怎样用控制图和帕累托图持续降低生产不良率？

在六西格玛项目中，控制图和帕累托图经常一起出现，但两者回答的是不同问题。控制图判断过程有没有随时间发生异常变化，帕累托图则帮助团队找出数量最多或损失最大的缺陷类型。

把两种工具结合起来，团队可以先确认过程是否稳定，再确定改善重点、验证潜在原因，并在实施方案后监控成果。这比看到不良率上升便立即调整参数，更有机会找到真正的问题。

控制图先回答：过程是否处于稳定状态？

生产过程的结果不会完全相同。原材料、设备、人员、方法和环境中的细微差异，会使质量指标自然波动。控制图的作用，是把正常波动与值得调查的异常变化区分开来。

一张基本的控制图通常包含：

• 中心线：表示过程在观察期内的平均水平；
• 控制上限（UCL）：根据过程数据计算的上方统计界限；
• 控制下限（LCL）：根据过程数据计算的下方统计界限。

如果数据点落在控制界限内，而且没有出现连续偏向一侧、持续上升、周期性变化等非随机模式，我们可以暂时判断过程处于统计受控状态。这里的「受控」只表示没有发现明显的特殊原因，并不代表产品质量已经达到客户要求。

控制界限不能当成规格界限

控制界限与规格界限经常被混淆，但两者来源和用途完全不同。

一个过程可能非常稳定，却长期生产大量不合格品；也可能目前抽检结果全部符合规格，控制图却已经出现失控信号。前者需要改变过程的基本能力，后者则需要调查特殊原因，防止问题继续扩大。

案例：用P图监控电路板不合格率

假设一家工厂在印刷电路板生产线的最终检验环节，定期抽取一批产品，并记录每批样本中不合格电路板所占的比例。由于每件产品的结果属于「合格或不合格」两种状态，这类数据可以使用P控制图进行监控。

P图监控的是不合格品比例，计算方式为：

假设观察期内所有样本合并后的平均不合格率为0.244，即24.4%，这条平均值会成为P图的中心线。每次抽样得到的不合格率，则按照时间顺序画在图上。

当每期样本量不同，P图的控制界限也可能随样本量改变。样本量较大时，正常的抽样波动较小，控制界限会收窄；样本量较小时，控制界限通常较宽。因此，不能在样本量明显变化时仍然机械地使用固定界限。

落在控制界限内，不代表不良率可以接受

如果P图没有发现越界点或其他非随机模式，可以说这个过程在观察期间相对稳定。然而，24.4%的平均不合格率显然仍然可能造成大量返工、报废和交付损失。

这说明了控制图中一个很重要的观点：

稳定性与良好绩效是两件不同的事。

过程稳定，只表示不良率大致维持在一个可以预测的范围。假如这个稳定水平本身很差，团队仍然需要通过系统改善降低普通原因造成的波动和缺陷。

反过来说，如果P图已经出现特殊原因信号，团队应先调查相应时间点发生了什么。例如是否更换材料批次、设备曾经停机、参数被调整、检测标准发生变化，或者某个班次使用了不同作业方法。过程尚未稳定便直接分析整体平均值，容易把不同状态的数据混在一起。

没有控制图，团队很容易对每次波动过度反应

有些企业只使用运行图，把每周或每天的不良率连成一条线，却没有中心线和控制界限。数据一上升，管理人员便要求现场调整；下一期数据下降，又认为调整已经有效。

这种做法的问题在于，任何稳定过程也会自然上下波动。如果团队把每一次上升都当成异常，持续修改机器、参数和作业方式，反而会把更多变异带进过程。这种行为有时被称为「过度调整」或「干预普通原因」。

控制图提供了统计判断基础，让团队知道什么时候应该调查特殊事件，什么时候应该从整个过程系统着手改善。

过程稳定以后，帕累托图帮助选择改善重点

假设团队在3200次电路板生产或检验记录中，进一步统计了焊接不足、气孔、短路、偏位和其他缺陷，并制作帕累托图。结果显示，焊接不足的数量明显高于其他缺陷，团队便可以优先研究这一类别。

帕累托图的价值，是让有限资源集中在影响较大的问题上。不过，排序时不一定只能使用缺陷次数。如果不同缺陷造成的损失差异很大，也可以按照返工成本、报废金额、客户影响或风险程度排列。

例如某种缺陷数量不多，却可能引发安全问题或客户停线，就不能因为它没有排在数量第一而暂时忽略。帕累托图提供优先顺序，但管理者仍需结合严重性和业务影响作出判断。

P图与缺陷帕累托图的数据含义并不完全相同

这个案例还有一个容易被忽略的技术问题：P图监控的是不合格品，而缺陷帕累托图统计的通常是缺陷项目。

一块电路板可能同时存在焊接不足和气孔，因此一件不合格品可以包含多个缺陷。假设100块电路板中有20块不合格，它们合计出现了27项缺陷，那么：

• 不合格品数量是20块；
• 不合格品率是20%；
• 缺陷总数是27项。

这三个数字不能互相替代。P图适合监控不合格品比例；如果要监控每块电路板上的缺陷数量，则可能需要考虑c图或u图，具体选择取决于检验机会和样本规模是否固定。

分析前把「不合格品」和「缺陷」定义清楚，可以避免控制图类型选择错误，也能防止团队对帕累托图作出错误解释。

从头脑风暴走向原因验证

确定焊接不足为主要改善对象后，团队可以邀请工艺工程师、设备技术人员、操作人员、质量人员、材料专家和生产管理者共同分析潜在原因。

因果图可以从人员、设备、材料、方法、测量和环境等方向整理可能因素，例如：

• 焊接温度是否不足或波动过大；
• 传送速度是否过快；
• 焊膏印刷厚度是否不稳定；
• 元件或焊盘是否存在污染；
• 助焊剂状态是否发生变化；
• 设备维护状况是否影响加热表现；
• 不同材料批次是否产生不同结果；
• 缺陷判定是否受到检验人员影响。

因果图列出的是待验证的可能原因，不是已经证实的根因。参与讨论的人经验再丰富，也不能因为多数人同意某个原因，便直接认定它是真正原因。

先分层和比较，再决定是否需要回归或DOE

原因验证不应一开始就直接进入复杂统计分析。团队可以先利用分层数据检查焊接不足是否集中在特定设备、班次、材料、产品型号、操作人员或时间段，再根据问题结构选择分析工具。

如果响应变量仍然是「发生焊接不足或没有发生」的二分类结果，可以采用比例比较、卡方检验或二项逻辑回归等方法。普通线性回归并不一定适合直接分析0与1的结果。

如果工程团队能够找到更接近缺陷形成机制的连续响应，例如焊点拉力、焊膏厚度、润湿面积或某项焊接质量测量值，分析通常可以保留更多信息，也可能提高发现因素影响的能力。

当多个可控因素可能共同影响结果时，可以进一步使用实验设计（DOE）。例如同时研究焊接温度、传送速度和焊膏厚度，DOE可以估计各因素的主效应，并检查因素之间是否存在交互作用。

不过，是否采用连续响应不能只为了减少样本量。新指标必须确实与客户关心的缺陷或产品功能有关，而且测量系统需要可靠。否则，团队可能得到一个统计上容易分析、业务上却没有价值的结果。

改善是否有效，需要通过数据和确认实验判断

假设分析发现焊接温度和传送速度的组合会显著影响焊接不足，团队据此调整参数范围，并增加设备预热与监控要求。方案实施后，不能只观察几批产品没有出现问题便宣布成功。

更可靠的做法，是安排确认试验或一段受控的试运行，检查改善方案在正常生产条件下能否重复取得效果。团队还应继续使用P图监控总体不合格率，或者为焊接不足建立专门的监控指标。

如果改善真实有效，控制图中的不合格率会由原来的平均水平向下移动，并在较低水平形成新的稳定状态。此时，旧控制界限已经描述不了改善后的过程，应在确认过程发生持续、可解释的改变后，利用改善后的稳定数据重新计算中心线和控制界限。

不能因为想让图表看起来更漂亮便删除旧数据或随意重算界限。重新计算必须建立在过程发生实质改变、改善措施已经标准化，而且新阶段具有足够数据的基础上。

改善一个问题后，优先顺序可能发生改变

焊接不足大幅下降后，团队可以重新制作缺陷帕累托图。原本排名第二的气孔，可能成为新的主要问题。这并不是前一个项目失败，而是改善改变了缺陷结构。

持续改善很少通过一次项目消除所有问题。它更像一个不断更新的循环：

1. 使用控制图确认过程状态；
2. 通过帕累托图确定主要损失；
3. 提出并验证潜在原因；
4. 设计和确认改善方案；
5. 把有效措施纳入标准与控制计划；
6. 继续监控过程，寻找下一个改善重点。

这套分析如何对应DMAIC？

在DMAIC项目中，控制图不只属于某一个阶段，而会在不同阶段承担不同作用。

• 定义阶段：明确客户关心的问题、项目范围和改善目标；
• 测量阶段：确认数据定义与测量系统，建立基线，并初步判断过程稳定性；
• 分析阶段：使用分层、帕累托图、假设检验、回归或其他方法验证原因；
• 改进阶段：通过试验、DOE或试运行选择并确认改善方案；
• 控制阶段：使用控制图、标准作业、控制计划和反应方案维持成果。

因此，把「使过程稳定」完全归入测量阶段并不准确。测量阶段需要了解当前过程状态，但发现特殊原因后所进行的调查和处理，可能延伸至分析与改进阶段；改善完成以后，控制图还会继续用于控制阶段。

结论：控制图负责看变化，帕累托图负责定重点

降低电路板不良率，不能只依靠一次头脑风暴或临时调整参数。团队需要先用控制图区分正常波动与特殊原因，再用帕累托图识别主要缺陷，通过数据分析或实验验证真正原因，实施改善后再确认过程是否进入更低、更稳定的新水平。

控制图告诉团队过程何时发生变化，帕累托图告诉团队资源应该优先放在哪里。两者配合因果分析、回归、DOE和标准化控制，才能把「发现不良」转化成一套可以重复进行的持续改善机制。