SPC 实战答疑 12 问——控制限、子组、Cpk/Ppk、判异准则，现场最常问的一次答清

导语：这 12 个问题，几乎是每场 SPC 培训都会出现的

每次讲完 SPC，Q&A 环节举手的问题高度集中。看起来散，其实就这 12 个；而这 12 个又大多卡在同一个地方——没分清"过程自己在怎么波动"和"产品要求是什么"。

本文把这 12 个问题按主题归成七组，每题给一句直给的结论，再展开。末尾附一张速查表，可以打印出来贴在 SPC 看板旁边。

这 12 个问题的知识背景和方法论全景，见 SPC 统计过程控制全景指南——从控制图选型到过程能力的完整知识地图，配套的培训课件与实操模板也在那篇下面。

一、控制限和规格限

Q1｜控制限和规格限有什么区别？为什么不能拿规格限当控制限？

结论：控制限是过程自己算出来的，规格限是客户或者图纸给的。一个来自过程，一个来自要求。

控制限拿二十五组子组数据算出来，回答的是"这个过程现在实际在怎么波动"。所以数据变了，控制限就要重算。规格限是产品必须满足的边界，回答的是"这个零件合不合格"，由人定，不随过程变化。

这里有个关键推论：控制图上的点全部落在限内，只说明过程稳定，绝不等于产品合格。

• 控制限比规格限还宽时，过程很稳，产品照样超差
• 控制限很窄时，某个点冲出控制限，它可能离规格限还很远，产品依然合格

所以正确做法是把规格限当参考线一起画上去，用虚红线区分，一眼就能看出过程和规格之间还剩多少余量。别把规格限当控制限去判异常——那样既漏掉真信号，又把正常波动判成异常。

判过程稳不稳定看控制限，判产品合不合格看规格限，这两个判据不能互相替代。

二、子组与抽样

Q2｜子组怎么划分？同一班连续取 5 件算不算合理子组？

结论：算，但只在你监控短期波动的时候才算"合理"。

子组划分的本质，是决定你要监控哪一段变异。

连续取五件，这五件几乎没有时间差，条件基本不变。所以组内波动反映的是设备本身的瞬时精度，不含换班、换批、换料的漂移——用它算控制限是对的。

但你要想知道一个班八小时稳不稳，就不能只连续取五件。要按时间分层，比如每小时取五件组成一个子组，这样不同子组跨越了时间，班次之间的漂移才能露出来。

三个原则：

1. 同一子组内部条件必须一致——同批料、同台机、同一手法
2. 不同子组之间要覆盖你想监控的变异来源——想管换班，就让子组跨越班次
3. 子组内别混进不同条件——一组里既有早班又有夜班，组内波动就被污染了，控制限宽得离谱，真出问题也报不出来

子组大小和抽样频率，定下来就写进控制计划，不要今天五件明天三件。口径一变，控制限就废了。

Q12｜自动检测设备每件都测，还要抽子组吗？

结论：全检不等于不用子组，反而更需要想清楚子组怎么切——因为你的数据太多了。

常见误区是：既然全检了数据都有，为什么还要抽子组？原因在于，控制图的目的不是把数据画完，而是判断过程稳不稳。数据太多、噪声也多，全画上去反而看不清。

先分清两件事：全检数据用来判定产品合格与否，控制图用来判断过程稳定性，用途不同，处理方式也不同。

全检数据的三个用法：

1. 按时间分层聚合——每五百件或每半小时聚合成一个点，得到的是过程水平的序列，而不是一堆产品数据
2. 注意组内组间的划分——全检数据可以做成很大的子组，组内波动很小、控制限很窄，灵敏度上去了，但误报警也多了
3. 自动判定的结果当不良数图的数据用，同时用缺陷数图跟踪缺陷数量，两条线一起看

两个陷阱：不要直接把每件数据画在控制图上（一张图几千点，判异准则全部失效，因为你总能找到连续九点同侧的区间）；自动设备的测量系统同样要做分析——重复性、再现性、量具漂移不会因为自动化就消失。自动设备最常见的隐形问题恰恰是量具漂移，而且因为没人看，很难发现。

三、过程能力：Cpk、Ppk 与门槛

Q3｜Cpk 和 Ppk 差在哪？为什么两个数会打架？

结论：两个指数的分子完全一样，只差一个分母。分子是均值到最近规格限的距离，分母都是三倍标准差——但一个用组内标准差，一个用整体标准差。

所以有一个恒等式：Cpk ÷ Ppk = σoverall ÷ σwithin。这个比值本身就是诊断指标。

两个标准差装的东西不一样：

• 组内标准差只算同一子组内部的差异，是条件不变时的固有波动
• 整体标准差把全部单值混在一起算，等于组内波动 加上 子组之间过程中心跑了多少

所以整体标准差一定 ≥ 组内标准差，Ppk 通常 ≤ Cpk。

两个数为什么打架？因为回答的是不同的问题：

所以工艺说"Cpk 一点三五，设备没问题"是对的，质量说"Ppk 零点九三，会超差"也是对的。合起来的完整结论是：设备够用，但中心在漂。

顺带纠正一个讲法：很多培训说"Cpk 是短期、Ppk 是长期"，这不算错但极容易误导。它说的不是数据采了多久，而是波动来源的时间尺度。采二十分钟数据，只要全混着算，那还是 Ppk。

两者的差距就是过程中心的漂移量，差得越大，越该去找那个让中心漂起来的动作。

Q4｜Cpk 1.33 就一定合格吗？1.67 这个数是怎么来的？

结论：1.33 不是法律，是行业约定俗成的门槛。达到它不等于一定合格，达不到也不一定就不合格。

这个数是按正态分布倒推出来的：

所以门槛的选择，本质是用多少成本换多少不良率。

三个必须记住的限制：

1. 这是理论值——前提是过程受控且数据近似正态。过程不受控时，算出来的 Cpk 是个装饰品
2. 只保证预测的不良率，不保证实际——测量误差、抽样代表性、规格合理性，任何一环出问题，实际都会偏离
3. 客户要求优先——客户特殊要求里写多少就按多少，不管行业惯例

Cpk 的门槛是按分布算出来的不良率水平，不是合格证。看它之前，先确认过程稳、量具准、数据真。

Q6｜数据不是正态的，Cpk 还能算吗？

结论：能算，公式不会报错，但算出来的数可能误导你。

Cpk 的推导建立在正态分布上，它把三倍标准差当成固定的概率界限。数据偏态很重时，这个假设就不成立了。

三类最容易踩坑的情况：

1. 单边规格的特性——只有上限的形位公差、粗糙度、杂质含量，这类数据天然贴着零堆积，右偏厉害
2. 计数型数据——不良数、缺陷数，本质是二项或泊松，不是正态
3. 有物理边界的特性——硬度、厚度不能小于零，靠近边界的分布一定会偏

四个办法，成本从低到高：

1. 先作图看形状——直方图、概率图，一眼看出偏不偏。几乎零成本，但很多人跳过
2. 做数据变换——最常用对数变换和 Box-Cox，拉回近似正态再算
3. 用非正态能力分析——多数统计软件支持，比如用 Weibull 或 Gamma 分布拟合
4. 用百分比法——不看 Cpk，直接算实测不良率和 PPM，不依赖分布假设

公式能算不代表结论可信。先看分布形状，再决定用哪个方法。 数据明显非正态时，与其纠结 Cpk 等于多少，不如直接看 PPM——Ppk 在非正态下也比 Cpk 稳健，因为它是全数据口径。

四、报警了怎么办

Q7｜控制图报警了，但产品复测都合格，要不要停线？

结论：不要因为复测合格就不管，也不要一看报警就停线。先分清报警的层次。

第一层，报警是真是假。 先排除测量系统和录入问题——量具漂了、探头脏了、数据录错了，都会让控制图报警而产品实际没问题。第一步永远是复核测量，不是先动产线。

第二层，报警是真的，说明过程变了但产品还没超差。 这是最常见的状态，也是控制图最有价值的时刻。中心开始漂、波动开始变大，但幅度还小，产品还在规格内。这时候停机调整，成本最低；等产品超差了再停，已经出了一批不良。

第三层，判断要不要停，看两样：

• 报警的严重程度——连续多点同侧、连续递增递减这类系统性信号要处理；孤立的单点超限可以先观察一组
• 能力余量——本来 Cpk 就只有 1.1 的，余量很小，报警就得立刻动

标准动作四条：复核测量排除数据问题 → 隔离这段时间的产品并标识清楚、不要混批 → 判断是普通原因还是特殊原因，特殊原因就找源头 → 整改后重新取样验证，确认回到受控再放行。

控制图报警的价值，恰恰在于产品还合格的时候它先响了。这时候动的成本，比等客户退货低一个数量级。

Q8｜判异准则八条太多，现场到底用哪几条？

结论：八条不用全上，现场优先用三条。

八条准则的本质，是在两类错误之间找平衡：判得太松，真异常漏掉；判得太严，假报警太多，操作工就不信这张图了。一张没人看的控制图，等于没有。

优先用这三条：

1. 单点超出三倍标准差——最经典，误报率最低，一条就够抓住突发的大异常。任何情况下都要开
2. 连续九点在中心线同侧——抓中心偏移。单点看不出来，但连续九点都在同一边，概率只有约 0.4%，说明中心已经挪了
3. 连续六点递增或递减——抓趋势。典型场景是刀具磨损、催化剂衰减、滤芯堵塞，这类问题慢慢恶化，单点永远不超限，但趋势很清楚

这三条覆盖了绝大多数现场问题：突发、偏移、趋势。其余几条更多用在精细分析和自动化监控里；人工看图规则太多，操作工会疲劳。

两个实操建议：把选用的准则写进控制计划或作业指导书，明确写清用哪几条，别让不同班次自己决定；报警后的响应动作也要写清楚——谁来看、多久响应、判断标准是什么。行业里最常见的问题不是没设规则，而是报了没人管。

规则不在多，在于报警之后真的有人动。

五、计数型控制图

Q9｜为什么不良数图和缺陷数图是两张图，不是一个意思吗？

结论：不是一回事。一个数的是件，一个数的是项。

• 不良品数的是件——一个产品要么合格要么不合格，非此即彼。所以不良数的上限就是样本量，抽二十件最多二十件不良
• 缺陷数的是项——一件产品上可能有好几处问题，逐处计数，所以缺陷数可以远大于样本量

一个具体例子：抽十片，发现十四处划伤、九个针孔，合计 23 处缺陷，但其中只有 3 片被判为不良品。

用不良数图，数据点是 3
用缺陷数图，数据点是 23
按每片算，就是每片 2.3 处缺陷

三个数描述的是完全不同的事实。

为什么要两张都做？因为它们管的事情不一样：

• 不良品数对应交付风险和客户投诉——客户收到的是不良品，不是缺陷
• 缺陷数对应返工成本和内部损失——一个不良品上挂着七八处缺陷，返工工时是由这个七八决定的

更关键的是，缺陷数是领先指标。过程刚开始恶化时，往往是缺陷先变多、不良品还没出现——因为缺陷先落在非关键位置，或者还在允收边缘，整件仍然判合格。等不良率开始涨，问题已经积累了。

数据天然是逐处可数的（划伤、麻点、气孔、针孔），就该用缺陷数图。用不良数图管这类特性，等于把信息抹平了。

六、图种选择与控制限维护

Q11｜均值极差图和单值移动极差图，什么时候用哪个？

结论：能按子组取的，用均值极差图；只能一个一个取的，用单值移动极差图。

均值极差图要求你能取到子组——同一段时间、同样条件下连续取几件（三到五件）。优势是有组内信息，能同时监控位置和波动，灵敏度高。

单值移动极差图是每次只能取一个数：破坏性检验一次只能破坏一件；每天只出一炉，一天只有一个数据；检测成本太高，只能抽一个。

为什么不能都用一个一个的数据？因为单值图灵敏度低。 均值极差图里五件平均之后噪声被压下去，信号更清楚；单值图没有这层平滑，小偏移看不出来，只适合监控大一点的偏移。

三个实操要点：

1. 单值图一定要配移动极差图一起看，只看单值图会误判
2. 单值图数据量要求更高，至少二十个点，最好二十五到三十个
3. 数据有明显趋势或自相关的（温度、压力、液位这类实时连续量），单值图会大量假报警——要么先差分，要么改用 EWMA 或 CUSUM 图

子组取得到就用均值极差图；取不到才退一步用单值图，而且要配着移动极差一起看。

Q10｜过程改好了，控制限要不要重新算？多久算一次？

结论：改了就要重算，没改不要乱算。

控制限是从过程数据算出来的，描述的是历史过程的状态。过程变了，原来的控制限就描述不了现在的过程。

必须重算的四种情况：

1. 工艺参数改了——温度、压力、速度、配方，任何一项动了，波动结构就变了
2. 换了设备或者换了模具——最常见的场景，也是很多人漏掉的
3. 换了关键材料或供应商
4. 重大质量异常并完成整改——整改之后跟整改之前，不是同一个过程

什么情况不要重算： 过程本身没变，只是偶尔有一两点超限。这时候别慌着重算——重算等于把异常点吸收进去，控制限被撑宽，以后真出问题报不出来。这叫用控制限迁就数据，很危险。正确做法是先查那一点的原因：如果是特殊原因导致的一次事件，那就记录、隔离、分析，控制限保持不变。

多久算一次，三条原则：

1. 事件驱动优先于时间驱动——上面四种情况发生就重算，没发生就不动
2. 按固定周期复核——每季度看一次控制限和数据是否还匹配，复核不等于必须重算
3. 控制限不用之后要留痕——把旧限、时间段、重算原因记录下来，审核时这条证据链很重要

控制限是过程的镜子。过程换了就换镜子，过程没换，别为了图好看去擦镜子。

七、数据不够的时候

Q5｜只有一两批数据，控制图画得出来吗？

结论：画得出来，但不能拿来判过程稳定。数据量不够，控制限本身不可靠。

控制图有两个用途：判断稳定、估计波动。数据太少，这两个都做不了。

通行经验是二十五组子组左右。少于二十组，控制限的估计误差就很大——因为控制限本身也是估出来的，样本小了估出来的范围就飘，用飘的限去判异常，误报和漏报都会大幅上升。

数据不够怎么办，四种做法按优先级排：

1. 延长收集期——多攒几周把子组凑够，最稳妥
2. 批次少、周期长的，改用单值移动极差图——一组数据也能画，但要二十个点以上
3. 连这个都做不到的（比如一个品种一年只做两批），就别硬画控制图——改用预控制图，或者首件确认加批次趋势跟踪。用错工具比不用工具更危险
4. 短期项目把相近工序的数据合并，或者先用工程判断定临时控制限，等数据够了再替换

最后一个提醒：控制限建立之后要标注清楚是哪段数据算出来的。数据不够时说一句"这是临时限"，这不丢人；把临时限当正式限用三年不动，那才是问题。

数据不够的时候，宁可用别的工具，也不要用一张限值不可靠的图去说服自己过程没问题。

附：12 问速查表

SPC 的十二个高频问题，归根到底是一句话：先把"过程自己在怎么波动"和"产品要求是什么"分开，剩下的事情才有讨论的基础。

知识编号：6.3.1

版本：v20261017

作者：卓越质量智库 卓越质量智库致力于为质量管理从业者提供系统化的专业知识、方法论与实战工具，助力企业质量能力持续提升。