统计过程控制（SPC）是美国数理统计学家休哈特在20世纪二、三十年代所创造的理论，它能以便人们采取措施，消除异常，恢复过程的稳定，是一种测量、监测和控制过程的统计方法。

换句话说，SPC是一种采用统计方法对过程进行测量、监视和控制的质量控制方法，也是六西格玛最重要的工具之一。它是一种科学的可视化方法，通过消除过程中的特殊原因变异来监视、控制和改进过程。

统计过程控制（SPC）在六西格玛项目中的两个作用

在测量阶段（Measure），统计过程控制主要用于分析过程是否处于稳定的状态，如果过程王稳定，任何改善行动都是徒然。

在控制阶段（Control），统计过程控制主要用于监视已改进的过程，保证过程维持稳定。

统计过程控制（SPC）的发展历程

虽然统计过程控制SPC从1980年开始在西方工业界得到有效应用，但它是在美国20年代已经出现了。1924年，Walter A Shewhart 在美国贝尔电话实验室提出了控制图和过程可以处于统计控制的概念。统计过程控制的概念在二战前被W.E.戴明博士列入管理哲学。然而，统计过程控制在日本的工业界实施了这一概念，并与西方工业界竞争后，统计过程控制才变得非常有名。

统计过程控制（SPC）的含义

统计学是一门科学，它涉及收集、总结、分析和从数据中获取信息。统计学是一门科学，它涉及收集、总结、分析和从数据中获取信息。

过程。它将投入的资源转化为所需的产出（商品或服务），并结合人员、材料、方法、机器和测量。

控制。系统，政策和程序的到位，整体输出符合要求。

为什么使用统计过程控制（SPC）？

如今，企业面临着日益激烈的竞争，同时也面临着运营成本，包括原材料的不断增加。因此，对于组织来说，如果他们能控制自己的运营，那是非常有益的。

组织必须努力不断提高质量、效率和降低成本。许多组织在生产后仍会对质量相关问题进行检查。

SPC帮助企业走向预防为主的质量控制，而不是检测为主的质量控制。通过监控SPC图表，组织可以很容易地预测过程的行为。

统计过程控制的好处

减少废品和返工

提高生产力

提高整体质量

将工艺能力与产品要求相匹配

持续监控过程，保持控制

提供数据以支持决策

精简程序

提高产品的可靠性

透视全公司改进的机会

统计过程控制目标

SPC的重点是通过使用统计工具分析数据，对过程行为进行推断，然后做出适当的决策，从而优化持续改进。

SPC的基本假设是，所有的过程都会发生变化。变异衡量的是数据在中心倾向周围的分布情况。此外，变异可以分为两种类型之一，随机或偶然原因变异和可分配原因变异。

一般性的变异原因 Common Cause 过程中的变异是由偶然因素引起的，但不能归于任何因素。它是过程中固有的变异。在共同原因的影响下，过程总是稳定和可预测的。

特殊性的变异原因 Assignable Cause 它也被称为 “特殊原因 Special Cause“。在一个过程中，不是由于偶然因素造成的变化，因此可以被识别和消除。受特殊原因影响的过程将不稳定和可预测。

如何进行统计过程控制（SPC）？

1、确定流程。找出影响产品产出的关键工艺或对客户非常关键的工艺。例如，板材厚度影响到生产企业的产品性能，那么就考虑板材制造工艺。

2. 确定过程的可测量属性。确定生产过程中需要测量的属性。从上面的例子来看，将板材厚度作为可测量的属性。

3. 确定测量方法，同时进行量具的R&R：建立包括测量仪器在内的测量方法工作说明书或程序。例如，考虑用厚度计来测量厚度，并创建一个合适的测量程序。执行量具重复性和再现性(Gage R&R)，以定义由于测量系统造成的测量数据的变化量。

4. 制定子组（Sub-Group）策略和抽样计划。根据产品的临界性确定子组规模，确定抽样规模和频率。例如按时间顺序收集20组板厚，子组大小为4。

5. 采集数据并绘制SPC图。按照样本大小收集数据，并根据数据类型（连续或离散）和子组大小选择合适的SPC图。例如，板厚的子组大小为4，选择Xbar -R图。

6. 描述属性的自然变化。计算控制极限。从上面的例子中，计算Xbar Range两个控制上限（UCL）和控制下限（LCL）。

7. 监测过程变化。解读控制图，检查是否有任何一点失控，以及模式。例如：检查Xbar R图 如果过程不在控制范围内，那么确定可分配的原因并解决这个问题。这是一个监控过程变化的持续过程。

其他统计过程控制资源

控制限值是过程的声音（不同于规格限值，规格限值是客户的声音），它们显示了过程正在做的事情，并作为它应该做的事情的指南。控制限值还表明，一个过程事件或测量可能落在该限值内。

控制图 。控制图是统计过程控制（SPC）的主要技术之一。控制图是用图形显示从样品中测量或计算出的质量特性与样品数量或时间的关系。此外，控制图包含一条代表质量特性平均值的中心线和另外两条水平线，即控制上限（UCL）和控制下限（LCL）。

在控制图绘制中，选择一个合适的控制图是非常重要的。否则，最终导致数据的控制限值不准确。控制图的选择取决于数据类型。连续的还是离散的？

连续数据的控制图

X-R图（当数据容易获得时） X-R图用于监测连续数据的过程性能和在设定的时间段内分组采集的数据。它实际上是用两张图来监测过程平均值和过程随时间的变化。

运行图（有限的单点数据） 运行图显示观察到的数据随时间变化的情况。只是一个基本的图表，按时间顺序显示数据值。对于识别过程中的趋势或转变很有用，但也允许您测试过程中的随机性。

X – MR图（I – MR，个体移动范围）I-MR图也称为X-MR图。当数据是连续的，并且不以分组形式收集时，就会使用个体移动范围（I-MR）图。换句话说，就是每次收集单个观察值。I-MR图以图形方法提供了随时间变化的过程。

X-S图（当sigma是现成的） X-S图经常被用来检查过程平均值和标准差随时间变化的控制图。当子组的样本量较大时，这些图表就会被使用，而且S图比范围图能更好地了解子组数据的分布情况。

EWMA图—指数加权移动平均图在统计过程控制中用于监测利用给定输出的整个历史的变量（或类似变量的属性）。这与其他控制图不同，其他控制图倾向于单独处理每个数据点。

离散数据的控制图

P图表 它也可以显示为缺陷的百分比。在P图上绘制的点是在n个样品中发现的非确认单位或缺陷件的分数。

np图（针对缺陷–样本大小固定）–当数据收集在相同大小的子组中时，使用np图。np图显示了由其产生的不合格品（缺陷）数量衡量的过程如何随时间变化。换句话说，过程描述的是通过或失败，是或不是。

C图（用于缺陷–样本量固定）–当数据涉及产品中的缺陷数量时，使用c图表。收集每个子组中机会区域的缺陷数。

U图（针对缺陷–样本大小不一）–u图是一种属性控制图，它显示了一个过程或系统的缺陷或不合格的频率是如何随时间变化的。 每个子组中机会区域收集的缺陷数量。