字数统计：4578 字 预计阅读时间：约 9 分钟
在很多制造企业，SPC的应用已经高度“自动化”。测量设备采集数据，系统自动计算均值、极差、标准差和过程能力指数，再自动生成控制图。一旦出现红点，系统发出报警，如果Cpk达到要求，过程就被认为“没有问题”。
整个过程看起来很完整，但一个越来越现实的问题是：系统会计算，并不代表方法选对了，控制图画出来，也不代表企业真正理解了过程。随着自动化、数字化和智能制造的发展，企业今天面对的数据，已经与传统人工抽样时代有了明显不同：数据采集越来越密集，过程变量越来越多，产品批量越来越小，不同设备和产品之间的数据结构也越来越复杂。
AIAG与VDA2026年7月1日推出统一的新版SPC手册，目标之一就是让SPC方法更加清晰、一致，并更适合今天的制造环境。官方将其定位为面向现代制造环境的统一实施框架，而不仅是一套公式和控制图目录。需要说明的是，非正态、自动相关、多变量和小批量等问题，并不是新版SPC首 次发现的。相关统计方法早已存在。
新版SPC更值得关注的变化在于：进一步强化“先理解过程和数据，再选择统计方法”的应用逻辑。这意味着，企业不能再看到一组数据，就习惯性地套用X̄-R图、I-MR图，然后计算一个Cpk。以下六类现代制造数据，尤其值得企业重新审视。
01 One
数据呈现非正态分布
传统SPC培训中，经常会把过程数据描绘成一条对称的正态分布曲线，但真实制造过程并不总是如此。例如：
·表面粗糙度通常存在明显偏态；
·跳动、圆度、泄漏量等数据存在天然下限；
·污染颗粒数量可能呈长尾分布；
·寿命、磨损和失效时间数据通常不对称；
·缺陷数和不合格率属于计数数据，而不是连续正态数据。
非正态并不意味着完全不能使用控制图，真正需要判断的是：
·数据为什么偏斜；
·这种偏斜是产品特性本身决定的，还是混入了不同过程状态；
·子组均值是否近似正态；
·控制界限是否仍具有合理的误报警概率；
·过程能力是否应基于其他分布、分位数或数据变换进行评价。
如果不分析这些问题，直接按正态分布计算Cpk，可能出现两种错误：
1、一种是过程本身风险不大，却因为模型不合适被判定为能力不足；
2、另一种则更加危险，指数看起来不错，但尾部超差风险被严重低估。
因此，面对非正态数据，第壹反应不应该是：“怎样把数据变成正态？”而应该先问：这种分布反映了怎样的过程机理？
02 Two
相邻数据存在自动相关
传统控制图通常隐含一个重要前提：相邻观测值之间相对独立，但自动化生产线上的数据，往往并不独立。例如设备每秒采集一次温度、压力、扭矩或流量。
当前时刻的数值，通常会受到上一时刻状态的影响，这就是自动相关。自动相关在连续制造、化工、热处理、注塑、焊接、涂装以及设备传感器数据中都很常见。
如果把这些数据直接放入传统控制图，可能出现一种很奇怪的现象：设备运行看起来十分平稳，控制图却不断发出异常报警。原因并不一定是过程真的出现了大量特殊原因，而可能是控制图把数据之间的时间依赖关系误判成了异常。
NIST指出，传统SPC所依赖的数据独立假设在实际过程中经常不成立，自动相关数据可能需要采用残差控制图、时间序列模型或其他专门方法。(NIST, 美国国家标准与技术研究院National Institute of Standards and Technology)这对智能工厂尤其重要。
数据采集频率越高，不一定越能帮助企业发现问题。如果采样频率远高于过程实际变化速度，系统可能只是获得大量高度相似的数据，并制造越来越多无效报警。因此，企业需要重新考虑：
·多长时间采集一次数据才有意义；
·应监控原始数据，还是模型残差；
·是否应该采用时间窗口汇总；
·报警是否对应真实可行动的过程变化。
数据多，不等于信息多；报警多，也不等于风险识别能力强。
相邻数据存在自动相关
传统控制图通常隐含一个重要前提：相邻观测值之间相对独立，但自动化生产线上的数据，往往并不独立。例如设备每秒采集一次温度、压力、扭矩或流量。当前时刻的数值，通常会受到上一时刻状态的影响。这就是自动相关。
自动相关在连续制造、化工、热处理、注塑、焊接、涂装以及设备传感器数据中都很常见。如果把这些数据直接放入传统控制图，可能出现一种很奇怪的现象：设备运行看起来十分平稳，控制图却不断发出异常报警。
原因并不一定是过程真的出现了大量特殊原因，而可能是控制图把数据之间的时间依赖关系误判成了异常。
NIST指出，传统SPC所依赖的数据独立假设在实际过程中经常不成立，自动相关数据可能需要采用残差控制图、时间序列模型或其他专门方法。(NIST, 美国国家标准与技术研究院National Institute of Standards and Technology)这对智能工厂尤其重要。
数据采集频率越高，不一定越能帮助企业发现问题。如果采样频率远高于过程实际变化速度，系统可能只是获得大量高度相似的数据，并制造越来越多无效报警。因此，企业需要重新考虑：
·多长时间采集一次数据才有意义；
·应监控原始数据，还是模型残差；
·是否应该采用时间窗口汇总；
·报警是否对应真实可行动的过程变化。
数据多，不等于信息多；报警多，也不等于风险识别能力强。
04 Four
多品种、小批量数据不足
传统控制图比较适合相对稳定、持续重复生产的场景。同一种产品、同一种工艺条件持续生产，企业可以按照时间顺序不断积累数据，建立合理控制界限。但很多制造企业正在转向：
·多品种；
·小批量；
·订单式生产；
·快速换型；
·样件和试制；
·高度定制化生产。
一个产品可能只生产20件，下一批就换成另一种型号。等企业凑够足够数据时，订单早已结束。如果不同产品的目标值、公差和过程波动水平不同，就不能把原始数据简单放在同一张控制图上。在这类场景下，企业可能需要考虑：
·将不同产品数据转换为相对目标值的偏差；
·按各产品自身标准差进行标准化；
·对同一工艺族进行分组；
·使用短期运行控制图；
·结合过程参数而不是只监控蕞终产品尺寸；
·用首件验证和风险控制补足统计数据不足。
但标准化也有前提。如果两种产品虽然使用同一台设备，却具有完全不同的材料、刀具、工艺窗口和失效机理，那么把它们放在一起，统计上可能显得合理，工程上却没有意义。
所以，小批量SPC的关键不是“想办法把数据拼起来”，而是判断：这些产品是否真正共享同一个过程机制？
05 Five
采样时间间隔不一致
传统控制图通常按照数据采集顺序横向排列。如果每个数据点之间的时间间隔大体相同，这样处理通常没有问题。但现实中，经常出现：
·上午检测一次，下午检测一次；
·连续生产时每小时检测，停产后几天才再生产；
·有异常时加密抽样，正常时降低频次；
·不同批次之间间隔数天甚至数周；
·设备维修后重新开始采集；
·客户投诉和设备故障属于不规则事件。
如果控制图上的点间距相同，读者很容易误以为它们在时间上均匀分布。实际上，第壹个点与第二个点可能只相隔10分钟，而第二个点与第三个点可能相隔3天。这会掩盖两个重要问题：
第壹，变化速度无法被真实体现；
第二，采样策略本身可能随着过程状态发生改变。
尤其是“异常后加密抽样”，如果不加说明，图上会突然出现大量数据点，看起来像过程波动加剧，实际只是监控频率变化了。
面对不等间隔数据，企业需要考虑：
·控制图横轴应使用产品顺序还是实际时间；
·间隔变化是否会影响数据解释；
·是否需要区分不同生产阶段；
·是否更适合监控事件之间的时间或数量；
·停机、换型、维修等变化点是否需要单独标识。
控制图不能只保留数据顺序，而丢失制造过程的时间背景。
06 Six
高频连续数据直接进入系统
智能工厂带来的一个新问题是：企业第壹次拥有了“太多数据”。过去，操作人员每小时抽检5件；现在，在线传感器可以每秒产生几十个参数。很多企业直觉上认为：既然数据都已经采集到了，就应该全部用于SPC。
于是系统将每个数据点输入控制图，结果往往是：
·控制界限异常狭窄；
·红点和报警不断出现；
·不同信号相互叠加；
·现场人员逐渐对报警麻木；
·真正重要的变化反而被淹没。
高频数据存在三个典型特点：
一、数据之间高度相关；
二、测量噪声可能远小于过程实际变化；
三、数据数量远远超过人员能够分析和响应的能力。
因此，高频数据不应该简单等同于高频决策。企业真正需要设计的是一套“数据转化为行动”的机制：
-原始数据用于保存和追溯；
-特征值用于过程监控；
-趋势和模型用于风险判断；
-明确的信号才触发现场响应。
例如，一条压力曲线可能每秒产生100个数据点，但管理者真正需要监控的，也许是：
·每个循环的峰值；
·保压时间；
·曲线面积；
·上升速度；
·稳态波动；
·与标准曲线的偏离程度。
这时，SPC监控的对象就不再是每一个原始点，而是从过程曲线中提取出的有工程意义的特征。这也说明，数字化时代的SPC不能只由质量部门独立设计，而需要质量、工艺、设备、自动化和数据人员共同参与。
07 Seven
新版SPC带来的真正提醒
新版AIAG-VDA SPC的意义，不应被简单理解为：
·多了几种控制图；
·修改了几个公式；
·更换了能力指数；
·重新出版了一本手册。
AIAG对新版手册的公开介绍强调，它希望建立一套统一、清晰、适用于今天制造环境的实施框架，并支持SPC在产品策划、投产准备和量产中的一致应用。(AIAG)对企业而言，更重要的是重新建立SPC应用的顺序。
过去常见的顺序是：有数据→ 选择软件中的控制图→ 自动计算控制界限→ 判断是否超限→ 计算Cpk。
更合理的顺序应该是：理解产品和过程→ 明确监控目的→ 研究数据结构→ 设计合理抽样→ 选择适宜模型→ 建立反应计划→ 持续验证方法有效性。
在画控制图之前，至少要回答几个问题：
·我们希望通过SPC发现什么变化？
·数据来自什么过程状态？
·相邻数据是否独立？
·数据分布有什么特点？
·多个变量之间是否相关？
·采样时间是否具有代表性？
·报警出现以后，现场能够采取什么行动？
如果这些问题没有答案，控制图越自动化，企业越可能把错误的方法运行得更快。
08 Eight
结语
传统控制图并没有过时。X̄-R图、I-MR图、P图、NP图等经典方法，仍然是制造过程管理中非常重要的工具。真正需要改变的，是企业把控制图当成“固定模板”的习惯。
不是所有数据都适合直接套用传统控制图；但所有SPC应用，都应该从理解过程开始。新版SPC值得关注的地方，正是推动企业从“会画图、会计算”，进一步走向：会选择、会解释、会响应、会改善。
数字化可以帮助企业更快地处理数据，却不能替代工程判断。系统可以自动生成控制图，却不能自动保证方法适宜。未来SPC的竞争力，不在于企业拥有多少数据、多少图表，而在于能否从复杂数据中识别真正有意义的过程变化，并在质量风险形成之前采取行动。
TPP长期为制造企业提供SPC、MSA、过程能力分析及质量工具应用培训，并可结合企业实际产品、设备和生产数据，指导Cmk、Cpk、Ppk的正确选择、计算与分析。
针对企业数据采集分散、人工计算效率低、异常发现不及时等问题，TPP还提供SPC数字化软件，支持控制图、过程能力分析、异常预警和反应计划管理，帮助企业把“事后计算一个指数”，转变为对过程波动的持续监控和提前预防。欢迎联系TPP，了解相关培训、咨询及软件应用方案。
公开课预告：9月公开课：新版SPC的应用与实战 9月17-18日 上海，详细点击链接＞＞＞＞＞
如果需要了解更多内容，欢迎与我们联系，我们将提供专业的管理咨询和数字化解决方案帮助我们的顾客。
邮箱:Marketing@tppconsultancy.com
电话：400 102 1300
TPP 微信公众号
TPP软件免费体验申请