通常我们在解读过程时，首先考虑的是4M1E，诚然可行。可是我们不要忘了SPC是统计过程控制，即收集过程信息资料进行统计分析，也就是说数据变化虽然直接受制于过程变化而变化，但同样受到资料收集方法，特性空间变异，量测系统波动，及其数据本身的随机性等因素影响。这些非过程作用因素，有时影响甚微，但实践经验表明通常具有显著影响。

那么，非过程因素是如何影响过程统计的呢？有以下方面值得我们考量。

1）资料收集方法不同，对过程统计影响的一般表征

案例：某塑胶厂生产一款数码相机镜筒，收集连续生产过程中30PCS，其外径量测结果分别为22.523，22.531，22.535，22.536，22.520，22.532，22.541，22.543，22.539，22.541，22.535，22.532，22.530，22.533，22.541，22.535，22.535，22.534，22.532，22.529，22.524，22.528，22.538，22.533，22.530，22.529，22.525，22.529，22.540，22.540。该特性规格：22.5（上限+0.045，下限+0.025）

服从正态分布的不同的连续样本采集方式对过程能力指数估计的偏差（Minital.14统计）

样本   排列   子组   正态测试    Stdev(Wthin)   Stdev(Overall)   Mean    Cpk     Ppk

30     1-30   5      P=0.637     0.00587368     0.00588947     22.5331   0.50    0.46

25     1-25   5      P=0.531     0.00499599     0.00581202     22.5332   0.55    0.47

20     1-20   5      P=0.228     -              -              -         -       -

15     1-15   5      P=0.325     -              -              -         -       -

25     6-30   5      P=0.310     -              -              -         -       -

20     6-25   5      P=0.502     0.00425520     0.00508084     22.5343   0.72    0.61

20     11-30  5      P=0.643     0.00508630     0.00484707     22.5326   0.50    0.52

15     11-25  5      P=0.809     0.00425088     0.00422896     22.5326   0.60    0.60

15     16-30  5      P=0.681     0.00575356     0.00506766     22.5321   0.44    0.46

以上，6种采集排列方式：1-30，1-25，6-25，11-30，11-25，16-30，所对应的同一制程能力指数的估计存在6个不同的结果，到底哪一组更适合制程估计，我们很难确定。如何选择一组适宜的能力指数，后续会讲到。这里只作3点阐述：

1.服从正态分布的数据统计结果，并不一定能代表过程的一般估计。所有的估计仅针对样本而言，用样本推测总体时应谨慎。

2.服从正态分布的样本，并不一定其子组样本也服从正态分布。

3.上述案例可以发现，服从正态分布的样本中可能存在不改变其分布的特殊原因。这种情形，从经验上讲不值得关注，但在SPC统计理论当中表明定义为“异常”，常使很多实务质量管理人一味地刨根问底，而徒劳无功。

2）特性在空间上的变异，对过程统计影响的一般情形

这里所讲的空间，主要是指产品特性随时间和地点变更有明显的敏感性。比如说，车载部件或是钟表塑胶零部件等，在嵌合时通常要求强防水性，一般这些对环境温度特别敏感，其部件控照正常流程流转，在生产场所，测量室，出荷置场，以致到顾客进料检查，其特性变化将随空间有非常显著的变化。这种情况下，生产方与顾客对同批产品评估，可能得出完全不一致的结论。

3）量测系统的变异对过程统计的影响是显而易见的。因为特性的量化结果会受到来自量具的，测量人的，测定方法，被测部件特性的位置，以及测量场所的影响（如：静电，光线等） 。

4）由于过程能力指数统计预测是基于正态分布为前提的，如果所采集到的数据不服从该分布，其统计结果将毫无意义。

基于上述分析，我们可以看出，一个服从正态分布的过程，其过程能力受制于直接作用于过程的4M1E，还有间接的非过程因素。故，通常SPC统计结果没有把这间接因素解析开来，而低估能力。

 

 

原创文章,不得转载.

弄清随机过程，稳定过程，及受控过程三者间的差别，是正确解读过程的基础。反之，可能导致对过程分析的费解，误解及错解。

第一，随机过程，及其理解

当质量特性（随机变量）由普通因素影响，而又没有一个因素起主导作用的情况下，该质量特性的变异分布，一般都属正态分布。

理解之一，服从正态分布的统计数据资料，表现为随机性。换句话说，

1）  运用Minitab软件有关正态分布测试工具，其结果P ≥ 0.5时，可以认为是随机过程；

2）    运用过程能力指数统计，C_P = P_P或C_PK = P_PK时，也可以认为是随机过程；

3）      数据变化没有规律。

理解之二，一般来讲，当程过程表现为随机性时，其过程变差的精密性大都呈现最好状态。

第二，稳定过程，及其理解

一种说法，从生产管理的角度看，通常认为：一个过程在人机料法环等因素保持不变的情况下，则认为该过程是稳定的。即以外在因素作用的稳定性，来衡量过程的稳定性，一般不关注过程输出是否呈现稳定。

一种说法，从品质管理的角度看，往往这样认为：一个过程的输出（产品）在随时间的变化，其良品率（或不良率）保持在一定的水平时，则认为该过程是稳定的，而不管良品率（或不良率）保持有多么高或低。

一种说法，从统计控制的角度看，一般认为：只要保持过程特性的均值变化在控制线以内，则认为该过程是稳定的。而不管均值变化是否呈现随机性。

    以上推定：稳定过程的共性是，过程随机时间变化，其外在因素作用，或其过程运行，或其输出，均保持不变或在一定范围内，不关注是否表现随机性。

第三，受控过程，及其理解

休哈特建立了一个“统计受控”的可操作的定义，首先，从过程是统计受控的假设出发，即，除非被证明有罪，否则就是清白的，然后，将样本与使用±3标准差限的样本分布比较，这些称为控制限。如果样本超出这些控制限，那么有理由相信存在特殊原因。更进一步说，就是期望所有（随机）样本在这些控制限之间显示随机的顺序。如果一组样本显示了一个模式，那么有理由相信有特殊原因存在。

理解之一，受控过程满足的条件：

1）  过程随时间推移的各均值描点，必须在控制限内，即，LCL ≤ X ≤ UCL；

2）   在控制限内的各均值点，必须显示随机性。

理解之二，受控过程区域的含义：

1）    统计受控区域：X ±3σ，即统计量Z = ｛（X ±3σ）- X｝ / σ = 3，按照正态分布原理统计，在99%的信心水准下，约有99。736%的面积在受控区域内。

2）     换句话说，一个受控过程其过程能力 ≥ 1，即接受概率 ≥ 99。736%，由于存在误差，可以近似地认为100% 。

3）       一个受控过程，所抽取的样本量测后，以X ±3σ计算其过程控制限，就相当预测该过程最大和最小波动范围，如果这个范围在规格（或客户要求）内，则有理由认为该过程至少可生产99。736%的良品，而被认可。

综合以上3点分析，分析结论如下：当过程表现为随机性时，其过程亦表现稳定性；2）当过程表现为稳定性时，过程不一定表现随机性，或是受控的；3）当过程表现为受控状态，过程一定表现为随机性和稳定性；但是，统计失控，不一定逾越技术规范或顾客要求。

 

 

 

盗版必究，不得转载.

 

 

通常我们所讲的SPC，主要指X-R控制图（包括其衍生出来的其它控制图），P控制图，及C图（U图）等的运用。

其中，X-R控制图运用的原理为正态分布；P控制图运用的原理为二项分布；C图（U图）运用的原理为泊松分布。

在SPC参考手册中有这样的表述：只要过程保持受统计控制状态并且其分布的位置，分布宽度及形状不变化，就可以继续生产相同分布的符合规范的产品

很显然，我们据此可明辩出：预测将来可以生产出相同的产品必须同时具备的条件，有以下。

1）            过程保持受控，量化的标准就是，描点在控制线以内，且呈随机分布；

2）            特性保持不变，量化的标准就是，管制特性的平均值保持不变；

3）            变差保持不变，量化的标准就是，过程或其输出的标准偏差（σ）不发生改变；

4）            众数保持不变，量化的标准就是，众数随时间不发生改变。

以上仅是理论性的表述，那么具体到生产实践中我们的工作该项如何做好这“四个保持不变”，个人认为有以下工作实务值得把握。

首先，人/机/料/法/环要保持不变。比如注塑成形，胶料及其料温，成形机大小及其型号（包括周边辅助设备），成形条件，车间作业环境等。这里要指出的是保持4M1E不变，可以认为过程在稳定条件下生产相同分布的产品，也就是说可以保持变差保持不变。但不一定会保持统计上的受控。因为在设定过程条件时，可能出现某些条件在过程作用因素中起到显著的作用，使过程不表现随机性。比如，在制造自动化较高的过程里，可能人的影响因素较小，但在密集型组立过程人的因素又可能是关键，比如：焊锡。

其次，由于运用统计方法对过程进行预测。在SPC中通常以样本估计总体，对于过程能力指数而言，所采集的数据资料应进行正态分布测试，只有测定符合时，进行统计预测才有意义。

再次，决定品质特性的关键因子（因素）保持不变是其特性均值不变的主要力量。例如，一个塑胶产品尺寸主要是其模具本身的性能与尺寸决定，在诸如，材料及其料温不变的情况下，通过其成形参数调整来改变其尺寸往往收效甚微，就是这个道理。通常影响品质特性关键因素为调整因子。

最后，在统计意义上的众数要保持不变，通常在过程保受控，且均值特性不变时。但是要警觉那种不改变分布形状的特殊原因，即在控制线以内，但不表现随机分布的描点。如不加以排查，某些情况下，可能成为未来众数及其特性发生变化的重要原因。

由此可知，在正确进行统计分析前，一定要把其数学表达式成立的原理及其成立的条件弄清楚。只有在符合条件下的统计结果用于过程解读才具有指导意义，否则可能适得其反。

 

 

盗版必究，不得转载

 

过程在统计控制下运行指的是仅存在造成变差的普通原因。过程控制系统的一个作用是当出现变差的特殊原因时提供统计信号，并且当不存在物殊原因对避免提供错误信息。从而对这些特殊原因采取措施（或是消除它们，或是如有用，永久地保留它们）。

过程能力由造成变差的普通原因来确定的，通常代表过程本身最佳性能（如分布宽度最小）。在处于统计控制状态下的运行过程，数据收集到后就能证明过程能力，而不考虑规范相对过程分布的位置和/宽度的状况如何。一般来说，由于受统计控制的过程服从可预测的分布，从该分布中便可以估计出符合规范的产品的比例。只要过程保持受统计控制状态并且其分布的位置，分布宽度及形状不变化，就可以继续生产相同分布的符合规范的产品                                     

当达到了统计控制状态后，便可以计算能力指数从而帮助评定本过程长期能力的当前水准

统计控制状态的过程表现有2种情况：第一，过程受控且有能力满足要求；第二，受控制过程但存在因普通原因造成的过大的必须减少的变差。

过程能力的计算必须是在一个过程被证明处于统计控制状态后方可。过程能力作为过程性能预测的基础，若一个过程在一定时间的不稳定或不重复的数据来进和过程预测是没有什么用处的。

利用过程收集到的数据进行控制限计算，控制限是解释用于统计控制数据的基础。当过程处于统计控制状态，控制限可以用来解释过程能力。

当所有的特殊原因消除后，过程在统计受控状态下运行，可以继续使用控制图作为监控工具，也可计算过程能力，如果由于普通原因造成的变差过大，则过程不能生产一致的符合顾客要求的产品。必须调查过程本身，而且一般来说必须采取管理措施改进系统。

不幸的是，正态分布并不保证过程没有特殊原因在起作用，也就是说，某些特殊原因可能在不改变其对称性和单峰性的情况下改变过程。同样一个非正态分布也可能没有特殊原因，但它的分布是非对称的。

休哈特用这种样本分布建立了一个“统计受控”的可操作的定义，首先，从过程是统计受控的假设出发，即，除非被证明有罪，否则就是清白的，然后，将样本与使用±3标准差限的样本分布比较，这些称为控制限。如果样本超出这些控制限，那么有理由相信存在特殊原因。更进一步说，就是期望所有（随机）样本在这些控制限之间显示随机的顺序。如果一组样本显示了一个模式，那么有理由相信有特殊原因存在。

 

 

个人原创，不得转载。

也许六西格玛管理失败，也许更多的是其本身的统计技术存在缺陷所导致。
百尺竿头更进一步：改写田口博士著名案例-磁砖制程设计方案，因为它不是最好的。
站在巨人的肩膀上，让我看到了新的曙光：社会损失函数成立，还有其它条件，而田口先生却没有说。

革新六西格玛管理，需要重建社会损失理论
---也许是掀起了一场对六西格玛本身的革命
原创作者：张敦明，邮箱：zxy_l#126.com，创作时间：2006.07-2007.03

学习田口方法的人，都一定接都触过田口博士著名案例-磁砖制程设计。也许都还记得运用该方法所得最佳组合（Mintab.14软件统计，或其它软件也是这样）：
磁砖规格：10±0.15
S/N Ratio   Mean       StDev  Log(StDev)
51.1619  10.11  -0.0044619    -3.57682
Factor levels for predictions
A  B  C  D  E  F  G  H
1  3  3  3  1  2  3  2
但是我运用“QQE-优+稳健设计”技法，却得出了至少6种组合，比上述结论更稳健，更接近目标中心的组合。便于理解，我转换成Mintab.14软件统计结果（方便大家理解，而不用QQE-优+稳健设计统计），如下：
NO.1
S/N Ratio     Mean       StDev  Log(StDev)
53.0208  10.0331  -0.0254954    -3.79859
Factor levels for predictions
A  B  C  D  E  F  G  H
1  3  3  3  1  3  3  2
NO.3
S/N Ratio     Mean       StDev  Log(StDev)
51.3204  9.91167  -0.0098231    -3.61501
Factor levels for predictions
A  B  C  D  E  F  G  H
1  3  3  3  1  3  3  3
NO.4
S/N Ratio     Mean      StDev  Log(StDev)
51.6201  9.99952  0.0021353    -3.64064
Factor levels for predictions
A  B  C  D  E  F  G  H
1  3  3  3  1  3  2  2
NO.5
S/N Ratio     Mean       StDev  Log(StDev)
51.2494  10.0102  -0.0100183    -3.59681
Factor levels for predictions
A  B  C  D  E  F  G  H
1  3  3  2  1  3  3  2
NO.6
S/N Ratio     Mean       StDev  Log(StDev)
51.5728  10.0229  -0.0175125    -3.63279
Factor levels for predictions
A  B  C  D  E  F  G  H
1  3  3  1  1  3  3  2
上述6种组合，用同样的方法反证了：现行S/N统计理论所得结果，并不是最好的稳健设计，也并不是说运用田口方法所得的结论在整个实验计划中都成立，更否定了其唯一性。这种田口方法在许多案例运用中，所得的结论：应是中等水平的结论。有些时候它完全不适宜。其统计理论应存在缺陷。
再看下，我运用“QQE-优+稳健设计”技法，得出其它稳健组合，同样运用Mintab.14软件统计得出结果，如下：
NO.1
S/N Ratio     Mean       StDev  Log(StDev)
50.9692  10.0529  -0.0084264    -3.56036
Factor levels for predictions
A  B  C  D  E  F  G  H
1  3  1  3  1  3  3  2
NO.2
S/N Ratio     Mean       StDev  Log(StDev)
50.9895  10.0386  -0.0076681    -3.56422
Factor levels for predictions
A  B  C  D  E  F  G  H
1  3  3  3  1  3  3  1
NO.3
S/N Ratio     Mean       StDev  Log(StDev)
50.9895  10.0386  -0.0076681    -3.56422
Factor levels for predictions
A  B  C  D  E  F  G  H
1  3  3  3  1  3  3  1
很容易看到：我运用“QQE-优+稳健设计”得出的上述组合，更接近目标中心10，有更小的标准偏差，理应社会损失更小，S/N比更大。可是，反而比田口方法推导的组合S/N更小
S/N Ratio   Mean       StDev  Log(StDev)
51.1619  10.11  -0.0044619    -3.57682
Factor levels for predictions
A  B  C  D  E  F  G  H
1  3  3  3  1  2  3  2
上述比对结果可以看出：S/N并不能准确反映与社会损失的关系，其数学表达式应是不完善的。或者说根本不准确。
最后看下，我运用“QQE-优+稳健设计”技法，得出的还有其它稳健组合，同样运用Mintab.14软件统计得出以下结果。这些组合，事实上都可以考虑纳入我们改进制程的组合，可以根据现场情况和管理承受能力而确定。如下：
NO.1
S/N Ratio     Mean       StDev  Log(StDev)
49.8724  9.90143  -0.0018403    -3.44921
Factor levels for predictions
A  B  C  D  E  F  G  H
1  3  3  1  1  3  3  3
NO.2
S/N Ratio     Mean       StDev  Log(StDev)
49.5212  10.0426  -0.0004435    -3.39456
Factor levels for predictions
A  B  C  D  E  F  G  H
1  3  1  1  1  3  3  2
NO.3
S/N Ratio     Mean      StDev  Log(StDev)
49.5415  10.0283  0.0003147    -3.39842
Factor levels for predictions
A  B  C  D  E  F  G  H
1  3  3  1  1  3  3  1
NO.3
S/N Ratio     Mean      StDev  Log(StDev)
50.5073  10.0079  0.0020562    -3.51165
Factor levels for predictions
A  B  C  D  E  F  G  H
1  3  3  3  1  3  1  2
S/N Ratio     Mean       StDev  Log(StDev)
49.5212  10.0426  -0.0004435    -3.39456
Factor levels for predictions
A  B  C  D  E  F  G  H
1  3  1  1  1  3  3  2
综合以上，我至少可产生以下疑点：
1）有社会损失函数原理，及其数学函数Q=（X-m）2+S2，却为什么要用S/N来衡量，严格来讲S/N比并非由社会损失函数直接转化而来，其S/N比是否有点牵强？
2）直交表的确是个很好的东西，离开了直交表，我们真的无从谈起吗，实验无法做了吗。我的回答是否定的，现场是最好的直交表，对于一个过程改进工程师来讲。
3）标准直交表让我们知道怎样去安排一组实验更有效率，但是事物是互杂的，因子配置在直交表中运用作用很关键。这也是直交表的局限性。
4）当我们知道运用S/N进行统计，并不能得出更稳健的组合，那么运用直交表拆解法，不仅会让直交表尚失其平衡性，还会进一步降低S/N所得结论的稳健性。那么运用拆解法所得的实验结果，其适宜性是很难想象的。
5）实验设计中的非线性相关模型，我个人觉得它不够贴近实际，有些地方我不理解，还是其本身就有问题。
我独创的“QQE-优+稳健设计”技法，它具有如下特点：
1）        “QQE-优+稳健设计”技法：一种以更新的损失函数为统计基石，（可能发展了损失函数理论基础，也可能是推导出了品质损失第二定律，或许真的发现了损失的分布规律）。兼容而又不同于DOE或田口的模拟实验统计技法。它还具有无需实物/实地实验的情况下，只须引用历史数据资料进行过程快速模拟实验，便可有效的透析工程品质，展现改进契机，优化工程参数。
2）        “QQE-优+稳健设计”技法：运用暂称为“品质损失第二定律”，可以得出真正的最佳组合。并运用其它合理逻辑推理得出，不同的其它稳健组合，以满足不同目的改善需求，这是DOE或田口方法所不能做到的。因为在有时候唯一优化结果所需的工程参数在过程改进时可能难以做到。
3）        “QQE-优+稳健设计”技法：独创一条“稳健设计稳健曲线”，明晰的再现，随均值X变化，标准偏差S变化的情况趋势，及其社会损失Q变化过程，清楚的展现了过程改进的限度和机会在哪里。
4）        “QQE-优+稳健设计”技法：可以实现自动设计水准，自动生产实验矩阵，自动反馈最佳化结果。不但适用于计量型数据，计数型也一样适用，当实验次数足够时，计数型统计结果更可靠。比其它方法更适合改善外观不良。

本文，在媒体转载时，必须一字不漏的完整转载（包括本人的联络信息）。此套方法本人已运用函数编辑而成，非常好用。

原创人：张敦明

 

SPC 英译：Statistical Process Control；中译：过程统计控制。TS/ISO16949标准定义:使用控制图等统计技术来分析过程或其输出,以便采取必要的措施获得且维持统计控制状态,并提高过程能力。尽管SPC发展和运用推重了质量管理水平由因袭管理向统计质量管里迈进，但为何至今争论倍至，可谓“雾里看花，水中望月”。

在我身边例例厂商内部实践的成功与失败，使得一个曾有多年从事一线SPC的我又重新回头审视SPC概念背后的背后，其过程质量控制魅影到底为何？

SPC统计过程控制，我们可以适当曲解为：“统计过程SP”，“过程分析PA”，“过程改进PI”,及“过程控制PC”等四步渐进管理原则。

第一，在TS/ISO16949标准定义里，所述“使用控制图等统计技术”进行过程或其输出的统计计算，我们可以称这为：“过程统计的SP”阶段，即：运用过程或输出所量测到的数据资料，按照一定的统计原理进行计算，所得到的一个结果。而这个统计结果，主要是运用控制图来直观地反映过程或其输出是否受控。但其本身无法遏制过程或其输出处于受控。如果把SPC仅当作一项统计结果来记录，则无疑毫无意义，而且实践表明：常因此成为质量检测工作后的一个累赘。仅停留在如此层面的SPC运用，或其管理水平，好比只会做数学题的“学生”，于企业徒劳无功。

第二，在TS/ISO16949标准定义里，所述“使用控制图等统计技术来分析过程或其输出”，我们称这为“过程分析的PA”阶段。SPC之所以称之为一项统计技术，主要是因为运用控制图进行正确分析的前提是该质量人需具备一定的统计理论知识和对过程或其输出有足够的业务经验。否则，分析结果仁者见仁智者见智，无法达成对一个过程或其输出中所产生的变异的一致性意见。这让人想起满腹经纶的秀才，而无实战之能。换句话说，即使分析出过程或其输出产生变异的原因，却不能推动对应措施展开，最终还是不了了之。这样的情况，在很多企业屡见不鲜。

第三，在TS/ISO16949标准定义里，所述“采取必要的措施获得 。。。统计控制状态，并提高过程能力。”，我们称这为“过程改进的PI”阶段。

1） 通常一个过程输出进入量产后，经营者一般不太可能进行资源再追加，对一个实务质量人来讲，所谓“采取必要措施”，实际上就是在既定的人/机/料/法/环状态下，如何保持，优化，进而最大化4M1E效能，充分发挥其本身应具有过程能力。这就是过程改进的精髓所在。而运用SPC对过程改进的有效发挥程度，完全依赖人的主观努力程度决定的。这种努力不仅表现在对SP的深刻理解和正确运用之上，还必须具备对过程或其输出的相当经验积累和问题对应能力提高，二者缺一不可。这个阶段的实现，需要相当实力的质量工程师才行。事实上，在此阶段SPC为过程问题实质性解决的辅助作用是极其有限的，可能还需要更高的实验设计方法，如DOE等。

2）在TS/ISO16949标准定义里，还提到“提高过程能力”，在这里我们还应对过程能力做2点区分：一则，由既定4M1E本身决定的过程能力，而现状还没有达成客观所具备的能力时，这种有改善空间的能力提升，我们称之为“提高过程能力”。这种能力改进是有限度的。一个本身就具有低效能的4M1E的过程或其输出，强加超乎其能力的要求，是不现实的。二则，如果现状过程的4M1E所具备的能力，不能满规范（或客户要求），而一味的进行SPC控制，应是愚笨到家，根本不可能旨望通过SPC过程控制满足预期要求。这好比一些本身不具备能力的企业，为迎合市场或客户要求，以实施SPC的假像，欺瞒上帝。这种拔苗助长方式，甚忧，以致倡导SPC“秧苗”的外围机构因企业的“拔苗”，全萎啦。好高骛远的企业因“助长”而颗粒无收。故，这种需逾越现状的过程能力提升，我们称之为“创新过程能力”。它不仅表现在资源投入上，可能还需要技术创新，或先进技术的引进及消化等。

第四，在TS/ISO16949标准定义里，所述“采取必要的措施 。。。维持统计控制状态”，我们称这为“过程控制的PC”阶段。在大量重复生产的的制造业里，维持过程统计控制状态十分必要。通常一个达到过程统计控制状态的过程，其变异基本上已经最小化，当有适当调整因子可以促成现状

 

品质特性平均值向规范目标值靠近时，那么这个过程能力将得到持续改进，跟精益求精道理一样，这时差往往成为一个企业在同类产品上的品质核心竞争力。反之，当过程不存在可调整平均值的因子时，维持过程统计控制状态活动中很重要的工作就是让已获得改进的过程所设定的工艺条件，技术参数，作业方法，及检测标准形成标准化文件在连续生产的过程中得到完全一致，且彻底的执行。这样的执行活动通常需要生产一线的技术员，作业员，及检测员来完成。这时的过程控制就变成为过程监控。很多很多的质量人在监控过程的重心还放在SPC统计上是很不应该的，适当的SPC统计是必要的，但监控工作必须转移到标准化的文件是否在生产中得到执行才是重点，这才叫“维持过程统计控制”状态。

综合以上，并结合我个人长期的实践经验而得出以下意见，仅供参考：

1） 当一个过程的4M1E中某一个特性被准确性定义为其输出发生变异的要因时，如果这个要因可被量测。此时，运用SPC相当有利于过程或其输出发生变异的机理进行探测解析，进而有利于找到有效的对策。这也是SPC为何在六西格玛专案中仍起到至关重要作用的原因所在。但不是所有变异都可以找到解决方法的，好比有些病无药可治。

2） 当一个可量测的过程或其输出的特性需要着手改进时，运用SPC对其本身进行变异的普通原因和物殊原因的探测监控不失为有效的办法之一。但是探测监控是一项相当费时，费精力的工作，当着手改进的特性越多，其负担是不可言喻的。而且，旨望通过SPC探测监控，找到过程改进的机会，本文“第三点”就有关SPC有效运用发挥的程度，完全起决于人及其能力的表述，在这里要说明的是一个企业的资源是有限的，在一个企业内部真正具备这些能力的人是少之又少，动不动就全面铺开，到处监控是注定要失败的。有这样一个思路，或许值得参考：倡导SPC的认证和咨询机构，或企业的客户在推动实施SPC时，应把期望和导入方式要注意与企业现实相结合，让企业有限的资源和人力放在刀刃上，有步骤有计划的实施，再横向展开，切记趋功近利，真正的帮助企业质量管理水平提高，只有企业真正为此获益了，才能创造与相关方共赢的局面。也许市场经济就这么残酷，在各自利益的趋使下，企业为此人财两空，认证咨询诚信受疑，顾客上帝被愚弄，更可悲的是SPC在市场经济的旋涡中可能演变成过程控制的幌子欺名盗世。在部分中小企业中激化成抵触的情绪，再不正常过啦。

3） 当一个过程或其输出是否可以进行投产，运用SPC统计能力指数评估，有利于判断的客观性。但是不慎重考虑能力指数在统计上的可靠性，常使实务质量人在所统计的能力指数评价上常觉得与现实过程相悖，遭到费解，误解和错解。如何证实其是否可靠性，本人会再出专题文章进行重点讲述。因而不在此讨论。

4） SPC的发展和运用，到目前为止，其主要的深远影响意义，我个人认为：它改变了人们对品质量测的观念，即由早期的不良率认识，引导到对过程变差理解当中来。使人们更深刻解读到不良率只是对过程输出结果的衡量，而过程输出主要受制于过程活动，换句话说：品质特性（过程输出）的安定性，起决于过程变化的稳健性。而过程的稳健性是由其精密性和精准度来决定的。故，把品质改进提升到过程（精密性和精准度）改进上来，将更为科学。

至此，我们可以这样有贴切性的描述SPC于过程质量控制的相关性，应是如此：

SPC是一个运用统计手段解析过程或其输出中某一特性变差波动的科学分析工具。它有助于我们对过程或其输出进行评定和监控，并为过程或其输出改进展示切入机会。它还改变了我们对品质量测的观念，使人们对品质量测的认识由不良率引低转变到过程变差改进上来。SPC有效运用，有利于过程改进，进而预望过程输出更符合，甚至超越顾客期望。但是有了SPC，并不等于有了质量。其对质量改进的贡献程度，完全取决于人的主观努力程度。否则，适得其反。

俗话说“工欲善其事，必先利其器”，实质上强调的不是“器”，而是“利其器”。SPC亦然。

 

盗版必究，不得转载。

   

   SPC作为预防工具的代表，这是一个让人误导的说法。事实上其运用功效：仅仅是对过程的监测。也就是探测一个过程是否存在统计上的异常。这个”异常“是否真的会产生不良影响，还不确定。

    预防，必须具体到一种对正在发生，或将要发生的“异常”采取一系列明确有效对应的措施，并落实好。这就好比，把“医生看病人”当作一个制程。事先要通过“望闻问切”去查看在哪存在病因，就像SPC探测一样。只有“开好治病的方子”，也就是医生制定“纠正措施”。并由“病人服下去”，好比执行人落实措施。“病”也就是“异常”才会消失。但服药仅是一时的，不可能天天服。于是，医生让病人“接种”疫苗，就像我们管理中制定“预防措施”并落实下去一样。

    从医生看病人的例子可以明白：“望闻问切”仅是治病的开始。也就是说，SPC仅是消除制程异常这个预防活动的第一步：异常探测阶段。要真正的预防，还需要后续的“有效的纠正指施”，“有效的执行措施”，及“有效的预防措施落实”。识字三个步骤，缺一不可。所以SPC离预防还差的远。