通过控制图识别的失控流程（SPC）
识别并管理 SPC 失控流程

流程控制图展示流程统计量随时间的变化。中心线与控制限描述基线；越限点和所选非随机模式触发调查。产品规格回答的是另一问题：输出是否符合要求。让我们了解这些信号及相应响应。

利用控制图寻找流程可能已经变化的信号。 调查越限点、符合规则的连续点及其他所选模式，找出并处理原因，有助于恢复稳定和保持质量一致；图表信号本身不确立原因，也不保证输出合格。

失控流程控制图基础

控制图按时间顺序绘制流程统计量，以便将当前表现与既定基线比较。中心线描述参考水平，控制限描述所选模型下的预期统计变异；它们不是产品规格限或验收限。

控制限来自指定模型，以及适当基线数据或已知参数。建立基线时，应调查特殊原因信号，检查测量与抽样假设。所得控制限有助于识别相对该基线的异常行为。

控制图帮助判断何时调查可能的特殊原因，而不是对常规普通原因变异作出反应。信号是待检查证据，并非原因诊断。普通原因变异属于基线流程，改善它可能需要更广泛流程变更。

这些控制限根据历史数据建立，帮助识别流程中是否存在持续或不可预测的变异。

结合信号、流程背景和控制计划决定行动。针对已确认特殊原因采取措施；普通原因变异需改善时，则改进流程本身。单独检查输出是否符合要求。这样能及时纠正、提高生产率并持续改进，而不是每次普通波动后都调整流程。

理解失控流程控制图的重要性后，接下来深入了解它们如何管理并减轻意外流程变异，保持产品质量一致。

什么是失控流程？

以下是本课选用的信号规则。 本课保留七点趋势和八点同侧连续点。其他规则集与软件默认设置可能不同，应先定义并配置预期规则，再解读图表。符合规则的信号触发调查；使用更多检验也可能增加误报。这些图是示意图，并非实测流程数据。

• 一个或多个数据点超出控制限。
• 连续七个数据点持续上升或下降。
• 连续八个数据点位于均值同一侧。
• 连续十四个数据点交替上升与下降。
• 连续三个数据点中有两个位于均值同侧的 A 区或更远处。
• 连续五个数据点中有四个位于均值同侧的 B 区或更远处。
• 连续十五个数据点位于 C 区内，分布在均值上下两侧。

打开完整尺寸图表 ↗

六西格玛失控图-1

打开完整尺寸图表 ↗

六西格玛失控图-2

失控流程识别方法

利用控制图识别失控流程时，应注意若干关键指标，它们在流程出问题时发出警示，原因可能是机器故障或操作错误。

其中一个信号是 超出控制限的数据点。应检查测量、图表设置与流程条件，再按照控制计划调查。罕见点可能偶然出现，其位置并不能指出具体原因。

符合规则的一串 中心线同侧的连续数据点 可能表示流程水平偏移。如同夏去秋来时连续较凉的日子，这种模式促使我们检查背景。单调趋势是另一种模式，应应用所选规则，而非将两者混为一谈。

位于中心线同一侧的连续点 可能表示水平变化，但较高或较低并不自动意味着质量更好或更差。若机器运行条件改变、质量下降，应将图表证据与流程历史及产品规格比较，再判断发生了什么。

这些信号是警示，促使我们密切监控制造流程。理解方法并保持警觉，能够及早发现偏差，在重大问题发生前采取纠正措施。

了解失控流程的识别方法后，现在研究流程管理中需特别考虑的独特情形。

什么是 SPC（统计过程控制）？

统计过程控制（SPC）利用按时间排列的测量或属性数据，理解并改善流程行为。控制图展示所选统计量、中心线和适当控制限。符合规则的点或模式触发调查。UCL、LCL 描述预期基线行为，并非产品质量可接受的公差。

UCL、LCL 帮助将当前行为与基线比较，判断何时关注可能的特殊原因。即使所有点都在限内，非随机模式仍可能重要。应持续监控、调查信号，并评估拟议干预是否针对真实流程条件。

准确测量和适当抽样计划，让 SPC 有助于发现改进机会、减少缺陷浪费并提高效率。调查特殊原因信号，依据发现选择针对性变更。稳定流程若不能满足客户要求，应改进流程并评估能力；仅让数据点处于控制限内并不够。

如何识别并分析 SPC 图上的失控点？

分析 SPC 信号时，应将按时间排列的统计量与控制限和所选模式规则比较。规格限描述产品要求，不定义统计稳定性。应检查数据和图表假设，调查流程背景，再进一步分析原因，然后选择纠正措施。

SPC 图出现不稳定迹象时，应采取什么行动？

SPC 图出现不稳定迹象时，首先应全面分析变异来源，检查样本和统计数据，识别分布中的模式或异常。细致评估是定位失控根因的关键。找到来源后，可采取战略措施管理并纠正问题，恢复流程受控，保持系统可靠。

已经失控的流程还能挽救吗？

可以，但很大程度上取决于及时识别根因并实施有效纠正措施。偏离既定控制限，表明流程偏离正常运行状态。首先要全面调查相关因素，分析数据、样本和统计指标，定位变异来源。识别后可迅速开展针对性干预，处理深层问题，使流程恢复受控。

不过，能否成功恢复流程，也取决于组织的响应和适应能力。 持续监控、定期审核和稳健质量管理体系，有助于及早发现潜在偏差，降低影响，提高成功恢复的可能性。有效沟通协作也对迅速纠正至关重要。总之，失控流程可以挽救，但需要组织主动、系统地解决问题并持续改进。

研究特殊情形

每个制造流程都有独特特征，可能出现多种异常情形或信号，使流程偏离正常表现。

常见异常情形是设备故障导致产出突然升降，在控制图上形成不规则数据点。应及时处理，使流程恢复受控，避免严重质量问题和生产延误。

材料质量问题也可能触发失控信号。应与供应商密切合作，确保材料一致，避免干扰制造的变异。

例如，汽车零件所用一批钢材存在杂质或不一致，导致缺陷率上升或产品尺寸波动，都可能触发控制图失控信号。

成功管理特殊情形，需要主动解决问题，并与所有制造利益相关者持续协作。细致研究和处理这些情形，有助于保持生产稳定、坚持高质量标准。

理解特殊情形如何影响制造后，现在考虑实施控制规则，以有效管理并最终改进流程。

实施流程控制规则

制造流程可能复杂敏感，涉及众多步骤与变量。流程控制规则提供系统、有序的检测方法，发现失控并及时干预纠正。两套知名规则是 Western Electric 规则 和 Nelson Rules.

Western Electric 规则 以所选区域和连续点检验补充越限信号，包括三个点中两个超过两西格玛、五个点中四个在同侧超过一西格玛，以及八点同侧连续点。规则标记待调查模式，不会自动识别原因。

Nelson 式检验 包含额外模式检查。常见软件默认使用六点单调趋势、九点同侧连续点，参数可配置。本课特意保留原有七点趋势和八点连续点示例，不应假定其为未经修改的软件默认设置。

这些规则并非随意指令，而是基于经过广泛研究和制造实践不断完善的统计指标与技术。

所选规则如同内部质量保证哨兵，帮助团队发现异常、决定何时调查。应一致应用、理解假设并遵循响应计划。普通原因的常规波动，与已识别特殊原因，需要不同响应。

清晰、预先定义的规则支持客观决策。信号应触发调查，而非自动调整。确认相关原因，再依据控制计划决定采取遏制、纠正或更广泛流程改进。

严格遵守这些控制规则，为保持制造产品质量提供稳健框架，从而赢得客户信任。

我们已了解控制规则对保持制造产品质量一致的重要性。现在看它们如何影响整体生产率与盈利能力。

打开完整尺寸图表 ↗

六西格玛 DMAIC 失控流程检测

评估规则违规的重要性

规则信号需要适当响应，但并不必然意味着操作员犯错。应评估其对产品质量、工人与消费者安全、生产及客户的潜在后果，结合控制计划确定调查、遏制或纠正措施的优先级。

比较分析

评估规则违规重要性的一种方式，是比较不同类型的发生频率及对产出的影响，据此按潜在风险安排纠正措施优先级。

统计比较

除频率和影响外，还需统计比较不同违规的成本后果，量化其对生产成本、废弃物管理、返工及潜在监管罚款的财务影响，为纠正措施决策提供切实数据。

时间影响

还应评估纠正不同规则违规所需时间，分析识别、处理和纠正各类违规耗时，支持资源分配与流程优化，提高效率。

安全影响

评估规则违规的另一关键方面，是分析安全影响。不同违规可能对工人和最终消费者造成不同程度风险。理解这些影响，有助于制造商优先采取降低潜在危险的纠正措施。

客户影响

也应分析不同违规对客户的影响。质量偏差会导致不满，损害品牌声誉和忠诚度。量化其对满意度的影响，可使纠正措施符合客户期望。

从这些维度全面评估规则违规，可帮助制造商了解需要关注和纠正的关键领域，既恢复流程受控，也为持续改进与长期产品质量卓越铺路。

理解评估规则违规的关键方面后，接下来研究分析流程控制数据的进阶技术。

流程控制数据分析技术

处理流程控制数据时，统计技术对理解制造绩效与稳定性至关重要。下面了解能够提供重要洞见的关键分析方法。

统计计算

标准差 描述均值周围的离散程度。它有助于量化变异，但单个离散指标不能说明流程是否稳定或为何变化。除汇总统计外，还应检查时间顺序和适当图表信号。

另一项关键技术是 流程能力分析，评估流程满足指定要求的能力，使组织能够将当前能力与客户要求比较，作出明智改进决策。

趋势分析

趋势分析识别流程控制数据随时间变化的模式或趋势，帮助判断变异来自孤立事件还是系统性问题。例如，多个批次缺陷率持续上升，可能提示需立即关注的深层问题。

例如，连续烘烤的蛋糕时而太干、时而太湿。按时间记录烤箱温度可能显示异常波动；调查证据后，可能确认温控是影响因素。波动不同于单调趋势，图表本身并不能确立原因。

预测建模

预测建模利用历史流程数据估计未来结果，帮助预判偏差、规划响应，但其有效性取决于适当假设、验证及流程条件是否仍然适用。应结合预测、监控和调查，减少中断与质量风险。

预测建模就像根据天气预报准备应对风暴。依据历史数据预判变化，可提前采取预防措施，避免不良后果。

这些分析技术使组织能够作出明智决策，持续改进制造流程，最终提升产品质量与运营效率。

将这些分析方法融入制造，不仅加深理解，也支持主动管理潜在问题，提高生产系统整体效率与效果。

SPC 失控流程识别与流程控制图常见问题

表明流程失控的关键指标有哪些？

回答： 寻找越限点，以及符合所选偏移、趋势、连续点或周期规则的非随机模式。这些信号表示相对基线的异常行为，需要调查。Cp、Cpk 回答的是另一问题：在适当假设下，流程变异和位置如何关联规格限。它们不证明统计稳定性，依靠能力结论前，应先评估稳定性。

组织如何解读 SPC 控制图数据以改进流程？

回答： 通过 SPC 图识别失控流程，可为组织提供重要改进洞见。理解变异具体原因后，就能采取纠正与必要调整，恢复受控，提高质量、减少缺陷浪费并提升效率。例如，图表显示缺陷超出控制限时，可调查设备故障或操作错误等根因，并据实处理。

SPC 控制图如何帮助识别流程变异？

回答： 控制图展示按时间排列的统计量及其基线和控制限。越限点或符合所选检验的模式，表示模型下的异常表现。应调查数据与流程条件；信号不会指明原因，也不自动等同于对每个点的正式假设检验结论。

在质量管理中使用 SPC 控制图有何益处？

回答： SPC 控制图为质量管理带来多项益处。首先，直观展示绩效，便于识别和处理问题；其次，区分普通与特殊原因变异，支持适当行动。研究显示，采用 SPC 可显著减少缺陷，其中一项研究报告缺陷率下降 45%（来源：A. K. Memon 等人，2018，《Implementing Statistical Process Control to Improve Quality Performance》）。图表还可及早揭示趋势与模式，支持及时干预和持续改进。

哪些行业或领域经常使用 SPC 图识别失控？

回答： 是的，SPC 图常用于制造、医疗和软件开发。制造业用它识别质量变异、保持生产一致；Rana 等人（2017）研究发现，一家制造公司实施后缺陷减少 16.4%。医疗领域用它监控患者结果、改善护理；软件团队用它跟踪代码质量、发现编程错误。这些行业借此主动管理流程变异，提升整体绩效。

失控流程有哪些指标？

回答： 失控指标通常通过控制图显现：越限点、非随机模式或趋势表明不稳定。突然偏移、过度变异或系统性模式都是关键信号，可能提示需立即关注的问题。定期监控和解读，支持主动识别并及时纠正，保持生产环境稳定受控。

什么是控制图（流程控制图）？

回答： 控制图，也称流程控制图，是统计过程控制中用于监控并可视化流程长期稳定性与一致性的图形工具。图中绘制通常来自不同时间样本的数据点，并显示反映预期变异的控制限。它帮助识别可能表示流程失控的趋势、模式或异常值，使实践者及时发现并处理变异，提高生产或业务流程的整体质量与稳定性。

如何确保流程控制图的精密度和准确度？

回答： 使用适当测量系统、代表性抽样，并在适用时使用合理子组。定义图表和信号规则，检查假设，根据有依据的基线计算控制限，保持采集程序一致。持续监控，但不要反复重算控制限以吸收信号；只有合理的流程或数据原因，才能修订基线，并记录变更。

在质量管理中使用 SPC 有何益处？

回答： SPC 为质量管理带来诸多益处。实时监控可及早发现偏差和潜在问题，减少缺陷浪费、改善质量；对流程变异的洞见支持数据驱动决策和明智调整；控制图展示长期绩效，帮助分析趋势、识别优化领域。最终，SPC 推动持续改进，使各行业保持一致、高质量成果。

SPC（统计过程控制）图显示失控意味着什么？

回答： 失控信号表示，相对于所选基线模型与规则，某个点或模式不寻常。可能解释包括设备故障、外部影响或流程变化，应调查而非直接假定。按照响应计划处理已确认原因，并单独按规格评估输出。

通过控制图识别失控流程（SPC）回顾

总之，通过统计过程控制（SPC）图识别失控流程，是质量管理的重要环节。图表展示变异随时间的变化，帮助识别模式和异常。发现流程偏离预期统计行为，使决策者及时干预、处理不稳定根因，防止最终输出缺陷或错误升级。

组织应将失控流程管理视为持续改进的机会。 依据 SPC 图洞见实施纠正措施，不仅恢复流程稳定，也促进长期效率与产品质量。应将定期监控和分析控制图融入组织文化，形成主动质量保证实践。

对于希望加深质量管理方法理解的读者，我们鼓励您 请申请免费《Six Sigma Revealed》。 这本全面指南深入讲解六西格玛原则与技术，提供有关流程改进、减少变异及组织绩效卓越的重要洞见。采用框架原则，可显著促进失控流程的成功识别与管理，培育持续改进文化。