统计过程控制（SPC）

课堂守则
Contents

1
3 SPC的发展历史

2 统计基础知识

3 变差知识

4 控制图原理
Contents

5
3 控制图的选择方法

6 计量型控制图

3
7 计数型控制图

8 过程能力
 调研

最差的情况 不够好 最好的情况

收集数据并在图表上描绘 (建立了
统计基础的抽样计划)
YES YES YES
作业者得到了有效的SPC技术培训
NO YES YES
小组关注并监控SPC规则和信号
NO NO YES
管理层授权并支持问题调查和过程
改进
NO NO YES

当图表有异常信号时通过根本原因
分析采取正确的行动以预防问题的
NO NO YES
再次发生
SPC的发展史
质量的发展历史
是怎样回事？
SPC的定义

SPC
SPC =Statistical Process Control
= 统计过程控制
过程要
素
过程要素

人员
Manpower

测量 设备
Measurement Machine

过程组成要素

环境 方法
Environment Methods

材料
Material
过程
对象

目的

方法
控制

统计
 SPC的发展

1924年 1950年 1984年

统计基础知识
 超几何分布 二项分布 泊松分布 正态分布

描述稀有事
随机变量源 随机变量源 件出现概 应用最为广
于有限总体 于无限总体 率，即随机 泛的一种连
特性 的不放回抽 的有限抽样 事件在一定 续型概率分
样模型 模型 空间(时间) 布
内散布规律
在计量值质
计件值质量 计件值质量 在计点值质
量特性值的
特性值的控 特性值的控 量特性值的
应用 制与检验问 制与检验问 控制与检验
控制与检验
中的质量变
题 题 有重要应用
化的规律。
 正态分布的基础知识

理论研究表明，如果一个随机变量受到大量作用微小、
相互独立的随机因素的影响，则这个随机变量一般服从正态布。

N ( μ, σ2)
μ: 总体平均值，描述数据的集中位置。

σ : 总体标准差，描述数据的分散程度。
x x ( x−μ )2
1 −
F ( x) = ∫ f ( x)dx =
−∞ 2π σ ∫e
−∞
2σ 2
dx

μ x
N（μ，σ2）
 正态分布的基本特点

正态分布曲线具有明显的中间高、两边低、左右对称，两边延
伸到无穷的特点。正态分布曲线用两个参数μ和σ来表示，在正态
分布的概率密度函数中，表示分布的两个参数μ和σ具有特别的意
义：其中μ表示正态分布曲线的中心位置，是正态分布的均值，它
对正态分布曲线的影响是左右移动，当μ增大，正态分布曲线向右
移动， μ减小，曲线向左移动。 σ表示服从正态分布的随机变量的
离散程度，是正态分布的标准差，它影响着曲线的形状，当σ增
大，曲线变得矮小和扁平，当σ减小，曲线变得高大和瘦小。
• μ不同(均值)
• σ不同(标准差 )
正态曲线的特征

• 曲线关于μ对称；
• 当x=μ时取到最大值；
• X离μ越远，f（x）的值越小；

μ
 正态分布的两个参数μ和σ是相互独立的。无论正态分布曲
线的均值μ如何变化即中心位置如何变化，都不改变正态分布曲
线的形状，即标准差σ不变；无论标准差σ如何变化即曲线的形
状如何变化都不改变正态分布的中心位置，即均值μ不变。

例加工直径10±0.2，如果加工出来的数据都是10.1，那么标
准差是零。标准差σ越小，加工过程越稳定，产品质量越高。但
是，这还要取决于这些数据相对于这些数据相对于中心值的偏移
情况，如果加工出数据都为10.5，尽管标准差为零，也都是不合
格。所以衡量产品质量好坏的两个指标是标准差与均值，标准差
越小而且均值相对于技术中心值的偏移越小越好，两者缺一不可。
正态分布的概率

99.73%
95.45%

68.26%

-3σ -2σ -1σ μ +1σ +2σ +3σ

 μ±kσ 在內的概率 在外的概率
μ±0.67σ 50.00% 50.00%
μ±1σ 68.26% 31.74%
μ±1.96σ 95.00% 5.00%
μ±2σ 95.45% 4.55%
μ±2.58σ 99.00% 1.00%
μ±3σ 99.73% 0.27%
 正态分布的3 σ原则

− 3σ − 2σ − 1σ + 1σ + 2σ + 3σ
X
68.26%
95.44%
99.73%

对于任意正态分布X-N（ μ和σ2 ）的随机变量X来说，不论μ和σ

取值为何，产品质量特性值落在[μ- 3σ， μ+3σ]范围内的概率均
为99.73%，即它的值落在[μ- 3σ， μ+3σ]区间内几乎是肯定的。
总体、样本
总体
被研究对象的全体。
样本
组只包含部份总体的数据。简单而言，这是总体中选
出的数据,如1000台燃具中的其中10台.

总体 样本
 平均数、中位数、众数

平均数（Xbar） 所有样本总和除以样本容量。
（96.76,99.66,96.93,97.87)

X=
∑ X i

n
中位数 顺序(由小至大或由大至小)数列中心项的数值。
众数 在样本中出现次数最多的值。

平均数 =

中位数 = 1234444 555555 6668889

众数 =
 标准差
标准差(S)
过程输出的分布宽度，距离或每平均值的偏差。
热水温升的内控标准为48-65℃, 实际量测数据为: 56.8、 54.6、
51.1、53.4。

σ= ∑ i
( X − μ ) 2

s=
Σ (Xi - X )2
N n-1
 极差
极差 (R)
一个子组、样本或总体中最大值与最小值之差。
最低温升的量测数据为 9.6,6.2,5.7,9.6,那么最低温
升的极差为:9.6-5.7=3.9

R = (最大值) - (最小值)
变差知识
 变差
每件产品的尺寸都与别的不同

size size size size

但它们形成一个模型, 若稳定, 则可以绘制成一个分布

size size size

分布可以由以下因素来加以区分 :
位置 分布宽度 形状

size size size

没有两件产品或特性是完全相同的, 产品间的差异可能
很大, 也可能小得无法测量, 但这些差异总是存在的.
 变差的普通及特殊原因

在管理任何一个过程减少变差时，都必须追究造成变差
的原因。首先是区分普通原因和特殊原因。

虽然单个的测量值可能全都不同，但形成一组后它们趋于形
成一个可以描述成一个分布的图形（见后页），这个分布按
下列特性区别：

• 位置（典型值）

• 分布宽度（从最小值至最大值之间的距离）

• 形状（变差的模式—是否对称、偏斜等）
 普通原因

• 普通原因是对过程的波动经常起作用的原因.
它的特点是：
– 在过程中时刻存在着，对过程波动的影响随机变化；
– 这类因素一般复杂繁多，要列出所有的因素很困难；
– 所有因素的共同作用导致了过程的总波动.
– 成本太高，不容易去除。
当过程只有普通原因影响时，过程的波动具有统计规律
性，此时过程处于稳定状态。
 特殊原因

• 特殊原因是使过程特性发生显著变化的因素

它的特点是：
-不经常存在于过程中；
-它们通常来自过程之外；
-相对于普通原因来讲，对过程波动有较大的影响；
-容易发现和隔离.
当过程受特殊因素的影响时，过程的输出不再服从
预期的分布，过程处于不稳定状态。
→两种变差原因及两种过程状态 目标值线

两种性质的变差原因

如果仅存在变差的普通原因, 预测

随着时间的推移,过程的输出
目标值线

形成一个稳定的分布并可预测 时间
？

如果存在变差的特殊原因，

随着时间的推移，过程的输出不稳定 时间

尺寸
 普通原因、特殊原因

普通原因 特殊原因

持续的 间隙性的
作用于过程 作用于过程

影响大（85%） 影响小（15%）

对总体的影响趋势可以预测 对总体的影响趋势不可预测
 局部措施和系统措施

局部措施 系统措施

消除特殊原因 减小普通原因引起的变差

由流程负责人去执行 需要管理层来参与执行

只能解决15%的流程问题 能解决85%的流程问题
控制图原理
 控制图的构成
18 +3σ
17
16 点落在该区间的概率为99.73 %
15
14
13
12
Average
11
10
9
8
7
6 -3σ
5

1 2 3 4 5 6 7 8 9 10

控制图的构成:
1. Data Points 3. Upper Control Limit
2. Center Line 4. Lower Control Limit
18 UCL：控制上限
17 +1σ
16 +2σ
15 +3σ
14
13
12 CL：中心线
11
10
9
8
7
6 LSL：控制下限
5

1 2 3 4 5 6 7 8 9 10
Not just to meet customer or contractual
requirements!!!—被BOSS训斥的痛苦!!!
 LSL LCL Very Centered UCL USL
潜在不良出现
变异是我们的敌人

不良品已经产生

Spec
2种错误
控制图的分类
 判异原则
规则 1: 一点落在A区之外

此准则是由休哈特在1931年提出，在许多应用中，它甚至是唯一的判异准
则，准则1可对参数u的变化或参数 的变化给出信号，变化越大，则给出信
号越快。对于X-R控制图而言，若R图保持稳态，则可除去参数变化的可能
。准则1还可对于过程中的单个失控作出反应，如计算错误、测量错误、原
材料不合格、设备故障等。
 规则 2:连续9 点在中心线的同一侧。

此准则通常是为补充准则1而设计的，以便改进控制图的灵敏，选择9点是
为了使其犯第一种错误的概率 与准则1的大体相仿，也使本准则采用的点
数比格兰特和列文沃斯1980年提出的7点链判异的准则所增点数不多。
 规则 3:连续6 点递增或递减。

此准则是针对过程平均值的趋势（trend）进行设计的，它判定过程平均
值较小趋势要比准则2更为灵敏。产生趋势的原因可能是工具逐渐磨损、
维修水平逐渐降低、操作人员技能的逐渐提高等，从而使得参数随着时
间而变化。
 规则 4:连续14点中相邻点交替。

出现本准则的现象是由于轮流使用的两台设备或由两位操作人员轮流进行
操作而引起的系统效应，实际上，这就是一个数据分层不够的问题。
 规则 5: 连续3点落在中心线同一侧的B区之外

过程平均值的变化通常可由本准则判定，它对于变异的增加也较灵敏，三
点中两点可以是任何两点，至于这第三点可以再任何处，甚至可以不存在。
规则 6: 连续5点中有4点落在中心线同一侧的C区之外

A
 规则 7: 15个连续的点在任一C区

A
规则 8: 8点在中心线两侧，但无一在C区中。

A
练习
控制图选择方法
 1 2 3

控制图用于何处？ 如何选择控制对象？ 怎样选择控制图？

计量型控制图
控制图分析流程
使用范围
 Xbar-R图操作步骤
1.确定控制对象或统计量。
¾能测定的产品或过程特性;
¾对客户使用及生产关系重大的特性;
¾对下工程影响较大的特性;
¾经常出问题的特性;
¾关键产品或过程特性;
¾ 控制计划有规定的控制项目;
2.决定样本大小n及抽样频率
¾ n约在2—5之间,不宜太大;
¾ 同一组数据尽量是同一时间及同一条件下生产的成品;
¾ 初期分析的过程系统尽量以较高的抽样频率连续取样,
稳定的过程系统频率可以较低;
¾ 每组样本应记录日期,时间,作业员,机台,原材料或零件
批别等层别,以利发掘和矫正特殊原因;
¾ 不影响生产作业及可接受的成本;
3. 收集数据：至少75个以上，最好100个以上。（要按
照一定的原则决定样本的间隔时间、组数和样本大
小n；n通常取3，4，5；）
4. 计算各组样本统计量：样本平均值、极差、总平均
值、总极差平均值；
x1 + x2 + x3 +......+ xn R = x max − x min
x=
n
x1 + x 2 + x3 + ...... + x k R1 + R2 + R3 +...+ Rk
x= R=
k k
5. 计算控制界限：

CL = x
均值控制图 UCL = x + A2 R
LCL = x − A2 R

CL = R
极差控制图 UCL = D4 R
LCL = D3 R < 0, 不考虑
 参数表

n 2 3 4 5 6 7 8 9 10

D4 3.27 2.57 2.28 2.11 2.00 1.92 1.86 1.82 1.78

D3 * * * * * 0.08 0.14 0.18 0.22

A2 1.88 1.02 0.73 0.58 0.48 0.42 0.37 0.34 0.31

d2 1.13 1.69 2.06 2.33 2.53 2.70 2.85 2.97 3.08

6.将收集的数据在R图上描点，判稳。若稳，则进行
步骤7；若不稳，则执行20字方针：查出异因，
采取措施，加以消除，不再出现，纳入标准后转
入步骤2重新计算。
7.将收集的数据在Xbar图上描点，判稳。若稳，则
进行步骤7；若不稳，则执行20字方针：查出异
因，采取措施，加以消除，不再出现，纳入标准
后转入步骤2重新计算。
8.计算过程能力并检验其是否满足计算要求。
若过程能力指数满足计算妖气，则转入步骤9.
若过程能力指数不满足计算要求，则需要通过调
整过程至过程能力指数满足计算要求为止。
9. 延长Xbar-R控制图的控制线，作控制用控制
图，进行日常管理。
案例
SPC表格
X-S
 Xbar-S控制图作法步骤
1) 收集数据（25组以上）；
2) 计算各组的平均值()和标准差（S）；
X
3) 计算总平均值()和标准差的平均值()；
X s
4) 计算控制界限；
5) 绘制控制图（分析用控制图）。
6) 剔除异常点。
7) 重新计算控制界限。
8) 作为日常控制用（控制用控制图）
™ 均值的计算同 x − R控制图
™ 标准差的计算为：

∑ i − ∑ i −
2
x n x 2
（ x x ）2

S= 或者S =
n −1 n −1
其中：xi , x , n分别代表样本的单值、 均值和样本容量
 均值控制图 标准差控制图

CL = x CL = S
UCL = x + A 3 S UCL = B 4 S
LCL = x − A 3 S LCL = B 3 S

估计过程标准差

σ= s / C4
参 数 表

n 2 3 4 5 6 7 8 9 10

B4 3.27 2.57 2.27 2.209 1.97 1.88 1.82 1.76 1.72

B3 * * * * 0.03 0.12 0.19 0.24 0.28

A3 2.66 1.95 1.63 1.43 1.29 1.18 1.10 1.03 0.98

C4 0.798 0.886 0.921 0.940 0.952 0.959 0.965 0.969 0.973

 中位数控制图 极差控制图

CL = x CL = R
~
UCL = x + A2 R UCL = D4 R
~
LCL = x − A2 R
LCL = D3 R < 0, 不考虑

估计过程标准差

σ= R / d2
 案例
Observations Mean Sigma
Subgroup# 1 2 3 4 5 6 7 8 9 10 11 (X-bar) (S)
1 8.00 7.70 8.10 8.00 7.90 8.00 7.80 8.00 8.10 8.00 7.80 8.03 0.03
2 7.10 6.90 7.40 7.50 7.60 7.70 7.50 7.40 7.80 7.30 7.20 8.01 0.05
3 8.00 7.50 7.60 7.80 7.60 7.70 7.60 7.80 7.40 7.80 7.90 7.80 0.07
.
.
30 7.50 7.80 7.90 7.60 7.80 7.90 7.40 7.50 7.70 7.80 7.60 7.72 0.08
Average 7.89 0.04
Xbar Chart Here S
UCL(Xbar)=X+0.927S
=7.89+1.42(0.04)=8.04 (8.00-8.03)²+(7.70-8.03)²+…(7.80-8.03)²
CL(Xbar)=X=7.89 S1= =0.03
LCL(Xbar)=X-0.927S 11-1
=7.89-1.42(0.04)=7.80
(7.10-8.01)²+(6.9-8.01)²+…(7.20-8.01)²
S2= =0.05
S Chart 11-1
UCL(S)=1.679*0.04=0.08
CL(S)=S=0.04 (8.00-7.80)²+(7.50-7.80)²+…(7.90-7.80)²
LCL(S)=0.321*S=0.01284 S3= =0.07
11-1
 单值-移动极差控制图（ X-MR)

移动极差
移动极差是指一个测定值 xi与紧邻的测定值xi+1之差的
绝对值，记作Rs，
Rs =|xi- xi+1|（i=1,2,…,k-1)
k为测定值的个数;
k个测定值有k-1个移动极差,每个移动极差值相当与样
本大小n=2时的极差值.
怎样确定控制界
限
1计算总平均数:

x1 + x2 + ...... + xk 1 k
x= = ∑ xi
k k i =1
2计算移动极差平均数:

Rs1 + Rs 2 + ...... + Rsk −1 1 k −1

R=
k −1
= ∑
k − 1 i =1
Rsi
3计算控制界限:

X控制图
CL = x
Rs
UCL = x + 3 = x + E 2 R s = x + 2 . 66 R s
d2
Rs
LCL = x − 3 = x − E 2 R s = x − 2 . 66 R s
d2
n=2时,E2=2.66
 Rs控制图
CL = RS
UCL = D4 RS = 3.267 RS
LCL = D3 Rs = 0
相当于n=2时的极差控制图;
n=2时,D4=3.267,D3=0
 X-MR控制图案例
例1：某制药厂某种药品碱的单耗数据如
1) 收
表，做单值-移动极差图
集 子样号 x Rs 子样号 x Rs
1 3.76 14 3.81
数 2 3.49 15 3.97
据 3 3.75 16 3.64
4 3.66 17 3.67
5 3.62 18 3.6
6 3.64 19 3.61
7 3.59 20 3.61
8 3.58 21 3.6
9 3.67 22 3.68
10 3.63 23 3.66
11 3.67 24 3.62
12 3.63 25 3.61
13 3.66
2）计算各组的统计量
1) 计算样本的平均值：
K
1 91.23
x=
K
∑ Xi =
i −1 25
= 3.649

2) 计算移动极差Rsi及其平均值：
第一个移动极差为：
Rs1 = x2 − x1 = 3.49 − 3.76 = 0.27
第二个移动极差为：
RS 2 = x3 − x2 = 3.75 − 3.49 = 0.26
依次类推，本例有24个移动极差。
1 K −1 2.09
RS = ∑
K − 1 i =1
Rsi =
24
= 0.087
子样号 x Rs 子样号 x Rs
1 3.76 14 3.81 0.15
2 3.49 0.27 15 3.97 0.16
3 3.75 0.26 16 3.64 0.33
4 3.66 0.09 17 3.67 0.03
5 3.62 0.04 18 3.6 0.07
6 3.64 0.02 19 3.61 0.01
7 3.59 0.05 20 3.61 0
8 3.58 0.01 21 3.6 0.01
9 3.67 0.09 22 3.68 0.08
10 3.63 0.04 23 3.66 0.02
11 3.67 0.04 24 3.62 0.04
12 3.63 0.04 25 3.61 0.21
13 3.66 0.03 合计 91.23 2.09
X图 Rs 图 平均值 3.649 0.087
CL 3.649 0.087 系数n=2 E2 D4
UCL 3.88 0.284 查表 2.66 3.267
LCL 3.418
3）计算控制界限
™ X控制图
CL = X = 3.649
UCL = X + E 2 Rs = 3.649 + 2.66 * 0.087 = 3.880
LCL = X − E 2 Rs = 3.649 − 2.66 * 0.087 = 3.418
™ Rs控制图

CL = Rs = 0.087
UCL = D4 Rs = 3.267 * 0.087 = 0.284
LCL不考虑

4）作控制图
参 数 表

n 2 3 4 5 6 7 8 9 10

D4 3.27 2.57 2.28 2.11 2.00 1.92 1.86 1.82 1.78

D3 * * * * * 0.08 0.14 0.18 0.22

A2 1.88 1.19 0.80 0.69 0.55 0.51 0.43 0.41 0.36

d2 1.13 1.69 2.06 2.33 2.53 2.70 2.85 2.97 3.08

计数控制图
 ™ 计数值数据

计件值数据 计点值数据
（不合格品） （缺陷）
P图
 不合格品率控制图(P图)

¾ 样本容量n大小不定时对产品合格与否的控制图;
¾ 服从二项分布;
¾ 当P较小n足够大时,该分布趋向于正态分布

N ( np, np (1 − p ) )
 不合格品率控制图作图步骤

1. 收集数据:
注意:1要求样本中大体含1~5个不合格品,即Pn=1~5;
2估计不合格品率为P时,可由下式计算n:

Pn 1 ~ 5
n= =
P P
当P为5%时：n = 20 ~ 100
当P为1%时：n = 100 ~ 500
3一般取10~25个样本.
2. 计算不合格品率P及平均不合格品率
样本号 当班生 不合 样本号 当班生 不合
产总数 格品 产总数 格品
1 286 0 13 2809 79
2 2809 79 14 2349 32
3 2349 32 15 1168 172
4 4438 27 16 2685 36
5 5330 30 17 3456 38
6 4103 23 18 1548 27
7 2011 31
19 2458 30
8 720 4
20 2147 29
9 1670 73
21 2241 22
10 1764 15
11 2997 61 22 1895 12
12 286 0 23 3012 35
24 2521 27
25 1986 18
 3.计算中心线和控制界限：
CL = P
n为样本平均数
1
UCL = P + 3 P (1 − P )
n
1
LCL = P − 3 P (1 − P )
n
4.过程能力：
过程能力是通过平均不合格品率p来表示，当所有点都
受控后才计算该值。
 案例：计算控制界限
样本号 当班生产 不合格品 UCL LCL CL
总数 数 (%) (%) (%)
1 286 0 3.79 0.00
2 2809 79 2.29 0.87
3 2349 32 2.35 0.81
4 4438 27 2.14 1.02
5 5330 30 2.09 1.07
6 4103 23 2.16 1.00
7 2011 31 2.41 0.75
8 720 4 2.97 0.19
9 1670 73 2.50 0.66
10 1764 15 2.47 0.69
11 2997 61 2.26 0.90 ∑不合格
12 286 0 3.79 0.00 品数/∑生
13 2809 79 2.29 0.87
产总数
14 2349 32 2.35 0.81 =1.58
15 1168 172 2.67 0.49
16 2685 36 2.30 0.86
17 3456 38 2.22 0.94
18 1548 27 2.53 0.63
19 2458 30 2.33 0.83
20 2147 29 2.39 0.77
21 2241 22 2.37 0.79
22 1895 12 2.44 0.72
23 3012 35 2.26 0.90
24 2521 27 2.33 0.83
25 1986 18 2.42 0.74
C图
缺陷数控制图（C图）
 缺陷数控制图作图步骤

1 收集数据；
注意：一般取20~25组数据；
如果缺陷数较小，可将几个样本合为一个，使每
组缺陷数C=0的情况尽量减少，否则用来作控制图不
适宜；
不同的缺陷应尽可能分层处理。
2 计算平均缺陷数
k

∑C i
C = i =1
k
Ci 为每个样本的缺陷数；
k为样本数；
3 计算中心线和控制界限:

CL = C
UCL = C + 3 C
LCL = C − 3 C
np图
¾ 样本容量n恒定；
¾ 不合格品数是一个服从二项分布的随机变量；
¾ 当n≥ 5时近似服从正态分布N [np，np(1-p)]；
不合格品数控制图作图步骤

1. 确定数据样本容量n的大小；

ƒ n常取50以上的数

• 例8：某厂某产品不合格品数统计资料中以
100为样本大小。
2. 收集数据Pn1，Pn2, Pn3, ……,Pnk ,k为样本数:

组号 抽检数目 不合格 组号 抽检数目 不合格

（样本号） n 品数Pn （样本号） n 品数Pn
1 100 2 14 100 0
2 100 2 15 100 1
3 100 4 16 100 1
4 100 0 17 100 6
5 100 0 18 100 2
6 100 3 19 100 1
7 100 4 20 100 3
8 100 5 21 100 3
9 100 6 22 100 7
10 100 2 23 100 2
11 100 1 24 100 0
12 100 4 25 100 3
13 100 3 总计 2500 68
3. 计算控制中心和控制界限:

CL = P n
UCL = P n + 3 P n(1 − P )
LCL = P n − 3 P n(1 − P )
其中P n为平均不合格品数，P 为平均不合格品率
该例中, ∑ Pn = 68 = 2.72
Pn =
k 25

P=
∑ Pn = 68 = 0 .027
∑ n 2500
所以: CL = P n = 2.72
UCL = P n + 3 P n(1 − P ) = 2.72 + 3 2.72(1 − 0.027 ) = 7.62
LCL = P n − 3 P n(1 − P ) = 2.72 − 3 2.72(1 − 0.027 )
= 负数不考虑
U图
单位缺陷数控制图(U图)
¾ 通过测定样本上单位数量（如面积、容积、长度、时
间等）上缺陷数进行控制的场合；
¾ 与C图具有相同的原理，不同的是U图的取样大小可以
浮动，只要能计算出每单位上的缺陷数即可；
¾ 设n为样本大小，C为缺陷数，则单位缺陷数为：
u=c/n
 单位缺陷数控制图作图步骤

I. 收集数据，包括样本大小和缺陷数：

子组编号 批量 未注满数值 子组编号 批量 未注满数值

1 679 6 14 526 2
2 648 5 15 542 8
3 325 2 16 498 4
4 256 1 17 895 6
5 958 8 18 578 4
6 525 6 19 455 3
7 687 7 20 268 3
8 658 5 21 698 6
9 956 8 22 586 5
10 645 6 23 558 6
11 286 3 24 875 7
12 966 5 25 987 9
13 898 7
2. 计算单位缺陷数和上下控制界限：

CL = u =
∑ c
∑n
UCL = u + 3 u
n
LCL = u − 3 u
n
 子组编号 批量 未注满数值 CL UCL LCL

¾计 1
2
679
648
6
5
0.0188
0.0190
0.0000
0.0000

算
3 325 2 0.0235 0.0000
4 256 1 0.0254 0.0000

结
5 958 8 0.0171 0.0000
6 525 6 0.0202 0.0000
7 687 7 0.0187 0.0000
果 8
9
658
956
5
8
0.0190
0.0171
0.0000
0.0000
10 645 6 0.0191 0.0000
11 286 3 0.0245 0.0000
12 966 5 ∑未注满数 0.0171 0.0000
13 898 7 值/∑批量 0.0174 0.0000
14 526 2 =0.0083 0.0202 0.0000
15 542 8 0.0200 0.0000
16 498 4 0.0205 0.0000
17 895 6 0.0174 0.0000
18 578 4 0.0197 0.0000
19 455 3 0.0211 0.0000
20 268 3 0.0250 0.0000
21 698 6 0.0186 0.0000
22 586 5 0.0196 0.0000
23 558 6 0.0199 0.0000
24 875 7 0.0175 0.0000
25 987 9 0.0170 0.0000
合计 15953 132
过程能力
 什么是过程能力

过程能力（Processcapability）简称PC:
是指过程的加工质量满足技术标准的能力,它是
衡量过程加工内在一致性的。这种能力表现在过
程稳定程度上。
过程受控时，若特性值服从正态分布，过程的稳
定程度越高，则其质量特性值标准差越小，过程
能力越强；相反，则过程能力越弱。
PC是反映过程加工精度的数值，精度值越小表
示加工能力越高，所以PC的数值越小越好。
过程能力不同于生产能力（Production
capability）,过程能力是反映过程变异性的数
值，而生产能力是指过程加工数量方面的能力。
过程能力指数：
又称为短期过程能力指数，表示过程能力满足技
术标准（例如规格、公差）的程度，一般记为
Cp。
过程能力指数反映了过程加工质量满足产品技
术要求的程度,也即企业产品的控制范围满足客
户要求的程度。可以从短期获得的数据来估计。
过程性能指数：
相对短期过程能力指数又称为长期过程能力指
数。可以反映出系统当前的实际状态，而不要求
在稳态的条件下进行计算。通常记为Pp。
过程性能指数利用长期收集的所有数据进行估
计，样本量一般较大。
何时量测过程能力？(有6点)
Ⅰ 新产品过程确认前要计算过程能力指数，看看
过程产出是否满足顾客要求。
Ⅱ 过程更改后要重新计算过程能力指数。
Ⅲ 过程不稳时，对过程调整后要重新计算过程能
力指数。
Ⅳ 定期的监控，如每季度一次过程能力评估，需
要定期计算过程能力指数。
Ⅴ 客户要求有所改变时需要重新计算过程能力指
数。
Ⅵ 怀疑过程能力有变化时需要重新计算过程能力
指数。怀疑过程能力下降或提高时均需要重新计
算过程能力指数，以便更准确地制定目标。
 过程能力指数
过程能力指数记为Cp,是反映过程满足产品标准要求能力的
系数
双侧公差限过程能力指数的计算公式是。
Tu −TL T
Cp = = Cp值越大越好
6σ 6σ
Cp值既与过程能力PC=6σ有关，又与公差范围T有关，是用
过程能力去度量公差范围。对同样的过程能力PC，公差范
围T越大Cp值就越高。
公差范围T是由各项标准给定的，提高Cp值的唯一办法是减
小变异程度σ。不能依靠增大公差范围来提高过程能力指
数。
 3σ质量标准的过程能力等级划分
等级 Cp值 对策
特级 Cp＞1.67 过程能力过高，放宽检查
一级 1.33≤Cp＜1.67 过程能力充足，保证过程控制
二级 1.00≤ Cp＜1.33 过程能力尚可，加强过程控制与检验
三级 0.67≤ Cp＜1.00 过程能力不足，采取过程改进措施
四级 Cp ＜0.67 过程能力过低，立即停产对过程全面改进
 过程能力指数的计算

¾ 过程能力指数的计算必须满足以下三个条件：
¾ 过程处于受控状态，即影响过程能力指数的因素
只有随机性变异，而没有系统性变异。
¾ 质量特征值是相互独立的。
¾ 产品的质量特征值服从正态分布。
1.无偏移情形下的过程能力指数计算
（1）双侧规格情形 当客户对产品或服务的接受范
围同时存在上限和下限时，过程能力指数CP的计
算公式如下：

产品容许偏差 USL-LSL
Cp = =
过程容许偏差 6σst
式中，USL、LSL分别为上、下公差界限（规格
限）；σ为过程统计量的总体标准差，可以在过程
处于稳态时得到。
客户要求T=USL-LSL（产品允许偏差）一般是不变
的，在T不变的前提下，σ越小，则CP的值越高，
过程满足客户要求的能力越强，反之，越弱。
对于图4.1中的过程，在Ⅰ和Ⅱ的中心值重合的前
提下，如果Ⅰ的分布越“扁平”，Ⅱ的分布越
“细高”，则该过程的能力指数越高，过程满足
客户要求的能力也越强。
 过程能力指数示意图
™图4.1 产品容许偏差（Ⅰ）
LSL
Ⅱ

-5 -4 -3 -2 -1 0 1 2 3 4 5

-3σ +3σ
过程容许偏差（Ⅱ）
例:某啤酒厂家想了解A品牌啤酒生产线的生产能力，已知该生
产线的过程平均值为630ml，标准差为1.2，一瓶啤酒的容
量规格为[625，635]ml。如果您是该厂家的质量管理人
员，请根据这些资料计算A品牌啤酒生产线的过程能力指数。

USL-LSL 635 − 625 10

Cp = = = = 1.39
6σst 6 ×1.2 7.2

所以，该厂家A品牌啤酒生产线的过程能力指数为1.39。
（2）单侧规格情形
当客户对产品或服务只有规格上限的要求，而对规
格下限无要求，则过程能力指数Cpu计算如下：
USL-μ
Cpu =
3σst
式中，Cpu为上单侧过程能力指数。若μ≥USL，令
Cpu=0，表示过程能力严重不足，过程的不合格
品率高达50%以上。
例:公司后勤部门为了保证员工能够准时上班，要求班车到
达公司的时间在8：30及以前，考虑到堵车、天气等特殊
情况，要求最晚不能超过8：45。现在已知班车到达公司
过程的平均值为8：30，标准差为3，请您判断班车到达
公司的过程能力指数。这是一个上单侧过程能力指数的计
算问题。
USL-μ 8:45 −8:30 15
Cpu = = = = 1.67
3σst 3×3 9

所以，班车到达公司的过程能力指数为1.67
 过程能力指数的计算

2.有偏移情形下的过程能力指数计算。
在实际的生产过程中，过程中心µ与规范中心M往往
不能重合在一起，即：M≠µ。
此时Cp不能真实反映过程能力满足客户要求的程度。
实际过程能力指数Cpk，它取Cpl和Cpu的最小值，即：
Cpk=min{Cpl,Cpu }
当过程统计量的分布均值μ与公差中心M不重合时，如图
4.2所示，显然出现了不合格品，也即Cp值降低。

Cpk = Cp × (1− k)
图 过程统计量的总体均值μ与公差中心M不重合的情形
 C pk = C p × (1 − k )

当μ=M时，K=0，则Cpk=Cp；
当μ=USL或μ=LSL时，K=1，Cpk=0，表示过程能力
由于偏移而严重不足，需要采取措施加以纠正。
显然，有Cpk≤Cp，相等的唯一条件是μ=M。
例： 在例4.1中，某啤酒生产厂家后来发现A品牌生产线的
过程平均值为628ml，其他条件未变，标准差仍为1.2，
一瓶啤酒的容量规格仍为[625，635]ml。请您根据这些
资料重新计算A品牌生产线的过程能力指数。
该案例中，客户要求的规格中心M=630ml，而过程平均值
μ=628ml，这时存在着总体均值和公差中心的偏移现
象，则过程能力指数应按照有偏移情形的公式计算：
k=|M-µ|/(T/2)=2|M-µ|/T=2*|630-628|/（635-625）
=0.4
k=|M-µ|/(T/2)=2|M-µ|/T=2*|630-628|/（635-
625）=0.4

Cpk = Cp ×(1− k) =1.39×(1− 0.4) = 0.83

所以，该厂家A品牌生产线的过程能力指数为0.83。
 过程能力指数与不合格率

在过程的均值和标准差已知的情况下，参照产品或
服务规格限，我们就可以确定过程能力指数了，
相应的我们也可以确定产品或服务的不合格品率。
也就是说，过程能力指数和不合格率间存在一定的
对应关系，如下表所示。
过程综合特性能力等级评定
 过程能力指数与西格玛水平
通过计算过程能力指数Cp和代表过程短期西格玛水
平ZST的公式：

USL-LSL
Cp =
或者 σ st
6，
USL-μ μ − LSL
C pu = C pl =
而 3σ st 3σ st

SL − T USL − LSL
Z = =
ST
σ ST 2σ ST
过程能力指数与短期西格玛水平的关系： 过程能
力指数=短期西格玛水平/3
K西格玛控制原则下的Cp值与产品的不合格率p间存
在如下表8.5所示的数量关系。
 过程性能指数

过程性能指数是利用样本均值和样本标准差计算
得到的，反映了当前的取样数据所对应的过程性
能。
此时的过程可能处于稳态，也可能出现了异常，
即过程存在偶然因素，也可能还存在异常因素。
过程能力指数与过程性能指数的区别
Ⅰ 、两者计算运用的参数不一样：
过程能力指数用短期数据计算的标准差，过程性
能指数用长期数据计算的标准差。
Ⅱ 、两者的获得条件不同：
过程能力指数只有在已经判定过程处于稳态以
后，才可以通过计算得到,才有意义；
过程性能指数则无此要求，反映了实时过程的性
能。
图
1、无偏移情形下的过程性能指数计算
（1）双侧规格情形当客户对产品或服务的接受范围同时存
在上限和下限时，过程性能指数PP的计算公式如下：

USL-LSL USL − LSL

Pp = ≈
6σlt 6S

式中，S为过程统计量的样本标准差。可以看出，客户要求T
一般是不变的，在T不变的前提下，或S越小，则PP 的值
越高，过程当前满足客户要求的能力越强，反之，越弱。
过程性能指数Pp与过程能力指数Cp的对比分析。
Ⅰ、若Pp<Cp，说明当前的过程能力低于过程固有的能力，
过程没有达到稳态，过程中存在异常因素，应该马上寻找
原因，加以消除，把过程性能指数提高到过程能力指数的
水平。
Ⅱ、若Pp>Cp，说明当前的过程性能已经高于过程的固有能
力，此时要努力保持当前的过程性能，如果持续一段时间
的过程性能指数始终都处于稳定的水平，高于过程的固有
能力，并且经过判稳准则判定过程处于稳态，则说明过程
的稳态水平已经得以提高，可以对过程能力指数进行调
整，使其反映当前过程的稳态水平。
例:在例4.1中，啤酒生产厂家了解到A品牌啤酒生产线的过
程能力指数为1.39，也就是该厂家知道了A品牌啤酒生产
线的固有能力是1.39，为了进一步了解当前该生产线的过
程能力情况是否达到过程的固有能力，有关的质量管理人
员利用一周的时间量测了1000瓶啤酒的容量，计算这
1000瓶啤酒的容量标准差为1.3。
请您分析评价A品牌啤酒生产线的过程能力情况是否已达到
过程的固有能力。
A品牌啤酒的容量规格为[625，635]ml。那么代表A品牌啤
酒生产线当前能力的过程性能指数为：

USL-LSL USL − LSL 635 − 625

Pp = ≈ = =1.28 <1.39
6σlt 6S 6×1.3

该厂家A品牌生产线的过程性能指数为1.28，还未达到过程
固有能力1.39。所以，该厂家应继续查找产生波动较大的
原因，进一步提高过程的实时性能。
（2）单侧规格情形
当客户对产品或服务只有规格上限的要求，而对规格下限无
要求，则过程能力指数ppu计算如下：

USL-μ
p pu =
3σ lt

式中，ppu为上单侧过程能力指数。若μ≥USL，令ppu=0，表
示过程能力严重不足，过程的不合格品率高达50%以上。
当客户对产品或服务只有规格下限的要求，而对规格上限无
要求，则过程能力指数ppl计算如下：

μ − LSL
p pl =
3σ lt

式中，ppl为下单侧过程能力指数。若μ≤LSL，令ppl=0，表
示过程能力严重不足，过程的不合格品率高达50%以上。
例:在例4.2中，公司后勤部门了解到班车到达公司的过程固
有能力为1.67，为了进一步了解该过程的当前能力，后勤
部门利用一个月时间量测了10辆班车到达公司的时间情
况，平均到达公司的时间集中在8：28，标准差为1.9。
试分析评价班车到达公司的过程当前能力是否超过了过程的
固有能力。
已知班车每天早上到达公司最晚不能超过8：45，则班车到
达公司的过程性能指数为：

USL-μ USL − x 8:45 −8:28

Ppu = ≈ = = 2.98 >1.67
3σlt 3S 3×1.9
可见，班车到达公司的过程当前能力2.98已经远远超过了过
程的固有能力1.67。所以，公司后勤部门应继续量测过程
的当前能力，如果持续一段时间，公司的当前能力均稳定
在1.67以上，那么，该公司应调整班车到达公司过程的固
有能力，真实反映该过程的稳态水平。
2、有偏移情形下的过程性能指数计算
当过程中心µ与规范中心M不能重合在一起，发生偏移时，
需要采用实际过程性能指数Ppk，它取Ppl和Ppu的最小值，
即：
Ppk=min{Ppl,Ppu }
与Cpk和Cp的关系相似，Ppk和Pp的关系如下：

Ppk = Pp ×(1− k)
其中偏离度k=|M-|/(T/2)=2|M-|/T。
在过程统计量的分布均值 与公差中心M不重合
−
x
时，显然出现了不合格品，Pp值降低。这样，当
x=M时，K=0，则Ppk=Pp；
而当 =USL或 =LSL时，K=1，Ppk=0，表示当
x x
前过程能力由于偏移而严重不足，需要采取措施
加以纠正。
显然，具有Ppk≤Pp，
相等的唯一条件是 有 x=M。
 应用Pp和Ppk关系进行过程能力综合分析
1、Pp和Ppk所对应的不合格率
2、Pp和Ppk综合分析过程能力
当过程中心µ与规范中心M发生偏移时，过程性能指数Ppk与
无偏移情况下的Pp的关系：

Ppk = Pp × (1− k)
其中，k=|M-|/(T/2)=2|M-|/T
Pp的大小取决于过程波动的大小，而Ppk除了与过程波动大小
有关系，还与样本均值接近规格中心的程度有关，于是，
Pp和Ppk之间存在如下图8.4所示的四种情况：
Pp与Ppk的关系示意图(1)
Pp与Ppk的关系示意图(2)
对Pp与Ppk进行对比分析，有利于组织管理者不断地改进过
程性能和提高管理水平。
过程性能指数Pp 反映的是当前的过程能力， Pp 越大，则
当前过程的分布越“苗条”，质量波动越小，过程的性能
越强，合格率越高。
Ppk反映过程波动性的同时，也反映了当前过程样本均值
与公差中心M存在偏移的情形， Ppk越大越接近Pp ，则样
本均值与公差中心M二者的偏离越小，也即当前过程对公
差中心越“瞄准”，过程的管理水平越高。
因而， Ppk是反映了当前的“过程能力”与“管理能力”
二者综合的结果。
 过程性能指数与长期西格玛水平
通过计算过程性能指数Pp和代表过程长期西格玛水平Zlt的公
式：

或者 USL-μ USL − x
， μ − LSL x − LSL
USL-LSL Ppu = ≈ Ppl = ≈
Pp =
6σ lt 3σ lt 3S 3σlt 3S

过程性能指数与长期西格玛水平间存在如下数量关系：
过程性能指数=长期西格玛水平/3
−
SL − X
Z lt = min
σ lt

在不考虑流程偏移的情况下，过程性能指数和长期西格玛水
平间的关系与过程能力指数和短期西格玛水平间的关系相
同。
例：
单侧公差：