各维度能力水平 要求不同：从基础认知到 熟练应用到专家级水平。

核心区别理解 过程性能 Performance: · 使用符号: Pp, Ppk · 反映过程"实际表现" · 使用总过程变异(Overall σ) · 包含组内变异+组间变异 · 适用于过程初始评估 · 反映"过程能做什么" 过程能力 Capability: · 使用符号: Cp, Cpk · 反映过程"固有潜力" · 使用组内变异(Within σ) · 仅包含固有/随机变异 · 适用于稳定受控过程 · 反映"过程能做多好" 关键理解：Pp/Ppk ≥ Cp/Cpk总是成立因为：总变异(Overall)≥ 组内变异(Within)当Pp/Ppk ≈ Cp/Cpk时：→ 过程稳定，组间变异小→ 过程处于良好受控状态→ 可以使用Cp/Cpk监控当Pp/Ppk >> Cp/Cpk时：→ 组间变异显著→ 需要改进过程稳定性

机器性能研究概述

1 研究目的 评估仅由机器本身引起的过程变异，排除材料、人员、环境等其他因素的影响。 2 研究时机 新设备验收时、设备大修后、设备搬迁后、批量生产批准前。 3 关键指标 Pm (机器性能指数)、Pmk (最小机器性能指数)，通常要求 Pmk ≥ 1.67。 4 样本要求 通常需要50-125个连续零件，材料批次和条件保持一致，测量系统已验证。 5 评估内容 定性稳定性分析（趋势图）+ 统计分布评估 + 性能指数计算。

控制图分类体系 控制图是SPC的核心工具，按数据类型分类： 连续数据(变量)控制图： · Xbar-R 图 (均值-极差图) · Xbar-s 图 (均值-标准差图) · I-MR 图 (单值-移动极差图) · Median-R 图 (中位数-极差图) 离散数据(属性)控制图： · p 图 (不合格品率图) · np 图 (不合格品数图) · c 图 (缺陷数图) · u 图 (单位缺陷数图) 控制图选用决策逻辑 选择控制图的步骤： 1. 数据类型？ 连续 → 变量控制图 离散 → 属性控制图 2. 子组大小？ n=1 → I-MR图 n=2-6 → Xbar-R图 n>6 → Xbar-s图 3. 检测灵敏度需求？ 高 → EWMA/CUSUM图 常规 → Shewhart图

异常值(Outlier)定义： 明显偏离数据集中其他观测值的数据点。 异常值来源： 1. 测量错误（读数、记录、传输错误） 2. 过程异常（设备故障、材料变化等） 3. 自然极端值（概率分布尾部的正常值） 处理原则： · 不可简单删除异常值！ · 必须调查原因 · 测量错误 → 更正或剔除 · 过程异常 → 排除该时段数据重新收集 · 自然极端值 → 保留并使用稳健统计方法 · 所有处理决定必须记录和说明理由 ⚠ 异常值处理不当的风险 不当处理导致的后果： · 错误估计过程变异 · 不正确的控制限 · 掩盖真实的过程问题 · 误导过程改进方向 · 能力和性能指数失真 正确的处理流程： 1. 检测 → 2. 调查 → 3. 判定 → 4. 处理 → 5. 记录 常用检测方法： · 箱线图(Box Plot) · 3σ准则 (3倍标准差) · Grubbs检验 · Dixon Q检验

通用几何方法 过程能力指数 (Capability): Cp = (USL - LSL) / (6 × σ̂within) Cpk = min(Cpk_upper, Cpk_lower) Cpk_upper = (USL - μ̂) / (3 × σ̂within) Cpk_lower = (μ̂ - LSL) / (3 × σ̂within) 过程性能指数 (Performance): Pp = (USL - LSL) / (6 × σ̂overall) Ppk = min(Ppk_upper, Ppk_lower) Ppk_upper = (USL - μ̂) / (3 × σ̂overall) Ppk_lower = (μ̂ - LSL) / (3 × σ̂overall) 机器性能指数: Pm = (USL - LSL) / (6 × σ̂machine) Pmk = min(Pmk_upper, Pmk_lower) 指数解读 指数值越大越好: ≥ 1.67: 优秀 (Excellent) 1.33 - 1.67: 良好 (Good) 1.00 - 1.33: 临界 (Marginal) < 1.00: 不足 (Inadequate) Cp/Cpk关系诊断: Cp ≈ Cpk: 过程居中良好 Cp >> Cpk: 过程偏移(偏离目标) 注意: Cpk永远 ≤ Cp Ppk永远 ≤ Pp 单边公差仅计算对应侧指数

新增的诊断性指标 Within Capability是AIAG-VDA SPC 2026新增概念： 定义： 仅基于子组内变异(within-subgroup variation) 的过程特性产出统计度量。 公式：Cw = (USL - LSL) / (6 × σ̂within-subgroup) Cwk = min(Cwk_upper, Cwk_lower) 与Cp/Cpk的区别： · Cp/Cpk使用"组内变异+组间变异" · Cw/Cwk仅使用"纯粹的子组内变异" 诊断价值： Cwk >> Cpk → 组间变异显著 → 需要改进过程稳定性 Cwk ≈ Cpk → 组间变异小 → 过程处于良好受控 变异来源分解总变异 = 组内变异 + 组间变异Cw/Cwk → 仅考虑组内变异 (短时能力)Cp/Cpk → 考虑组内+组间 (长期能力)Pp/Ppk → 考虑全部变异 (实际表现)一般关系：Cw ≥ Cp ≥ PpCwk ≥ Cpk ≥ Ppk

1 目的 机器性能研究用于评估仅由机器本身引起的变异，验证机器在理想条件下能否满足规格要求。 2 应用场景 新机器验收、大修后验证、搬迁后确认、过程开发阶段设备选型评估。 3 核心输出 机器性能指数Pm和Pmk，以及定性稳定性分析结果（运行图/趋势图）。 4 与过程能力的区别 机器性能排除材料批次差异、操作人员差异、环境变化等外部因素，仅聚焦机器本身的性能表现。

关键准备事项 样本量: 标准推荐50件连续零件 最少30件（需调整目标值） 材料: 使用同一批次材料 材料符合规格要求 测量系统: 已完成MSA验证 测量不确定度已知 操作与生产条件 标准操作条件下运行 加工参数按规范设定 工装/夹具: 使用批量生产用工装 工装状态合格 环境条件: 记录温度、湿度等条件 条件保持稳定 可选预生产运行: 排除启动异常效应 5-10%的初始零件可排除

执行机器性能研究 执行步骤： 1. 数据可追溯性 - 记录零件加工顺序 - 关联测量值与加工时间 2. 测试件存储与隔离 - 标注零件编号 - 防止混料和丢失 3. 数据采集与存储 - 按加工顺序记录测量值 - 确保数据完整性和准确性 4. 统计分析 4.1 定性稳定性分析（运行图/趋势分析） 4.2 统计分布评估（正态性检验等） 4.3 性能指数计算（Pm, Pmk） 数据质量要求 数据完整性检查清单： □ 零件按加工顺序编号 □ 测量设备已校准 □ 测量值精确记录（保留足够小数位） □ 记录操作者/时间/条件 □ 异常情况已标注 □ 数据未被人为筛选 统计分析前检查： □ 数据文件完整性 □ 异常值识别与处理 □ 分布假设验证

机器性能指数要求

小样本量时的目标值调整： 由于样本量减少会导致指数估计的不确定性增大， 需要提高能力指数目标值作为补偿。 调整公式： Pm_target_adj = Pm_target_standard + adjustment(n) Pmk_target_adj = Pmk_target_standard + adjustment(n) 其中adjustment(n)取决于样本量和置信水平。 越小的样本量需要越大的调整量。 建议优先使用标准样本量(50件)，仅在确实受限时使用小样本方案。 使用小样本方案必须在报告中注明样本量和调整后的目标值。

多工序加工与多变量特性 7.5.1 多工序加工 (Multi-Stage Machining): 当一个零件经过多个工序/工位加工时， 需要分别评估每个工序的机器性能。 方法： · 识别所有加工工序及其顺序 · 为每个工序指定检验范围 · 分别采集各工序数据并计算Pm/Pmk · 综合考虑各工序能力 7.5.2 多变量特性 (Multivariate): 当存在多个相关特性时，需要评估多维 机器性能。使用二维或多维公差区域的 Pm/Pmk计算方法。 7.5.3 GD&T / MMC / LMC 几何尺寸与公差(GD&T)与最大/最小 实体条件(MMC/LMC)： · 当使用GD&T标注时 · 当使用MMC/LMC修正时 · 需要考虑\“奖励公差\”效应 MMC/LMC影响： 实际公差 = 标注公差 + 奖励公差 例如：孔φ10±0.1 @MMC 孔实际φ10.05时，奖励0.05公差 评估Pm/Pmk时应使用有效公差

概述与数据采集 过程能力研究的目的： 验证制造过程在批量生产条件下能否持续 稳定地产出符合规格要求的产品。 与机器性能的区别： · 机器性能 → 仅评估机器 · 过程能力 → 评估整个制造过程 (包含人、机、料、法、环、测全部因素) 数据采集策略： · 覆盖多个班次/多天生产 · 反映正常的长期变异来源 · 子组内体现短时变异 · 子组间体现长时变异 抽样方案设计关键考虑因素：1. 抽样频率 · 覆盖过程自然变化周期 · 确保捕捉到所有变异来源2. 子组大小(n) · n=1: I-MR图 · n=2-6: Xbar-R图 · n>6: Xbar-s图3. 子组数量(k) · 最少25个子组 · 建议≥100个子组4. 总样本量 · 最少125个数据点

执行过程能力研究

1 制定计划 确定特性清单选择抽样方案验证测量系统 2 数据采集 按计划抽样记录测量值标注异常事件 3 稳定性分析 绘制运行图绘制控制图评估过程稳定性 4 分布评估 正态性检验选择合适的分布模型 5 指数计算 计算Pp/Ppk计算Cp/Cpk(如过程稳定) 6 报告与决策 编制能力报告与目标值对比确定后续行动

时间依赖分布模型 AIAG-VDA SPC 2026引入时间依赖分布模型概念（依据ISO 22514-2）： 五种基本时间依赖模型： A型：恒定过程，无显著时间趋势 - 过程位置和变异量在时间上保持稳定 B型：过程位置随时间漂移（如刀具磨损） - 趋势性的、可预测的位置变化 C型：过程位置和/或变异发生跳跃变化 - 如换班、换料引起的阶跃变化 D型：过程存在周期性变化 - 如季节性、周期性因素引起的变化 E型：过程存在混合分布 - 多个子过程或模式混合（如多腔模具） 理解时间依赖模型有助于选择合适的控制图类型和数据采集策略。

过程相关 vs 公差相关控制 两种不同的控制理念： 过程相关控制 (Process-Related): · 控制限基于过程本身的数据计算 · 关注过程是否"统计受控" · 控制限 = 过程均值 ± 3σ · "窄控制限"，对过程变化敏感 · 目标是识别特殊原因变异 公差相关控制 (Tolerance-Related): · 控制限基于规格限计算 · 关注产出是否"符合规格" · 控制限 = 规格限的一定比例 · "宽控制限"，对过程变化不敏感 · 目标是防止产出不合格品 选择建议 优先使用过程相关控制图： · 能更早发现过程异常 · 支持持续改进活动 · 减少不必要的调整 公差相关控制图的适用场景： · 过程能力极高时 (Cp/Ppk >> 2.0) · 特殊的高风险特性 · 客户特殊要求

回顾性控制图 vs SPC控制图

控制图的八项判异准则 稳定性判据（以Western Electric规则为基础）： 准则1: 1点超出3σ控制限 → 最直接的失控信号 准则2: 连续9点在中心线同一侧 → 过程位置发生偏移 准则3: 连续6点递增或递减 → 过程存在趋势变化 准则4: 连续14点交替上下 → 系统性变异模式 准则5: 连续3点中有2点超出2σ → 过程变异增大预警 准则6: 连续5点中有4点超出1σ → 过程位置偏移预警 准则7: 连续15点在1σ内 → 异常的低变异(分层效应) 准则8: 连续8点无任何在1σ内 → 混合分布或过度控制 ⚠ 判读注意事项 · 多个准则同时触发 → 高置信度失控 · 准则1-4检查过程稳定性 · 准则5-8提供额外敏感性 · 准则灵敏度与误报率需平衡 过度敏感的准则可能导致过量干预 · Xbar图和R/s图应分别判读 Xbar图失控 → 位置问题 R/s图失控 → 变异增大

变量控制图 (Variable Charts) Xbar-R 图：均值与极差图，子组大小2-6 Xbar-s 图：均值与标准差图，子组大小>6 I-MR 图：单值与移动极差，n=1时使用 Median-R 图：中位数与极差图 控制限公式：UCL = X̿ + A₂R̄ / LCL = X̿ - A₂R̄ R图控制限：UCL = D₄R̄ / LCL = D₃R̄ 公差相关控制图 (Tolerance-Related) 验收控制图 (Acceptance Control Chart) 适用于过程能力极高的场景 控制限基于规格限的比例设定 目的：防止产出不合格品 特殊控制图 (Special Charts) CUSUM图：累积和控制图，检测小偏移 EWMA图：指数加权移动平均，灵敏度可调 多元控制图：多变量联合监控(如T²图) 短周期控制图：小批量生产的控制方法 平稳过程控制图：自相关过程的控制

Xbar-R图的构造与使用 Xbar-R图是最常用的变量控制图： Xbar图（上部）- 监控过程位置: 中心线 CL = X̿ (总平均值) 上控制限 UCL = X̿ + A₂R̄ 下控制限 LCL = X̿ - A₂R̄ R图（下部）- 监控过程变异: 中心线 CL = R̄ (平均极差) 上控制限 UCL = D₄R̄ 下控制限 LCL = D₃R̄ 子组大小n与常数： n=2: A₂=1.880, D₃=0, D₄=3.267 n=3: A₂=1.023, D₃=0, D₄=2.574 n=4: A₂=0.729, D₃=0, D₄=2.282 n=5: A₂=0.577, D₃=0, D₄=2.114 Xbar-R图使用要点 ✓ 先分析R图(变异)，再分析Xbar图(位置) 变异不稳定时，位置控制限不可靠 ✓ 合理子组(单次取样)确保组内仅含随机变异 ✓ 至少20-25个子组计算初始控制限 ✓ 控制限应定期(如每25个子组)重新计算 ✓ 将标注事件(换班、换料等)记录在图上

当子组大小n>6时,推荐使用Xbar-s图替代Xbar-R图： 原因：标准差s对异常值更稳健，信息利用更充分。 s图控制限公式： CL = s̄ UCL = B₄s̄ LCL = B₃s̄ Xbar图控制限公式： CL = X̿ UCL = X̿ + A₃s̄ LCL = X̿ - A₃s̄ # n A₃ B₃ B₄ 7 0.419 0.118 1.882 10 0.308 0.284 1.716 15 0.223 0.428 1.572 Xbar-s vs Xbar-R选择指南子组大小 n=2-6: → Xbar-R图 (R计算简单，易于理解)子组大小 n>6: → Xbar-s图 (s更有效利用数据)子组大小 n=1: → I-MR图 (单个测量值)计算机时代趋势：Xbar-s图被越来越多地使用

I-MR图适用于子组大小n=1的场景： 适用场景： · 每个产品仅产生一个测量值 · 测量成本高或破坏性检测 · 生产过程缓慢(如化工批次) · 自动检测每个零件 I图(单值图): CL = X̄ UCL = X̄ + 2.660 × MR̄ LCL = X̄ - 2.660 × MR̄ MR图(移动极差图): CL = MR̄ UCL = 3.267 × MR̄ LCL = 0 I-MR图的局限性 注意事项： · 对非正态分布敏感 数据需近似正态分布 · 对小的过程偏移检测能力弱 可考虑配合EWMA/CUSUM使用 · 单个异常值影响大 MR基于相邻点差值

CUSUM, EWMA与多元控制图

CUSUM图 累积和(Cumulative Sum)控制图 对检测小的过程偏移(0.5σ-2σ)非常敏感 比Shewhart图对趋势变化反应更快 V-mask方法或表格化CUSUM判定 典型应用：精密加工过程监控 EWMA图 指数加权移动平均(EWMA) 可调节权重因子λ控制灵敏度 λ小(0.05-0.2): 检测小偏移 λ大(0.3-0.5): 接近Shewhart图 对正态性假设较Shewhart图更稳健 多元控制图 同时监控多个相关特性 Hotelling T²图:监控多变量均值 广义方差图:监控多变量变异 避免单变量失控带来的误判 典型应用：多尺寸同时控制的装配件

离散数据控制图 属性控制图用于计数型/分类型数据： 不合格品数(基于二项分布): · p图(不合格品率图) p̄ = 总不合格品数/总检查数 UCL/LCL = p̄ ± 3√(p̄(1-p̄)/n) 适用于样本量可变的情况 · np图(不合格品数图) 适用于固定样本量 UCL/LCL = np̄ ± 3√(np̄(1-p̄)) 缺陷数(基于泊松分布): · c图(缺陷数图) 适用于固定检查单元大小 · u图(单位缺陷数图) 适用于检查单元大小可变 属性控制图优缺点 优点： · 可汇总多种不合格类型 · 数据收集成本低 · 易于理解和解释 缺点： · 灵敏度低于变量控制图 · 需要较大样本量获得统计功效 · 不能提供过程能力指数 · 样本量大时np≥5或np(1-p)≥5

批量生产阶段的SPC要求： 持续监控： · 控制图持续运行，实时监控过程稳定性 · 定期计算Cp/Cpk，验证过程能力维持状态 · 控制限基于最近数据定期更新 · 推荐更新频率：每25个子组或每月 定期评估： · 月度/季度能力研究报告 · 年度过程能力趋势分析 · 触发条件：客户投诉、过程变更、设备大修 持续改进： · 基于控制图分析识别改进机会 · 减少变异，提升能力指数 · 优化控制限，减少误报警 持续能力监控指标 Cpk趋势监控： · Cpk持续下降 → 调查变异增加原因 · Cpk突然下降 → 识别特殊原因事件 · Cpk稳步提升 → 验证改进措施有效 关键风险特性监控要求： · CC特性:Cpk ≥ 1.67 · SC特性:Cpk ≥ 1.33 · 高风险特性:需100%检验或防错 · 出现Cpk下降趋势立即启动OCAP

1 小批量生产 短周期小批量产品适用特殊控制图方法(GB/T 17989.8)。可使用标准化控制图或基于历史数据的控制限。 2 自相关过程 当数据存在自相关时，传统控制图会产生过多误报警。应使用平稳过程控制图或考虑适当的抽样间隔。 3 多品种小批量 可将不同零件号的相同特性数据进行标准化处理后合并监控。使用偏差控制图(Deviation Chart)或标准化控制图。 4 破坏性检测 使用I-MR图并适当增加抽样间隔。可考虑基于统计模型的替代特性监控方案。 5 自动化检测 100%在线检测时，控制图需调整判异准则以避免误报。可考虑使用EWMA图或CUSUM图提高效率。

10.1 通用集成/接口 (General Integration): SPC软件工具应能够： · 与现有质量管理系统(QMS)集成 · 从测量设备/PLC直接采集数据 · 支持多种数据库接口 · 提供标准数据交换格式(如CSV, Q-DAS等) · 支持多用户协同和数据共享 10.2 分析软件的验证与确认: · 使用已知数据集进行验证 · 与手动计算或参考软件交叉验证 · 定期进行软件版本更新的验证 · 记录验证过程与结果 SPC软件功能要求核心功能：· 控制图生成(所有类型)· 能力指数计算· 正态性检验· 异常值检测· 多变量分析高级功能：· 实时数据采集· 自动报警· OCAP执行跟踪· 自定义报告· 多站点数据汇总

11.1 通用文件化要求: SPC相关文件应包含以下要素： · 研究目的与范围 · 产品/特性标识信息 · 测量系统信息(设备、不确定度) · 抽样方案与数据采集方法 · 统计分析方法与软件工具 · 分析结果(运行图、控制图、指数) · 结论与建议措施 · 责任人、日期、版本信息 11.2 示例报告模板: 包含机器性能研究报告、过程能力研究报告、 控制图实施报告等标准化模板。 文件类型清单 SPC相关文件： □ 机器性能研究报告 □ 过程能力研究报告 □ 控制图实施记录 □ OCAP文件与执行记录 □ 控制计划 □ MSA报告 □ 软件验证记录 □ 年度SPC综述报告 □ 培训记录 □ 过程变更记录

能力/性能指数通用公式： Cp = (USL - LSL) / (6 × σ̂_within) Cpk = min[(USL-μ̂)/(3σ̂_within), (μ̂-LSL)/(3σ̂_within)] Pp = (USL - LSL) / (6 × σ̂_overall) Ppk = min[(USL-μ̂)/(3σ̂_overall), (μ̂-LSL)/(3σ̂_overall)] 机器性能公式： Pm = (USL - LSL) / (6 × σ̂_machine) Pmk = min[Pmk_upper, Pmk_lower] Xbar-R控制图控制限： Xbar: UCL/LCL = X̿ ± A₂R̄ R: UCL = D₄R̄, LCL = D₃R̄ 常用统计量计算公式 样本均值: X̄ = (ΣXi) / n 样本标准差: s = √[Σ(Xi-X̄)² / (n-1)] 样本极差: R = Xmax - Xmin 移动极差: MRᵢ = |Xᵢ - Xᵢ₋₁| 总平均值: X̿ = ΣX̄ / k (k个子组)

SPC成功实施的12步路线图： 阶段1: 准备 (Preparation) 1. 管理层承诺与SPC政策制定 2. 确定SPC实施团队和角色 3. 培训关键人员（SPC原理、工具与实践） 4. 识别关键过程和关键特性 阶段2: 规划 (Planning) 5. 完成测量系统分析(MSA) 6. 制定抽样方案和控制图选型 7. 建立OCAP（失控行动计划） 8. 编制/更新控制计划 阶段3: 执行 (Execution) 9. 初始过程能力/性能研究 10. 实施控制图在线监控 11. 持续监控与定期评估 12. 基于SPC数据的持续改进

AIAG-VDA SPC 2026关键要点 核心原则： 1. 主动预防优于被动检测 2. 理解变异是控制变异的前提 3. 统计方法是客观决策的基础 4. 全员参与、分层管理 关键工具： · 机器性能研究 (Pm/Pmk) · 过程能力研究 (Cp/Cpk) · 过程性能研究 (Pp/Ppk) · 控制图 (Xbar-R/s, I-MR, p, c等) · 组内能力诊断 (Cw/Cwk) 成功实施SPC的5个关键成功因素 1. 管理层承诺与支持 提供资源、推动文化变革 2. 充分的培训与能力建设 所有相关角色具备所需能力 3. 可靠的测量系统 MSA是SPC的前提条件 4. 有效的数据管理与软件工具 数据质量决定分析质量 5. 闭环的纠正措施体系 从检测到行动，OCAP确保闭环

AIAG-VDA SPC 2026 - Statistical Process Control Questions? / 如有疑问，欢迎交流讨论

实施SPC为企业带来的量化效益： 质量提升: · 减少过程变异 → 提升产品一致性 · 降低缺陷率 → 减少返工和报废成本 · 预防性质量保证 → 降低质量成本(COQ) 效率提升: · 减少机器停机时间 · 降低过度调整(Tampering)的风险 · 为过程自动化提供数据基础 知识管理: · 积累过程知识，建立最佳实践 · 为新产品开发提供过程能力参考 · 支持数据驱动的管理决策 质量成本(COQ)与SPC的关系预防成本 ↑→ 鉴定成本 ↓→ 内部失败成本 ↓↓→ 外部失败成本 ↓↓↓每投入1元预防成本可节省10-100元失败成本SPC是典型的预防性投资ROI通常在6-18个月内回收

ISO 22514 Statistical Methods in Process Management - Capability and Performance Part 1: General Principles and Concepts (通用原则和概念) - 能力与性能的基本定义、概念框架 Part 2: Process Capability and Performance of Time-Dependent Process Models - 时间依赖过程模型的能力与性能评估（A/B/C/D/E五类模型） Part 3: Machine Performance Studies for Measured Data on Discrete Parts - 离散零件测量数据的机器性能研究 Part 4: Process Capability Estimates and Performance Measures - 过程能力估计与性能度量的计算方法 Part 5: Process Capability Estimates and Performance for Attributive Characteristics - 属性特性的过程能力估计 Part 6: Process Capability Statistics for Multivariate Normal Distribution - 多元正态分布特性的过程能力统计 Part 7: Capability of Measurement Processes - 测量过程的能力评估

能力/性能指数的逻辑关系： 变异范围递减序列： Total Variation > Overall > Within > Within-subgroup 指数大小关系： Cw ≥ Cp ≥ Pp Cwk ≥ Cpk ≥ Ppk 诊断逻辑： Cw ≈ Cp ≈ Pp → 过程高度稳定 Cw > Cp > Pp → 存在显著的组间或长时变异 Cwk ≈ Cpk ≈ Ppk → 过程居中优良 Cwk >> Ppk → 过程位置漂移显著 指数递进关系 能力递进阶梯： Level 0: 原始数据 描述性统计 Level 1: Pm/Pmk (机器) 最基础的能力评估 Level 2: Pp/Ppk (性能) 反映实际表现 Level 3: Cp/Cpk (能力) 反映过程潜力 Level 4: Cw/Cwk (组内) 最高级别的诊断指标

SPC语境下的PDCA细化： PLAN 策划: · 确定关键特性(CC/SC)及控制方法 · 选择控制图类型和抽样方案 · 制定OCAP · 建立控制计划 DO 实施: · 按要求采集数据 · 更新控制图 · 按OCAP响应失控信号 CHECK 检查: · 判读控制图稳定性 · 计算Cp/Cpk趋势 · 定期审查SPC效果 ACT 处置: · 标准化成功改进 · 更新控制限/控制计划 · 识别下一轮改进机会 PDCA与SPC工具链P: FMEA → 控制计划 抽样方案D: 控制图运行 数据采集C: 判异准则 能力指数A: 改进措施 OCAP执行

在SPC实施前应进行风险分析，以确定控制策略的严格程度： 风险分析考虑因素： 1. 产品/特性风险等级 - CC (关键特性): 涉及安全/法规，Cpk ≥ 1.67, 高风险控制策略 - SC (重要特性): 涉及功能/配合，Cpk ≥ 1.33, 中等风险控制策略 - 一般特性: Cpk ≥ 1.00, 基本控制策略 2. 失效后果严重度 (来自FMEA) - S=9-10: 最高级别控制，可能需100%检验或防错 - S=7-8: 增强SPC监控，加严抽样频率 - S=5-6: 标准SPC监控 3. 过程历史表现 - 过程能力历史（Cpk趋势） - 历史质量问题频率 - 客户投诉记录

特殊特性是SPC的重点控制对象： CC (Critical Characteristic): · 涉及安全要求的特性 · 涉及法规符合性的特性 · SPC要求: Cpk ≥ 1.67 · 控制策略: 最高级别 SC (Significant Characteristic): · 涉及功能/性能的特性 · 涉及配合/装配的特性 · SPC要求: Cpk ≥ 1.33 · 控制策略: 增强级别 特殊特性的来源： · FMEA分析输出 · 客户指定 · 法规要求 · 经验教训/历史问题 特殊特性传递链FMEA分析 ↓特殊特性清单 ↓控制计划 ↓SPC监控计划 ↓OCAP ↓作业指导书确保从前到后的一致性和可追溯性

OCAP应包含以下结构化要素： Level 1: 立即响应 (Immediate Response) · 隔离受影响期间生产的产品 · 暂停生产（如必要时） · 通知线长/工程师 · 记录事件时间、现象 Level 2: 根本原因分析 (Root Cause) · 检查5M1E因素(人机料法环测) · 使用5Why/鱼骨图等工具 · 查阅历史OCAP记录 Level 3: 纠正措施 (Corrective Action) · 消除特殊原因 · 验证措施有效性 · 恢复生产并持续监控 Level 4: 预防措施与知识沉淀 OCAP升级路径 操作工 → 线长 → 工程师 → 质量经理 典型升级触发条件： · 15分钟内无法解决 · 连续3个子组失控 · 同一特性24h内重复失控 · 涉及安全/法规特性 OCAP应定期演练和更新： · 至少每年审查一次 · 每次重大过程变更后更新

过程总变异的构成与对应指数： 总变异 = 组内变异 + 组间变异 + 长期变异 组内变异 (Within-subgroup): · 来源：短时间内的随机变异 · 对应指数：Cw (使用σ_within-subgroup) · 代表：过程的固有/最佳能力 组内(扩展)变异 (Within): · 来源：合理子组内的变异 · 对应指数：Cp/Cpk (使用σ_within) 总体变异 (Overall): · 来源：所有变异来源的总和 · 对应指数：Pp/Ppk (使用σ_overall) 机器变异 (Machine): · 来源：仅机器因素 · 对应指数：Pm/Pmk (使用σ_machine) σ估计的三种方法 1. R̄/d₂ 法 (基于极差): σ̂ = R̄ / d₂ d₂ 取决于子组大小n 2. s̄/c₄ 法 (基于标准差): σ̂ = s̄ / c₄ 比R̄/d₂更有效(对异常值不敏感) 3. 合并标准差法: σ̂ = √[Σ(ni-1)si²/Σ(ni-1)] 适用于不等子组大小

详细的机器性能研究执行步骤： 1. 抽样零件 (Sample Parts): · 50件连续生产的零件 · 按加工顺序编号 · 使用同一批次原材料 2. 记录条件 (Document Conditions): · 机器设置参数 · 工装/刀具状态(新/使用中) · 操作者信息 · 环境条件(温度/湿度等) 3. 记录测量值 (Record Measurements): · 按加工顺序逐一测量 · 使用经过校准和MSA验证的量具 · 记录测量值和测量时间 4. 评估趋势 (Evaluate Trends): · 绘制运行图(按加工顺序) · 识别趋势、漂移、异常 · 计算Pm/Pmk 机器性能研究的典型问题与对策问题1: 刀具磨损 → Pmk持续下降 → 优化刀具更换频次问题2: 热机效应 → 前N件不合格 → 增加预热/预运行问题3: 材料批次波动 → Pmk不稳定 → 严格材料准入标准问题4: 测量系统不足 → %GR&R过高 → 改进测量系统

过程能力研究的关键决策点： 1. 何时使用Pp/Ppk: · 过程尚未证明统计稳定时 · 初始过程评估阶段 · 样本量<125件时（临时接受） 2. 何时使用Cp/Cpk: · 过程已被证明统计受控 · 控制图显示过程稳定 · 批量生产持续监控 3. 从Ppk到Cpk的过渡: · 第1阶段: 初始性能(Pp/Ppk ≥ 目标) · 第2阶段: 证明稳定性(≥25子组受控) · 第3阶段: 确认能力(Cp/Cpk ≥ 目标) 过程释放三阶段Phase 1机器性能研究Pm/Pmk ≥ 1.67Phase 2 初始过程性能Pp/Ppk ≥ 1.67Phase 3长期过程能力Cp/Cpk ≥ 1.33每个阶段通过后进入下一阶段

能力指数计算前必须评估数据分布类型： 正态分布 (Normal Distribution): · 最常用的假设 · 检验方法: - Anderson-Darling (AD) 检验 - Shapiro-Wilk 检验 - Kolmogorov-Smirnov (KS) 检验 - 图形法: 正态概率图、直方图 非正态分布处理： 1. 数据变换 (Box-Cox, Johnson) → 先变换为正态，再计算能力指数 2. 非正态分布拟合 → Weibull, Lognormal, Gamma等 3. 百分位数法 (Percentile Method) → 使用P0.135%和P99.865%等效6σ范围 常见分布类型与应用 正态分布: 对称特性 (如长度、重量) 对数正态: 自然下限>0的特性 (如强度、寿命) Weibull分布: 可靠性数据、疲劳寿命 指数分布: 故障间隔时间 混合分布: 多腔模具/多工位组合数据

多工序加工的机器性能评估方法： 前提条件: · 每个工序/工位的加工顺序已明确 · 各工序的规格要求清晰定义 · 加工过程是确定的(无随机选择工序) 检验范围指定: · 为每个工序指定需检验的特性 · 确定中间检验点(工序间检验) · 确定最终检验点 加工与检验流程: · 按正常生产顺序加工 · 在各指定检验点采集数据 · 确保零件可追溯至各工序 分析评估: · 分别为各工序计算Pm/Pmk · 识别瓶颈工序(最低Pmk) · 评估各工序变异贡献比例 多工序加工示例场景CNC加工中心OP10: 粗加工OP20: 精加工OP30: 钻孔OP40: 攻丝每个工序分别评估Pm/Pmk至少1.67如果OP20的Pmk=1.2:→ OP20是瓶颈→ 优先改进OP20

最大/最小实体条件对SPC的影响： MMC (Maximum Material Condition): · 当零件在最大实体状态时公差最大 · 偏差量可"奖励"到位置/方向公差 · 有效公差 = 标注公差 + 奖励公差 · Pmk计算应使用有效公差 LMC (Least Material Condition): · 与MMC相反，最小实体状态时公差最大 · 通常应用于最小壁厚保护 GD&T对SPC的影响： · 不同零件的有效公差可能不同 · 每个零件的实际公差取决于该零件 实际尺寸相对于MMC/LMC的位置 · 需为每个零件计算有效公差进行评估 GD&T常见符号速查 Ⓜ MMC 最大实体条件 Ⓛ LMC 最小实体条件 Ⓢ RFS 独立原则(Regardless of Feature Size) 形状公差: 直线度、平面度、圆度、圆柱度 方向公差: 平行度、垂直度、倾斜度 位置公差: 位置度、同轴度、对称度 跳动公差: 圆跳动、全跳动

根据ISO 22514-2，过程按时间行为分为5类： A型: 恒定随机 (Constant Random) · 过程位置和变异在时间上不变 · 最简单的模型，适用于稳定受控过程 B型: 线性趋势 (Linear Trend) · 过程位置随时间呈线性变化（如刀具磨损） · 变异量保持恒定或变化 C型: 阶跃变化 (Step Change) · 过程位置发生突然跳跃（如换班、换料） · 跳跃后在新水平上稳定 D型: 周期性 (Cyclic) · 过程位置或变异呈周期性波动 · 如季节性温湿度影响 E型: 混合分布 (Mixture) · 多个子总体混合（如多腔模具） 模型识别与控制图选择A型 → Shewhart图 Cp/Cpk评估B型 → 趋势控制图 考虑定期调整C型 → 分层控制图 按班次/批次分层D型 → EWMA/CUSUM 检测周期性偏移E型 → 分层分析 分别评估各子过程

八项判异准则的分类与解读： 位置偏移类 (Location Shift): · 准则1: 1点>3σ → 严重位置偏移 · 准则2: 9点同侧 → 微小位置偏移 · 准则6: 5点中4点>1σ同侧 → 位置预警 变异增大类 (Variation Increase): · 准则5: 3点中2点>2σ → 变异增大预警 系统性模式类 (Systematic Pattern): · 准则3: 6点趋势 → 渐进性变化 · 准则4: 14点交替 → 系统性振荡 异常低变异类 (Stratification): · 准则7: 15点在1σ内 → 分层/过控 · 准则8: 8点无1σ内 → 混合分布 判异准则的误报率 准则1 (1点>3σ): ~0.27% 准则2 (9点同侧): ~0.39% 准则3 (6点趋势): ~0.27% 准则4 (14点交替): ~0.40% 准则5 (2/3>2σ): ~0.70% 准则6 (4/5>1σ): ~1.00% 注意: 同时使用多个准则会显著增加 总体误报率。建议选择适合的 2-3个准则组合使用。

累积和控制图(CUSUM)原理与应用： 基本概念: CUSUM累积目标值与实际值的偏差： Sᵢ = Σ(Xⱼ - μ₀), j=1 to i 当过程受控时，Sᵢ在0附近随机波动； 当过程偏移时，Sᵢ持续向一个方向累积。 表格化CUSUM判定: S_hi = max(0, S_hi₋₁ + Xᵢ - (μ₀ + k)) S_lo = max(0, S_lo₋₁ + (μ₀ - k) - Xᵢ) 当S_hi或S_lo > h 时发出信号 k: 参考值(通常为0.5σ) h: 决策区间(通常为4-5σ) 优势: 检测0.5σ-2σ偏移比Shewhart图快得多 对趋势变化的检测灵敏度极高 CUSUM vs Shewhart检测能力对比检测1σ偏移所需的平均子组数(ARL):Shewhart Xbar(n=5): ~44CUSUM(k=0.5, h=5): ~10差距:CUSUM检测速度快4倍以上适用场景:· 精密加工在线监控· 化工过程连续监控· 医疗器械过程控制

指数加权移动平均(EWMA)控制图： EWMA统计量定义: Zᵢ = λXᵢ + (1-λ)Zᵢ₋₁ 其中Z₀ = μ₀ (目标值) λ (平滑常数)的选择: · λ=0.05-0.1: 检测非常小的偏移(＜0.5σ) · λ=0.1-0.2: 检测小偏移(0.5-1σ) · λ=0.2-0.4: 检测中等偏移(1-1.5σ) · λ=1.0: 等同于Shewhart图 控制限: UCL/LCL = μ₀ ± Lσ√[λ/(2-λ)(1-(1-λ)²ⁱ)] L通常取2.7-3.0 稳态控制限: UCL/LCL = μ₀ ± Lσ√[λ/(2-λ)] EWMA参数选择指南 检测目标: 0.5σ偏移 λ=0.1, L=2.7, ARL≈11 检测目标: 1.0σ偏移 λ=0.2, L=2.9, ARL≈10 检测目标: 1.5σ偏移 λ=0.4, L=3.0, ARL≈7 注意事项: · λ越小，对正态性越稳健 · 初始值Z₀的影响随时间衰减 (大约2/λ个样本后消失)

p图是最常用的属性控制图： 适用条件: · 数据为不合格品率(p = d/n) · 样本量n可变或固定 · 二项分布假设(np≥5且n(1-p)≥5) 控制限公式: p̄ = Σdᵢ / Σnᵢ (总不合格品率) UCL = p̄ + 3√[p̄(1-p̄)/nᵢ] LCL = p̄ - 3√[p̄(1-p̄)/nᵢ] 当LCL<0时取0 样本量变化时的处理: · n变化<25%: 使用平均n的控制限 · n变化>25%: 使用阶梯控制限 · 标准化p图: Z = (pᵢ-p̄)/√[p̄(1-p̄)/nᵢ] p图判读要点上升趋势:→ 过程质量恶化→ 检查5M1E变化下降趋势:→ 过程质量改善→ 验证改进措施控制限阶梯状:→ 样本量n变化引起→ 关注点是否超出本阶梯周期性:→ 系统性因素→ 如班次差异

c图和u图用于缺陷数监控(泊松分布)： c图 (固定检查单元): · 适用: 固定面积/体积/数量的检查单元 · c̄ = Σcᵢ/k (平均缺陷数) · UCL = c̄ + 3√c̄ · LCL = c̄ - 3√c̄ (LCL<0时取0) · 应用: 每平方米织物疵点数 u图 (可变检查单元): · 适用: 检查单元大小可变(如不同面积) · uᵢ = cᵢ/nᵢ (每单位缺陷数) · ū = Σcᵢ/Σnᵢ · UCL = ū + 3√(ū/nᵢ) · LCL = ū - 3√(ū/nᵢ) · 应用: 不同长度焊缝的缺陷监控 属性控制图选择决策树 计数数据 → 不合格品? 缺陷? 不合格品: 样本量固定 → np图 样本量可变 → p图 缺陷: 检查单元固定 → c图 检查单元可变 → u图 前提条件检查: p/np图: np≥5, n(1-p)≥5 c/u图: c̄≥5 (近似正态)

批量生产阶段的SPC管控体系： 日常监控 (Daily): · 操作员: 按时采集数据、更新控制图 · 线长: 审查控制图，确认过程受控 · 触发OCAP时立即响应 周度审查 (Weekly): · 工程师: 审查本周控制图汇总 · 分析趋势和模式 · 计算本周Cp/Cpk · 评估OCAP执行效果 月度报告 (Monthly): · 月度能力报告（所有SPC特性） · Cpk趋势图（过去6-12个月） · OCAP统计（频次、原因分布） 年度审查 (Annual): · 全面审查SPC体系有效性 · 更新控制计划和OCAP · 制定下一年度改进目标 SPC KPI监控指标过程指标:· SPC特性控制图受控率· OCAP触发频次· Cpk达标率结果指标:· 内部PPM· 客户PPM· 报废率· 返工率管理指标:· SPC培训完成率· OCAP关闭周期· 控制计划更新及时率

SPC分析软件的验证是IATF 16949的要求： 验证方法： 1. 基准数据集验证 (Benchmark Dataset) · 使用已知结果的参考数据集（如NIST标准数据集） · 验证：均值、标准差、正态性检验、控制限、能力指数 · 所有计算结果偏差应在0.01%以内 2. 交叉验证 (Cross-Validation) · 与另一独立软件/方法对比计算结果 · 可选参考：Minitab, JMP, R, Python(Scipy/Statsmodels) 3. 手动计算验证 (Manual Calculation) · 对小数据集进行手动计算对比 · 验证核心公式实现正确性 4. 版本更新验证 (Version Update) · 软件升级/更新后重新执行验证 · 保留验证记录(日期、版本、结果)

机器性能研究报告应包含: 1. 封面信息: - 零件号、零件名称、特性、规格限 - 机器编号/名称、研究日期 2. 研究条件: - 材料批次、操作条件、环境条件 - 测量设备信息（校准状态、%GR&R） 3. 数据: - 原始数据表（按加工顺序） - 运行图/趋势图 4. 分析: - 正态性检验结果 - Pm/Pmk计算结果 - 直方图（含规格限和±3σ线） 5. 结论: - 合格/不合格判定 - 建议措施（如需改进） 过程能力研究报告 额外包含: · 稳定性分析（控制图） · Pp/Ppk（初步）或Cp/Cpk（长期） · 置信区间（指数估计的区间） · 假设检验结论（正态性等） · 与历史数据的趋势对比 · 抽样方案说明 · 覆盖的时间段/班次 控制图实施报告: · 控制图类型及选择理由 · 子组大小、频率的确定依据 · 控制限计算过程 · OCAP文件引用 · 周期审查计划

1 管理层承诺 SPC政策已发布，资源已分配 □ 已完成 / □ 待完成 2 团队组建 SPC实施团队已任命，角色明确 □ 已完成 / □ 待完成 3 培训 所有相关角色已接受相应级别SPC培训 □ 已完成 / □ 待完成 4 MSA完成 所有SPC相关量具已完成MSA，%GR&R≤30% □ 已完成 / □ 待完成 5 关键特性识别 CC/SC特性清单已确定，控制方法已定义 □ 已完成 / □ 待完成 6 FMEA更新 PFMEA已更新，包含SPC控制措施 □ 已完成 / □ 待完成

7 控制计划 控制计划已编制，SPC特性已标识 □ 已完成 / □ 待完成 8 OCAP就绪 OCAP已编制、审批、培训 □ 已完成 / □ 待完成 9 抽样方案确定 抽样频率、子组大小、控制图类型已确定 □ 已完成 / □ 待完成 10 数据收集系统 数据采集方式（手动/自动）已就绪 □ 已完成 / □ 待完成 11 软件工具 SPC软件已安装、已验证 □ 已完成 / □ 待完成 12 首次研究 初始过程能力研究已完成，结果满足要求 □ 已完成 / □ 待完成

SPC实施中的常见错误（避免！）： 错误1: 按规格限设定控制限 正确做法：控制限基于过程数据，规格限基于设计要求 错误2: 每次失控后重新计算控制限 正确做法：先消除特殊原因，再用改善后的数据重新计算 错误3: 只关注超出控制限的点 正确做法：也需关注趋势、模式等非随机信号（8项判异准则） 错误4: 未验证正态性直接计算能力指数 正确做法：先评估分布类型，选择合适的能力指数计算方法 错误5: 过度调整(Tampering) 正确做法：仅对失控信号响应，不基于单个数据点调整过程 更多常见错误错误6: 样本量不足 → 至少25个合理子组错误7: 错误选择控制图类型 → 连续数据不用属性图错误8: 数据"挑选" → 不可人为筛选数据错误9: 忽视MSA → %GR&R>30%不能做SPC错误10: OCAP缺失 → 失控=无效应急响应错误11: 控制计划不更新 → 形式主义SPC

SPC在智能制造时代的新发展： 实时SPC (Real-Time SPC): · 传感器+IoT → 100%在线检测 · 实时数据流 → 自动控制图更新 · 机器学习 → 智能异常检测 大数据与AI增强SPC: · 多元过程监控 → Hotelling T² + ML · 预测性质量分析 → 提前预警 · 自动根因分析 → 减少OCAP响应时间 数字孪生(Digital Twin): · 虚拟过程模拟 → 离线优化控制策略 · 实时数据反馈 → 自适应控制限 · 闭环质量优化 → AI驱动的持续改进 Industry 4.0SPC Maturity ModelLevel 1: 手动SPC Excel/纸质控制图Level 2: 数字化SPC 专用SPC软件Level 3: 集成SPC 与MES/PLC实时集成Level 4: 智能SPC AI/ML增强分析Level 5: 自主SPC 自适应闭环控制

5/10

6/10 Comparison: Old vs New (continued) / 新旧版对比(续) 6/10

能力指数目标值速查： 机器性能 (设备释放): Pm/Pmk: ≥ 1.67 (n=50), ≥ 1.81 (n=30) 初始过程性能 (过程释放): Pp: ≥ 2.00 (标准), ≥ 1.67 (最小) Ppk: ≥ 1.67 (标准), ≥ 1.33 (最小) 长期过程能力 (批量生产): Cp: ≥ 1.67 (释放), ≥ 1.33 (监控) Cpk: ≥ 1.67 (释放), ≥ 1.33 (监控) 特殊特性 (CC/SC): CC特性: Cpk ≥ 1.67 SC特性: Cpk ≥ 1.33 MSA要求: %GR&R ≤ 10%: 可接受 %GR&R 10-30%: 条件接受 抽样相关数据 机器性能研究: 标准: 50件连续零件 最少: 30件(需调整目标值) 过程能力研究: 总样本: ≥125个数据点 子组数: ≥25组(k) 子组大小: n=2-6(Xbar-R)或>6(Xbar-s) 控制图初始阶段: 初始控制限: ≥25个子组 控制限更新: 每25子组或每月

SPC Statistical Process Control QCC Quality Control Chart OCAP Out-of-Control Action Plan USL/LSL Upper/Lower Specification Limit UCL/LCL Upper/Lower Control Limit CL Center Line ARL Average Run Length OC Curve Operating Characteristic Curve GR&R Gauge Repeatability and Reproducibility

MSA Measurement Systems Analysis GD&T Geometric Dimensioning and Tolerancing MMC/LMC Maximum/Least Material Condition CC/SC Critical/Significant Characteristic PDCA Plan-Do-Check-Act COQ Cost of Quality KPIV/KPOV Key Process Input/Output Variable CUSUM Cumulative Sum (Control Chart) EWMA Exponentially Weighted Moving Average

能力/性能指数: Cp = (USL-LSL)/(6σ̂_within) Cpk = min[(USL-μ̂)/(3σ̂_within), (μ̂-LSL)/(3σ̂_within)] Pp = (USL-LSL)/(6σ̂_overall) Ppk = min[(USL-μ̂)/(3σ̂_overall), (μ̂-LSL)/(3σ̂_overall)] 机器性能: Pm = (USL-LSL)/(6σ̂_machine) Pmk = min[Pmk_upper, Pmk_lower] 组内能力: Cw = (USL-LSL)/(6σ̂_w-subgroup) Cwk = min[Cwk_upper, Cwk_lower] Xbar-R控制限: Xbar: UCL/LCL = X̿ ± A₂R̄ R: UCL = D₄R̄, LCL = D₃R̄ 属性控制图公式 p图: UCL/LCL = p̄ ± 3√[p̄(1-p̄)/n] np图: UCL/LCL = np̄ ± 3√[np̄(1-p̄)] c图: UCL/LCL = c̄ ± 3√c̄ u图: UCL/LCL = ū ± 3√(ū/n) I-MR图: I: UCL/LCL = X̄ ± 2.660MR̄ MR: UCL = 3.267MR̄, LCL=0

SPC是实施零缺陷战略(Zero Defect Strategy)的核心工具： 零缺陷核心理念： '首次做对'(Do It Right the First Time)的文化—— 通过预防而非检测来避免错误发生。 SPC如何支持零缺陷： 1. 实时监控 → 在缺陷产生前捕捉异常信号 2. 趋势分析 → 预测潜在问题，提前干预 3. 过程能力评估 → 确保过程有能力持续满足规格 4. OCAP执行 → 快速响应闭环，防止缺陷扩散 5. 知识积累 → 持续减少变异来源，逼近零缺陷 零缺陷 ≠ 零检验。零缺陷是通过过程控制使检验变得不再必要。 SPC的三重境界：检测 → 预防 → 预测。

IATF 16949对SPC的要求： 条款 9.1.1.1 制造过程的监视和测量： 组织应对所有新的制造过程进行过程研究， 以验证过程能力并为过程控制提供补充输入。 过程研究的结果应形成文件。 条款 8.5.1.1 控制计划： 控制计划中应包含反应计划，反应计划 应包括对不合格品的遏制和过程控制。 条款 7.1.5.2.1 校准/验证记录： 过程控制中使用的测量设备应可溯源 至国际或国家测量标准。 SPC在IATF 16949审核中的常见不符合项1. 未对关键特性实施SPC2. 控制限计算错误3. OCAP缺失或无效4. MSA未完成就实施SPC5. 控制计划未更新6. SPC培训不充分7. 未定期审查控制图8. 能力指数不达标无措施

理解SPC需要掌握的基本统计概念： 集中趋势度量: · 均值(Mean): X̄ = ΣXi/n · 中位数(Median): 排序后位于中间的值 · 众数(Mode): 出现频率最高的值 变异度量: · 极差(Range): R = Xmax - Xmin · 标准差(Std Dev): s = √[Σ(Xi-X̄)²/(n-1)] · 方差(Variance): s² = Σ(Xi-X̄)²/(n-1) 分布特征: · 偏度(Skewness): 分布的对称性 · 峰度(Kurtosis): 分布的"尖峰"程度 · 中心极限定理: n≥30时X̄近似正态 正态分布的关键概率 μ ± 1σ: 约68.27%的数据 μ ± 2σ: 约95.45%的数据 μ ± 3σ: 约99.73%的数据 μ ± 4σ: 约99.9937%的数据 3σ控制限的含义: 受控过程仅有0.27%的概率 出现1点超出3σ控制限。 这也就是为什么选择3σ: · 误报率足够低(~0.27%) · 检测力足够强 · 工业界的黄金标准

AIAG-VDA SPC 2026与相关标准的关系： 核心标准 (Normative Reference): · IATF 16949 → 汽车行业QMS要求（SPC是必须使用的核心工具之一） · ISO 22514 → 过程管理中能力与性能的统计方法（SPC手册的方法论基础） · ISO 7870 → 控制图系列标准（各类控制图的方法规范） · ISO 3534 → 统计学术语与定义（术语标准化） 支持标准 (Supporting Reference): · AIAG MSA / VDA Volume 5 → 测量系统分析（SPC的前提条件） · AIAG-VDA FMEA → 失效模式分析（识别关键特性，指导SPC部署） · AIAG APQP / VDA MLA → 先期质量策划（SPC在APQP各阶段的实施节点） · AIAG PPAP → 生产件批准（SPC研究结果是PPAP的必要提交内容） · ISO 11462 → SPC实施指南（SPC体系建立和管理指导）

在SPC中区分统计显著性与实际显著性至关重要： 统计显著性 (Statistical Significance): · 控制图上的点超出控制限 → 统计上显著 · p值 < 0.05 → 统计上显著 · 但统计显著 ≠ 实际重要！ 实际显著性 (Practical Significance): · 过程偏移是否影响产品功能？ · 变异增加是否导致不合格品？ · Cpk从1.5降到1.45 → 统计显著但不一定实际重要 过度调整(Tampering)的风险： · 对统计显著但实际不重要的信号做出反应 · 导致过程被不必要地调整，反而增大变异 · 这就是Deming漏斗实验的核心教训 Deming漏斗实验 规则1: 不做调整 → 结果最好 规则2: 每次偏离目标都调整 → 变异增大40%！ 规则3: 根据上一次偏差调整 → 过程随机游走 规则4: 调整到上次测量位置 → 变异爆炸式增长 启示: 仅在确认特殊原因时才调整过程 随机变异不应触发调整行为 SPC的首要目标是消除过度调整

质量控制回路1 - SPC（最内层、最快速回路）： 触发条件: · 控制图上出现失控信号（超出控制限或非随机模式） 响应时间: · 实时或近实时（分钟级别） 参与者: · 操作员（一线） · 线长/班组长 行动内容: · 执行OCAP Level 1响应 · 隔离受影响产品 · 检查过程参数、执行调整 · 重新采样验证 反馈机制: · 短期数据反馈 → 即时过程调整 回路1的特性和价值速度: ★★★★★ 最快响应，分钟级粒度: ★★★★★ 单个特性级别预防性: ★★★★★ 在缺陷产生前干预自动化程度: ★★★★☆ 可实现自动判异这是最具价值的控制回路直接守护过程稳定性

测量系统是SPC的数据源头，数据质量决定分析质量： 测量系统评估指标： Cg/Cgk (Type 1研究): · 评估测量设备的基本能力 · Cg ≥ 1.33, Cgk ≥ 1.33 · 使用校准件、重复测量 %GR&R (Type 2/3研究): · 评估测量系统总变异 · 包含重复性和再现性 · ≤10%: 可接受 · 10-30%: 有条件接受 · >30%: 不可接受，必须改进 NDC (可区分类别数) NDC = 1.41 × (σ_part/σ_GRR) NDC ≥ 5: 测量系统可接受 NDC = 2-4: 勉强可用 NDC < 2: 无法区分零件 UMP (扩展测量不确定度): · 95%置信水平的扩展不确定度 · 验收限 = 规格限 ± UMP · UMP应< 容差的10-30%

IATF 16949要求的控制计划应包含以下SPC相关要素： 1. 原型样件(Proto-type)控制计划 - 样件制造阶段的尺寸测量和材料/性能试验说明 2. 试生产(Pre-launch)控制计划 - 初始过程能力研究（Pp/Ppk）要求 - 机器性能研究（Pm/Pmk）要求 - 测量系统分析要求 3. 生产(Production)控制计划 - 控制图类型和抽样方案 - 控制方法（SPC/检验/防错等） - 反应计划（引用OCAP文件号） - 过程能力/性能指标及目标值 - 特殊特性分类（CC/SC）标识 - 样本量和抽样频率的确定依据 - 责任人（操作者/检验员/工程师）

每张控制图包含以下基本要素： 1. 数据点 (Data Points): · 按时间顺序绘制的统计量 · 用点("•")或"×"表示 2. 中心线 (Center Line - CL): · 过程统计量的平均值 · 用实线表示 3. 上/下控制限 (UCL/LCL): · CL ± 3σ（Shewhart图） · 用虚线表示 · 作为判定过程是否失控的边界 4. 规格限 (USL/LSL) - 可选: · 客户要求/设计规格的上下限 · 控制限 ≠ 规格限！ · 两者无直接数学关系 控制限 vs 规格限关键区别控制限(UCL/LCL):来源: 过程数据目的: 监控过程稳定性计算方法: 统计公式规格限(USL/LSL):来源: 设计要求目的: 判定产品合格性计算方法: 工程分析两者独立，不能混用！合格产品可能来自失控过程；受控过程也可能产出不合格品。

ARL是衡量控制图性能的关键指标： ARL₀ (受控ARL): · 过程实际受控时,发出误报警的平均子组数 · Shewhart图(3σ限): ARL₀ ≈ 370 · 即每370个子组约有一次误报 · ARL₀越大越好（误报越少） ARL₁ (失控ARL): · 过程实际偏移后,检测到偏移的平均子组数 · 对1σ偏移: Shewhart图ARL₁ ≈ 44(n=5) CUSUM图ARL₁ ≈ 10 · ARL₁越小越好（检测越快） ARL是控制图设计的核心权衡： · 降低误报 → 增加漏报 → 平衡ARL₀和ARL₁ · Shewhart图: 对大幅偏移检测好,对小偏移差 · CUSUM/EWMA: 对小偏移检测好,参数调优复杂 ARL速查表 (n=5, Xbar图) 过程无偏移: Shewhart ARL₀ = 370 偏移 = 0.5σ: Shewhart ARL₁ ≈ 155 CUSUM ARL₁ ≈ 16 偏移 = 1.0σ: Shewhart ARL₁ ≈ 44 CUSUM ARL₁ ≈ 10 偏移 = 2.0σ: Shewhart ARL₁ ≈ 5 CUSUM ARL₁ ≈ 3

运行图(Run Chart)是机器性能研究中重要的定性分析工具： 运行图分析的检查项： 1. 趋势 (Trend): · 连续上升或下降的数据系列 · 可能原因: 刀具磨损、温度漂移 2. 偏移 (Shift): · 数据突然跳到新水平并维持 · 可能原因: 设置变更、材料批次变化 3. 周期性 (Cycle): · 规律的波浪形波动 · 可能原因: 温度循环、电压波动 4. 聚类 (Cluster): · 数据点聚集成组 · 可能原因: 多腔模具、多主轴加工 5. 异常点 (Outlier): · 明显偏离其他数据的点 · 需要调查但不一定删除 运行图与控制图的区别运行图:· 仅按时间顺序绘图· 无控制限· 定性判断· 用于初始分析控制图:· 含中心线和控制限· 含判异准则· 定量判断· 用于正式监控运行图是控制图的前置步骤

能力指数是"估计值"而非"真值"，应考虑置信区间： 为什么需要置信区间？ · 能力指数基于样本数据计算，存在抽样误差 · 样本量越小，估计的不确定性越大 · 仅报告点估计值(如Cpk=1.45)可能误导决策 · 应报告置信区间: Cpk = 1.45 [1.30, 1.60] (95%CI) Cp的置信区间 (近似公式): Cp × √(χ²(α/2,n-1) / (n-1)) ≤ 真值 ≤ Cp × √(χ²(1-α/2,n-1) / (n-1)) 样本量对置信区间宽度的影响: n=30: Cpk=1.45 → 95%CI [1.18, 1.72] (宽!) n=100: Cpk=1.45 → 95%CI [1.30, 1.60] (中等) n=300: Cpk=1.45 → 95%CI [1.36, 1.54] (较窄) 决策时务必检查置信区间下界是否满足目标值要求！

从初始过程性能(Pp/Ppk)到长期过程能力(Cp/Cpk)的过渡条件： 阶段1 - 初始评估: · 至少125个数据点（25个子组×5） · 计算Pp和Ppk · Pp ≥ 2.00 且 Ppk ≥ 1.67 → 可进入阶段2 阶段2 - 稳定性证明: · 建立控制图并持续运行 · 连续25个子组无失控信号 · 过程证明处于统计受控状态 · → 可进入阶段3 阶段3 - 能力确认: · 使用组内变异计算Cp和Cpk · Cp ≥ 1.67 且 Cpk ≥ 1.67 · → 过程正式释放进入批量生产 过渡决策矩阵 Pp/Ppk达标? / \ 是 否 | | 稳定性? 改进过程 / \ 是 否 | | Cp/Cpk 消除特殊 评估 原因 / \达标 不达标 | |释放 改进过程所有决策须基于数据和统计证据

选择合适控制图的系统化决策流程： Step 1: 数据类型？ 连续(计量)数据 → 变量控制图 → Step 2 离散(计数)数据 → 属性控制图 → Step 5 Step 2: 子组大小？ n=1 → I-MR图 n=2-6 → Xbar-R图（或Xbar-s图） n>6 → Xbar-s图（优先推荐） Step 3: 检测灵敏度需求？ 检测大偏移(>1.5σ) → Shewhart图 (Xbar-R/s, I-MR) 检测小偏移(<1.0σ) → CUSUM图 或 EWMA图 Step 4: 是否多变量相关？ → 多元控制图(Hotelling T²) Step 5: 属性控制图选择 不合格品: n固定→np图 | n可变→p图 缺陷数: 单元固定→c图 | 单元可变→u图

小批量/多品种生产场景下的SPC挑战与对策： 主要挑战: · 生产批量不足以建立初始控制限(需25子组) · 品种转换频繁，每个品种的样本量少 · 传统控制图方法无法直接应用 解决方案: 1. 标准化控制图 (Standardized Chart): Zᵢ = (Xᵢ - μ₀)/σ₀ (将不同特性标准化) 不同零件的同一特性可合并监控 2. 偏差控制图 (Deviation Chart): Dᵢ = Xᵢ - Nominal (监控与名义值的偏差) 3. 基于历史数据的控制限: 使用相似零件的历史数据建立初始控制限 生产过程中逐步更新 标准化控制图示例 数据: 三种零件(A/B/C)的外径 标准化: Z = (X - 目标值) / σ_ref 标准化后: · 所有数据在同一尺度 · 中心线=0, 控制限=±3 · 不同零件可在一张图上监控 参考: GB/T 17989.8-2022 短周期小批量的控制方法

当过程数据存在自相关时，传统SPC方法会失效： 自相关产生的原因： · 连续生产过程的惯性效应 · 短采样间隔（相对过程时间常数） · 化工过程的物料返混 · 反馈控制系统的动态响应 自相关的后果： · 控制图上出现大量误报警 · 标准误(σ̂)被严重低估 · 能力指数被高估 · 判异准则失效 解决方案: · 增大抽样间隔至过程时间常数以上 · 使用时间序列模型残差控制图 · 平稳过程控制图(GB/T 17989.9-2022) 检测自相关1. 自相关图(ACF) 显著非零的滞后1阶 自相关系数2. 运行图观察 数据缓慢漂移 非随机跳跃3. Durbin-Watson 统计检验处理自相关的推荐抽样间隔:至少为过程时间常数的1/4

选择SPC软件时应评估的功能清单： 基础功能: □ 变量控制图 (Xbar-R, Xbar-s, I-MR, Median-R) □ 属性控制图 (p, np, c, u) □ 特殊控制图 (CUSUM, EWMA, 多元, 短周期) □ 能力指数 (Pp, Ppk, Cp, Cpk, Pm, Pmk, Cwk) □ 正态性检验 (AD, SW, KS + 图形法) □ 非正态能力分析 (数据变换、非正态拟合) 高级功能: □ 实时数据采集接口 (PLC, 量具直连) □ 自动报警 (邮件/短信/看板) □ OCAP管理 (触发-执行-关闭闭环) 更多功能要求□ 多站点数据汇总□ 自定义报告模板□ 权限管理□ 审计追踪□ 21 CFR Part 11 合规(电子签名)□ 数据库集成 (SQL, Oracle等)□ 移动端访问□ 数据导出 (CSV, PDF, Q-DAS)□ API接口□ 多语言支持

SPC相关记录的保存要求（IATF 16949 + VDA 1）： 保存期限: · 产品生命周期 + 1个日历年 · (VDA 1要求: "产品停产后15年") · PPAP记录: 活跃零件生命周期+1年 必须保存的SPC记录: · 机器性能研究报告 · 初始过程能力研究报告 · 控制图原始数据和图表 · OCAP执行记录 · MSA报告 · 控制计划历史版本 · SPC软件验证记录 · SPC培训记录 归档要求: 防篡改、可检索、可读性保证 SPC审核准备清单 客户审核/第三方审核常见检查项: □ SPC程序文件是否最新？ □ 控制计划是否覆盖所有SPC特性？ □ OCAP是否真实有效（非形式主义）？ □ 操作员是否能正确判读控制图？ □ 能力指数是否满足客户要求？ □ 记录是否完整且可追溯？ □ 软件验证记录是否存在？ □ 校准记录是否在有效期内？

SPC培训是成功实施的基础，建议分层次培训： Level 1 - 意识培训 (所有员工): 2小时 内容: 什么是SPC，SPC为什么重要，SPC如何帮助我们的工作 Level 2 - 操作员培训 (一线操作员+检验员): 8小时 内容: 控制图基本原理，数据采集方法，控制图判读（8项准则），OCAP执行流程 Level 3 - 工程师培训 (工艺+质量工程师): 24小时 内容: 统计基础，控制图设计与选型，能力指数计算与解读，MSA原理， 异常分析，过程改进方法论 Level 4 - 专家培训 (SPC协调员/黑带): 40小时 内容: 高级统计方法(EWMA/CUSUM/多元)，非正态过程能力，时间依赖模型， SPC体系设计与审核，教练技巧 培训需包含理论讲解(40%)+ 实际操练(40%)+ 案例讨论(20%)。

各主机厂对SPC的特定要求概览： 大众集团 (VW Group): · 使用VDA标准体系 · 要求: Cpk ≥ 1.67 (关键特性) · 参考: VDA 6.1, VDA 6.3审核标准 宝马集团 (BMW Group): · GS 98000系列标准 · Cmk(机器能力)要求 戴姆勒 (Mercedes-Benz): · MDS/MRB标准 · 特殊的机器能力证明要求 通用汽车 (GM): · GP系列标准 · 要求提交初始过程能力研究 重要提醒主机厂特殊要求优先级高于行业通用标准永远优先查阅客户的:· 供应商质量手册· CSR (Customer Specific Requirements)· 工程规范· SQE沟通记录AIAG-VDA SPC 2026是"推荐"标准客户要求是"强制"标准

当过程出现SPC问题时，系统化诊断方法： 问题: Cpk不达标 (Cpk < 1.33) 检查1: Cp是否达标？ Cp ≥ 1.33 → 变异控制OK，过程偏移（问题在居中） Cp < 1.33 → 变异过大（问题在变异控制） 检查2: Pp vs Cp差距大吗？ 差距大 → 过程不稳定，存在特殊原因 差距小 → 过程稳定但能力不足 检查3: Cwk vs Cpk差距大吗？ 差距大 → 子组间变异是主要问题来源 问题: 控制图频繁失控 检查1: 测量系统是否合格？ (%GR&R ≤ 30%) 检查2: 控制限是否计算正确？ 检查3: 判异准则是否过多？（调整准则组合） 5M1E检查法 失控时逐项排查5M1E: 人(Man): 操作员变更/疲劳/培训不足？ 机(Machine): 磨损/松动/参数漂移？ 料(Material): 批次变更/供应商变更？ 法(Method): 参数变更/程序更新？ 环(Environment): 温湿度/振动/电源？ 测(Measurement): 量具漂移/操作错误？

统计过程控制 Statistical Process Control (SPC) 过程能力 Process Capability 过程性能 Process Performance 机器性能 Machine Performance 组内能力 Within Capability 控制图 Control Chart

控制限 Control Limit 规格限 Specification Limit 合理子组 Rational Subgroup 随机原因 Random Cause / Common Cause 特殊原因 Special Cause / Assignable Cause 受控过程 In-Control Process

失控行动计划 Out-of-Control Action Plan (OCAP) 运行图 Run Chart 正态分布 Normal Distribution 测量系统分析 Measurement Systems Analysis (MSA) 重复性与再现性 Gauge R&R (Repeatability & Reproducibility) 扩展测量不确定度 Extended Measurement Uncertainty (UMP)

AIAG-VDA SPC 2026的10个关键要点： 1. 统一的全球标准: AIAG与VDA联合开发，替代各自旧版SPC手册 2. 六层质量控制回路: 从实时SPC到体系审核的完整监控体系 3. 主动预防为核心: 从"检测缺陷"到"预防缺陷"的思维转变 4. 角色与能力体系: 7大角色×7大能力维度的矩阵化管理 5. 新增组内能力(Cw/Cwk): 更精细的诊断工具 6. 时间依赖分布模型: 5类模型指导正确的控制策略 7. 强化的OCAP体系: 4级响应+升级路径的结构化失控管理 8. 样本量灵活调整: 目标值随样本量调整的机制 9. 数字化就绪: 软件验证+工业4.0集成指南 10. 全面文档化要求: 从机器性能到年度总结的完整记录体系 行动建议对于管理层:1. 制定SPC实施策略和时间表2. 分配资源和预算3. 任命SPC负责人4. 建立SPC绩效考核体系对于技术团队:1. 深入学习新手册内容2. 评估现有SPC体系的差距3. 制定过渡计划4. 开始试点实施5. 积累经验后推广