SPC控制图中常见的五种波动模式

在质量管理和六西格玛的学习过程中，SPC（Statistical Process Control，统计过程控制）是一个非常重要的工具。尤其对于质量工程师、工艺工程师和生产管理人员来说，能否正确理解SPC控制图，往往直接影响我们判断过程稳定性和分析质量问题的能力。

但优思学院发现，很多人在学习SPC时，容易把重点放在「背诵判异规则」上。

例如，连续多少个点落在中心线同一侧？连续多少个点上升或下降？什么时候需要判断过程失控？这些当然都是重要的知识，也是六西格玛绿带、黑带课程中经常出现的内容。

不过，如果学习SPC只停留在记忆规则、计算控制限，或者机械地判断某张控制图有没有触发规则，那么我们可能还没有真正掌握SPC的精髓。

控制图并不是一张用来判断合格或不合格的图表，而是帮助我们理解过程行为、识别异常变化，以及寻找改善方向的工具。

一位六西格玛绿带（CSSGB）、黑带（CSSBB）或者质量工程師在看到控制图时，不应该只问：「有没有违反判异规则？」

他还应该观察：数据点是怎样波动的？过程有没有逐渐发生变化？是否出现了某种周期性的规律？过程平均水平有没有明显偏移？这些变化可能与现场哪些因素有关？

这些问题，才是把SPC从统计理论带到生产现场的关键。

一、为什么不能只依靠SPC判异规则？

SPC控制图背后的重要概念，是区分两种不同性质的波动：普通原因波动（Common Cause Variation）与特殊原因波动（Special Cause Variation）。

普通原因波动来自过程系统本身。例如设备正常运行时的微小变化、原材料之间的自然差异，以及日常生产中无法完全避免的随机因素。

只要过程没有发生本质变化，这些波动通常会在一定的统计范围内随机出现。

特殊原因波动则来自某些不属于过程正常运行状态的因素。例如设备突然故障、操作条件被改变、原材料异常，或者测量系统出现问题。

SPC控制图的一个核心任务，就是帮助我们识别特殊原因可能存在的统计信号。

因此，我们会使用各种判异规则，例如控制点超出三倍标准差控制限，或者连续多个点集中在中心线同一侧。

这些规则是经过设计的统计检测方法，有助于减少判断过程异常时的主观性。

但我们需要认识到，判异规则是一套识别异常信号的标准，并不是解释过程变化原因的答案。

假设一张控制图出现了连续上升的趋势，工程师通过判异规则发现异常，这当然是正确的。

但接下来的问题是什么？

是设备正在逐渐磨损？环境温度持续上升？原材料特性发生变化？还是测量仪器出现了漂移？

判异规则不能直接告诉我们答案。真正的原因，需要结合过程知识、现场观察和进一步的数据分析才能判断。

因此，学习SPC不能只记住哪些图形属于异常，还需要培养观察数据、理解过程的能力。

二、控制图中常见的五种波动模式

在实际生产中，控制图可能呈现不同的波动形态。以下五种模式，可以帮助我们建立观察和分析过程行为的基础。

需要说明的是，这五种是便于理解的视觉分类，并非一套独立、统一的正式判异规则。判断是否存在统计失控信号，仍需结合所采用的判异准则。

1. 稳定型（Stable）：随机波动是正常现象

稳定过程的控制图，通常会看到数据点围绕中心线随机上下波动，没有出现明显的异常模式，也没有触发所采用的判异规则。

这类波动通常来自过程中的普通原因。

例如，一台加工设备持续生产直径为10毫米的零件，测量结果可能有时是10.01毫米，有时是9.99毫米，有时是10.02毫米。

即使机器运行正常，我们也不应该期待每个零件的尺寸完全相同。

过程稳定并不是完全没有波动，而是过程的波动表现具有可预测的统计特征。

在这种情况下，如果管理人员因为某个测量结果略高于平均值，就立即调整设备参数，反而可能把原本稳定的过程弄得更加不稳定。

这也是戴明特别提醒管理者需要避免的问题：对普通原因波动进行不必要的干预，可能增加整个系统的波动。

2. 失控型（Unstable）：出现需要调查的异常信号

失控型通常表现为控制图上出现超出控制限的数据点，或者符合其他判异规则的非随机模式。

例如，一条生产线平时产品重量都在稳定范围内波动，某天突然出现一个远超控制上限的数据点。

这个异常点可能与设备设定错误、投料异常或测量问题有关。

但需要注意，某个点超出控制限，并不代表产品必然不合格。

控制限是根据过程数据及统计方法建立的，用来判断过程行为；规格限则来自产品要求，用来判断产品是否符合规定。

两者的用途并不相同。

当控制图发出失控信号时，我们应该调查特殊原因，并根据实际情况采取纠正措施，而不是单纯删除异常数据，或者为了让图表看起来正常而随意调整控制限。

3. 趋势型（Trend）：过程正在逐渐发生变化

趋势型是非常值得工程师关注的一种模式。

它可能表现为数据连续上升，也可能表现为连续下降。

例如，一台设备生产的零件尺寸，随着生产时间推移，逐渐从10.00毫米增加到10.01、10.02、10.03毫米。

每个数据点可能仍然处于控制限内，但如果持续呈现同一个方向的变化，就值得进一步调查。

现场可能存在的原因，包括刀具逐渐磨损、设备温度变化、传感器漂移，或者原材料状态持续改变。

这种模式提醒我们：过程变化不一定是突然发生的，也可能是慢慢累积的。

对于一些设备和工艺，及早识别趋势，有机会帮助我们安排预防性维护，避免问题进一步扩大。

不过，并非任何短暂上升或下降都属于统计异常。是否触发趋势判异规则，需要依据所采用的规则和连续点数判断。

4. 周期型（Cyclical）：数据出现重复性的起伏

周期型的控制图，通常会呈现某种重复的高低变化模式。

例如，一条生产线的产品尺寸，在早班时偏高，到了晚班又偏低，第二天重复出现类似的变化。

如果把这些测量结果按照时间顺序绘制成控制图，就可能看到有规律的上下波动。

这种现象可能与以下因素有关：不同班次的操作习惯、设备的加热与冷却周期、环境温度的昼夜变化，以及生产设备定期运行或清洗的安排。

周期型有一个值得注意的地方：它的异常可能来自某些重复发生的过程条件，而不是一次性的设备故障。

例如，某家食品工厂发现产品重量每天都会出现规律性的变化。工程师进一步检查后，发现这种变化与设备启动后的温度变化有关。

如果只是机械地应用判异规则，而没有仔细观察数据的时间规律，就可能忽略这个重要线索。

当然，看到几次起伏，并不足以证明过程存在周期性因素。我们还需要进一步比较不同日期、班次或生产周期的数据，判断这种规律是否持续存在，以及是否具有统计意义。

控制图能够提示我们哪里存在值得关注的变化，但要解释这些变化，仍然需要回到实际生产过程。

5. 偏移型（Shift）：过程平均水平突然改变

偏移型与趋势型有一个重要区别。

趋势型通常是逐渐发生的变化，而偏移型则表现为过程平均水平突然发生改变，并在新的水平上持续运行。

例如，某台设备原本生产的零件平均尺寸约为10.00毫米，某次设备维护之后，平均尺寸突然变成10.04毫米。

此后的数据虽然仍然存在随机波动，却持续围绕10.04毫米上下变化。

这种现象可能与设备重新校准、工艺参数调整、更换原材料批次、操作方法改变，或者测量系统发生变化有关。

遇到这种情况，我们需要追问：「过程是在什么时候开始变化的？当时发生了什么事情？」

如果企业保留了完整的设备维护记录、生产履历与原材料批次记录，往往更容易找到可能的原因。

这里还有一个常见误区：如果偏移之后的数据仍然落在原来的控制限内，管理人员可能误以为过程没有问题。

但数据没有超出控制限，并不能自动证明过程没有发生变化。 持续偏向中心线某一侧的数据，可能触发相应的连续点判异规则。

三、观察控制图时，要把统计信号与过程知识结合起来

SPC的价值，不在于发现红色警告之后，就简单地判断过程失控。

更重要的是，我们能否通过数据理解过程的变化，并作出合理的管理决策。

例如，在一家精密加工工厂，质量工程师发现产品尺寸连续多日缓慢上升。

如果只根据单个数据点是否超出控制限来判断，可能暂时看不出明显问题。

但如果把这些数据连接起来观察，就会发现过程可能正在逐渐变化。

工程师于是检查了刀具使用时间、设备运行条件与原材料变化，并发现刀具磨损与尺寸变化存在关联。

接下来，企业就可以研究是否需要调整刀具维护周期，或者建立更合适的换刀标准。

这才是SPC真正值得学习的地方。

我们不是看到异常就立即调整设备，而是通过数据识别值得调查的信号，再利用过程知识寻找原因，并验证改善措施是否有效。

在实际工作中，优思学院建议工程师养成一种习惯：看控制图时，不要急着作出判断，而是试着解释数据为什么会呈现这样的形态。

当然，视觉观察也有局限。人类很容易在随机数据中看出实际上不存在的规律。因此，视觉观察应该与统计判异规则互相配合，而不能代替经过验证的统计判断。

四、即使过程稳定，也不代表质量一定良好

学习SPC，还有一个非常重要的观念，就是必须区分「过程稳定」与「过程能力」。

假设某个过程的控制图长期没有出现异常信号，所有数据也符合所采用的控制图判异规则。

我们可以认为，目前没有证据表明过程受到特殊原因的影响。

但这是否代表产品质量一定符合客户要求？

答案是否定的。

例如，某个零件的规格要求为10.00 ± 0.05毫米，也就是允许尺寸介于9.95至10.05毫米之间。

如果过程长期稳定地生产出平均尺寸为10.04毫米的零件，而且波动比较大，那么即使过程处于统计受控状态，仍然可能产生超出规格的产品。

这是因为控制限与规格限的来源不同。

控制限（Control Limits）反映过程本身的统计波动特征，规格限（Specification Limits）则来自顾客或设计要求。

因此，SPC控制图帮助我们判断过程是否稳定，而Cp、Cpk等过程能力指标，则帮助我们进一步评价过程满足规格要求的能力。

这两种分析需要结合起来理解。

对于一个不稳定的过程，直接计算Cpk并据此预测未来的不良率，也可能产生误导，因为过程本身的统计特征仍然在变化。

合理的改善方向，是先识别并处理特殊原因，建立稳定的过程，再评估其过程能力，并持续减少普通原因造成的波动。

五、学会观察控制图，比单纯记住规则更有价值

我们经常听到一句话：「数据会说话。」

但数据并不会自己解释原因。

同样的一组控制图数据，在不同工程师眼中，可能呈现完全不同的信息。

有些人看到的是几个超出控制限的数据点，有些人看到的是设备运行状态的变化，还有些人可能通过时间、批次和操作条件之间的关联，发现长期没有解决的过程问题。

区别就在于他们是否具备足够的统计知识，以及对实际过程的理解。

这也是为什么学习SPC不能只停留在考试题目和软件操作上。

判异规则能够帮助我们建立客观的判断标准，避免单纯依靠个人感觉解释波动；观察控制图的整体形态，则可以帮助我们提出更有价值的问题，找到值得进一步调查的方向。

两者并不矛盾，而是相互补充。

实际上，优思学院在介绍控制图时，也强调需要识别超出控制限的数据点、连续点分布及其他可能提示过程异常的持续性模式，并调查相关原因。

对于企业而言，SPC也不应该只是一份需要定期提交的质量记录。

如果控制图只是用来应付审核，员工每天记录数据、打印图表，却没有人真正分析过程发生了什么变化，那么再完善的SPC系统，也很难发挥应有的作用。

优思学院认为，SPC的核心，是让管理者与工程师学会用数据理解过程，用统计方法区分波动，再通过现场调查和持续改善，使过程变得更加稳定、可预测。

下一次看到控制图时，除了检查有没有违反判异规则，也不妨多问自己一句：

「这张控制图，正在告诉我这个过程发生了什么？」

当你开始认真思考这个问题，就已经从单纯使用SPC工具，迈向真正理解统计过程控制了。