统计质量控制

2021年，某国内头部家电企业因一批出口欧洲的洗碗机在抽检中不合格率超标，被海外客户退货，直接损失超过3000万元。调查结果显示：问题不是出在原材料，而是出在生产线某道喷涂工序的温度波动——这种波动在日常肉眼检查中完全看不出来，只有通过系统性的统计监控才能发现异常趋势。事后，该企业全面引入了统计过程控制体系，此后连续两年出口合格率保持在99.7%以上。

质量控制（Statistical Quality Control，SQC）研究的核心问题是：如何在生产过程中及时发现“异常”，区分正常的随机波动与真正需要干预的问题信号，从而在产品流向客户之前就把质量问题消灭在源头。

---

质量变异的本质：普通原因与特殊原因

任何生产过程都不可能做到绝对均一。同一条生产线上连续生产的两瓶饮料，灌装量不会完全相同；同一台机床连续加工的两个零件，尺寸也会有微小差异。这种差异，统称为变异（Variation）。

变异并不全是坏事，关键是要理解它从哪里来，进而判断是否需要干预。统计质量控制将变异的来源分为两类：

一个类比：你每天早上从家开车上班，用时在25到35分钟之间随机波动，这是普通原因变异——路况轻微差异、红灯次数不同，这些无法预测但属于正常范围。某天早高峰因道路施工突然需要55分钟，这就是特殊原因变异，有明确的触发事件，需要识别和应对。

统计质量控制最核心的任务，就是通过数据来区分这两类变异——不轻易对普通波动过度干预（会越弄越乱），也不放过真正的特殊原因异常（会导致持续的质量问题）。

某食品工厂对饼干重量进行连续采样，每组5个样本测量一次，连续20组的数据波动情况如下：

经排查，第19组开始，计量传送带的输送速度偶发性降低，导致饼干在成型模具中停留时间延长，重量偏大。这正是特殊原因变异，必须立即停线检查，而不能用“正常波动”来解释和忽视。

---

控制图的基本原理

控制图（Control Chart）是统计质量控制最核心的可视化工具，由美国统计学家沃尔特·休哈特（Walter Shewhart）在1920年代发明，至今仍是工业质量管理的标准手段。

控制图的结构包含三条线：

上下控制限设置在中心线两侧各3个标准差（$3\sigma$处，依据正态分布原理：在过程受控时，99.73%的样本点都会落在这个范围内。一旦某个点超出控制限，就有超过99%的把握认为这不是随机波动，而是特殊原因引起的异常。

$$\text{UCL} = \bar{X} + 3\sigma, \quad \text{LCL} = \bar{X} - 3\sigma$$

判断过程失控的主要信号不止一种，除了点超出控制限，还包括以下几种典型模式：

控制图的工作逻辑可以用一个类比来理解：就像医生在做心电图监护时，既要看心率是否在正常范围，也要观察波形是否出现异常趋势——单纯看某一个时间点的数值是否正常，远不如看一段时间内的波形规律更有意义。控制图正是用来“看波形”的工具。

---

计量型控制图：均值图（x̄图）与极差图（R图）

计量型数据是指可以精确测量并用连续数值表示的质量特性，比如零件尺寸、产品重量、液体灌装量、温度读数等。针对计量型数据，最常用的控制图组合是均值图（x̄图）和极差图（R图），两图必须配合使用。

x̄图监控样本均值，判断过程中心是否稳定；R图监控样本极差（组内最大值减最小值），判断过程的离散程度（变异幅度）是否稳定。两图分别从“位置”和“散布”两个维度描述生产过程的状态。

计算步骤

生产现场通常每隔一段时间抽取一组样本（如每小时取5件），记录测量值后按如下步骤计算：

第一步：计算每组的样本均值 $\bar{x}_i$ 和样本极差 $R_i$：

$$\bar{x}_i = \frac{x_1 + x_2 + \cdots + x_n}{n}, \quad R_i = x_{\max} - x_{\min}$$

第二步：计算所有组的总均值 $\bar{\bar{x}}$ 和平均极差 $\bar{R}$：

$$\bar{\bar{x}} = \frac{\sum \bar{x}_i}{k}, \quad \bar{R} = \frac{\sum R_i}{k}$$

其中 $k$ 为采样组数，$n$ 为每组样本量。

第三步：利用控制图系数表计算控制限（$A_2$、$D_3$、$D_4$ 为与样本量 $n$ 对应的标准系数）：

$$\text{x̄图：UCL} = \bar{\bar{x}} + A_2\bar{R}, \quad \text{LCL} = \bar{\bar{x}} - A_2\bar{R}$$ $$\text{R图：UCL} = D_4\bar{R}, \quad \text{LCL} = D_3\bar{R}$$

常用控制图系数（n=5时）

完整计算示例

某注塑件工厂对产品厚度进行质量监控，每组取5件，连续采集10组数据：

总均值：$\bar{\bar{x}} = \frac{10.00+10.06+\cdots+10.04}{10} = 10.036$

平均极差：$\bar{R} = \frac{0.4+0.3+\cdots+0.3}{10} = 0.32$

代入系数（$n=5$，$A_2=0.577$，$D_3=0$，$D_4=2.114$）：

$$\text{x̄图 UCL} = 10.036 + 0.577 \times 0.32 = 10.036 + 0.185 = 10.221$$ $$\text{x̄图 LCL} = 10.036 - 0.185 = 9.851$$ $$\text{R图 UCL} = 2.114 \times 0.32 = 0.677, \quad \text{R图 LCL} = 0$$

从控制图上看，10组数据的样本均值都没有超出控制限（9.851 ~ 10.221），极差同样全部落在允许的范围（0 ~ 0.677）之内，这表明这段时间内生产过程的波动完全在可控范围内，整体处于统计受控状态。

---

计数型控制图：p图与c图

并非所有质量特性都能用连续数值衡量。很多情况下，质量判断是“合格/不合格”的二元结论，或者是“每件产品上有多少个缺陷”这样的计数结果。针对这两种计数型数据，分别使用p图和c图。

p图：不合格率控制图

p图（Proportion Chart）用于监控每批样本中不合格品所占的比例，适用于每批样本量较大、产品只有合格/不合格两种状态的场景，如电子元件组装线的目检、纺织品的外观检验等。

每批样本的不合格率 $p_i$ 为：

$$p_i = \frac{\text{本批不合格数}}{\text{本批样本量 } n_i}$$

总平均不合格率 $\bar{p}$ 为：

$$\bar{p} = \frac{\text{总不合格数}}{\text{总检验数}}$$

控制限基于二项分布的正态近似，标准差为 $\sqrt{\bar{p}(1-\bar{p})/n}$：

$$\text{UCL} = \bar{p} + 3\sqrt{\frac{\bar{p}(1-\bar{p})}{n}}, \quad \text{LCL} = \bar{p} - 3\sqrt{\frac{\bar{p}(1-\bar{p})}{n}}$$

（LCL若计算结果为负数，则取0）

p图计算示例

某服装厂对缝制质量进行抽检，每班检验200件，连续8个班次的结果：

总平均不合格率：$\bar{p} = \frac{8+6+10+7+5+9+6+7}{200 \times 8} = \frac{58}{1600} = 0.03625$

$$\text{UCL} = 0.03625 + 3\sqrt{\frac{0.03625 \times 0.96375}{200}} = 0.03625 + 3 \times 0.01322 = 0.0759$$ $$\text{LCL} = 0.03625 - 0.0397 < 0, \text{ 取 } 0$$

8个班次的不合格率（0.025~0.050）均低于UCL（0.0759），过程处于受控状态，平均不合格率约3.6%。

c图：缺陷数控制图

c图（Count Chart）用于监控每件产品（或每个检验单元）上的缺陷数量，适用于单件产品可能同时存在多个缺陷的场景，如布匹疵点数、印刷品划痕数、电路板焊点缺陷数等。

c图的控制限基于泊松分布，以平均缺陷数 $\bar{c}$ 为中心：

$$\text{UCL} = \bar{c} + 3\sqrt{\bar{c}}, \quad \text{LCL} = \bar{c} - 3\sqrt{\bar{c}}$$

c图计算示例

某印刷厂对大幅面印刷品进行每版缺陷数统计，连续检验10版：

平均缺陷数：$\bar{c} = \frac{4+2+5+3+6+4+3+5+4+4}{10} = 4.0$

$$\text{UCL} = 4.0 + 3\sqrt{4.0} = 4.0 + 6.0 = 10.0$$ $$\text{LCL} = 4.0 - 6.0 = -2.0, \text{ 取 } 0$$

10版数据中最大值为6，远低于UCL（10），过程受控。

---

过程能力分析：Cp与Cpk

控制图告诉我们过程是否处于受控状态（即波动是否稳定）。但受控不等于合格——即便过程波动完全稳定，如果波动范围本身就很宽，产品仍然可能大量超出客户的规格要求。

过程能力（Process Capability）衡量的是：在当前稳定的波动水平下，生产过程满足客户规格要求的能力有多强。这用两个指标来描述：Cp和Cpk。

Cp：过程能力指数

Cp（Process Capability Index）衡量规格范围与过程波动范围的比值：

$$C_p = \frac{\text{USL} - \text{LSL}}{6\sigma}$$

其中 USL 为规格上限（Upper Specification Limit），LSL 为规格下限（Lower Specification Limit），$6\sigma$ 为过程的总波动范围（在正态分布下包含99.73%的产品）。

Cp 只衡量“宽度”是否匹配，不考虑过程均值是否居中。若过程均值偏向一侧，Cp 会高估实际能力：

Cpk：修正过程能力指数

Cpk（Process Capability Index，Adjusted）在Cp的基础上，加入了对过程均值偏离中心程度的修正：

$$C_{pk} = \min\left(\frac{\text{USL} - \bar{X}}{3\sigma}, \frac{\bar{X} - \text{LSL}}{3\sigma}\right)$$

Cpk 取两个方向中较小的一个值，这样能如实反映均值偏向哪一侧时实际能力更弱的方向。

Cp与Cpk计算示例

某零件要求直径在 $10.00 \pm 0.30$ mm 以内（LSL = 9.70 mm，USL = 10.30 mm），生产过程统计得到：均值 $\bar{X} = 10.10$ mm，标准差 $\sigma = 0.08$ mm。

$$C_p = \frac{10.30 - 9.70}{6 \times 0.08} = \frac{0.60}{0.48} = 1.25$$ $$C_{pk} = \min\left(\frac{10.30 - 10.10}{3 \times 0.08}, \frac{10.10 - 9.70}{3 \times 0.08}\right) = \min\left(\frac{0.20}{0.24}, \frac{0.40}{0.24}\right) = \min(0.833, 1.667) = 0.833$$

Cp = 1.25 看起来尚可，但由于均值偏向 USL 一侧，Cpk 仅有 0.833，说明实际朝上限方向已经有相当比例的产品超规。工厂需要将生产均值调回到10.00 mm附近，才能真正达到满意的过程能力。

---

六西格玛管理理念

六西格玛（Six Sigma）起源于1980年代的摩托罗拉公司，后经通用电气（GE）在全球范围推广普及。其核心思想是：通过系统性地减少过程变异，将产品或服务的缺陷率降低到极低水平——统计上对应过程能力达到 Cp = 2.0，即每百万件产品中缺陷数不超过3.4个（DPMO，Defects Per Million Opportunities）。

“六西格玛”这个名字来源于统计：若过程均值到规格限的距离达到6个标准差（$6\sigma$），则即使均值有小幅漂移（通常假设漂移1.5σ），百万中的缺陷数也仅为3.4个，这代表了极高的质量水平。

六西格玛在实际推行中，采用 DMAIC 五步改进流程（适用于改善现有过程），这是它区别于一般质量管理的核心方法论：

---

质量控制在供应链中的应用

统计质量控制不只是生产线内部的工具，在供应链的各个环节都有直接的应用价值。

供应商质量评估

采购方在选择和管理供应商时，通常要求供应商提供其关键工序的控制图数据和Cpk报告。Cpk低于1.33的供应商往往需要进行质量改进计划（Supplier Corrective Action Request，SCAR），甚至被列入淘汰候选名单。

某汽车主机厂对制动系统零部件供应商的质量门槛设置如下：

来料检验（Incoming Quality Control，IQC）

来料检验是供应链质量控制的第一道防线。抽样检验方案（Acceptance Sampling）决定了检验多少件、允许几件不合格才接收这批货。常用的标准是GB/T 2828（与国际标准ISO 2859一致）。

核心概念是接收质量限（AQL，Acceptable Quality Level）：表示在长期交货中，买方愿意接受的最大平均不合格率。常见的AQL设置：

现场质量追溯

现代供应链对质量问题要求可追溯到生产批次、设备、班次甚至操作员。结合控制图的时序记录，当某个出货批次被客户投诉时，质量部门可以精确定位到“第几天、哪台机器、哪组数据出现了异常信号”，而不是对整批货全部召回。

---

案例分析

---

小结

统计质量控制将概率和统计方法系统性地引入生产和供应链管理，解决的核心问题是：如何用数据区分正常波动与真正的质量异常，如何量化过程满足规格要求的能力，以及如何系统性地推动持续改进。

统计质量控制的核心知识点包括如下几个方面：

首先，过程的变异可以分为两类来源：普通原因和特殊原因。普通原因是系统固有的、随机的小范围波动，无需针对单次数据点采取干预；而特殊原因则代表可识别的异常波动，一旦发现需要立即排查和纠正。

控制图的原理是利用控制限监控过程状态。通常将上下控制限设在中心线两侧各3个标准差的位置，当有数据点超出控制限，或者出现比如连续点单侧偏移这样的特殊模式，即被识别为“失控信号”，提示过程可能出现了异常。

在具体实施中，x̄图和R图常常配合使用，分别用来监控过程的均值（集中趋势）和离散程度（波动幅度）。分析时应先看R图判断波动是否稳定，再看x̄图判断均值是否在受控状态。

p图用于监控批次产品的不合格品率，适用于只有“合格”与“不合格”两种判断的场景；而c图则监控单位产品上的缺陷数，适合一件产品可能出现多处缺陷的质量场景。

Cp和Cpk是过程能力的核心指标。Cp衡量的是产品设计规格宽度与过程本身波动宽度（标准差）的比值，但不考虑过程均值是否处于规格中心；而Cpk在Cp的基础上对均值偏移进行了修正，真正反映实际的过程能力，取两个方向（上限和下限）中较弱的能力指标。

六西格玛方法论中的DMAIC闭环（定义、测量、分析、改进、控制）强调通过数据驱动，系统性地进行持续改进，从而提升质量管理水平。

在供应链管理中，这类统计工具也发挥着重要作用。例如，企业通常对供应商设定Cpk的最低门槛、通过AQL标准进行来料抽检，同时建立从原材料到成品的全流程质量可追溯体系，确保整个供应链的质量风险可控可查。

回顾定量分析在运营管理中的应用全貌：从框架建立出发，经过决策分析、预测、库存、线性规划、运输、项目管理、排队论、仿真，最终到达质量控制——这十个工具体系共同构成了现代供应链与运营管理的定量分析工具箱。每套工具解决不同类型的决策问题，但背后的逻辑是统一的：用数据和模型，把复杂的管理判断变成可以系统分析和持续改进的结构化过程。