SPC控制图是制造业判断制程是否稳定、识别异常波动的重要工具，也是六西格玛质量管理中常见的统计方法。即使没有专业统计软件，也可以利用Excel建立X-Rbar图、P图、NP图和C图，计算中心线与上下控制限，并持续监控平均值、不良率、不良品数量和缺陷数量。本文将从控制图选择、控制限公式到Excel制作步骤，说明如何把SPC真正应用到日常制程管理中。
一、SPC控制图到底在监控什么？
SPC（Statistical Process Control，统计过程控制）的核心思想，并不是等产品做完后再检查“合格还是不合格”，而是利用过程数据判断制程本身是否处于统计稳定状态。
生产过程中出现波动是正常的。机器振动、原材料批次差异、环境温湿度变化、人员操作等因素，都可能使测量结果发生变化。
真正需要区分的是两种不同性质的波动：
普通原因波动（Common Cause Variation）：来自现有过程系统内部的自然波动，即使没有发生特殊事件，也会持续存在。
特殊原因波动（Special Cause Variation）：由特定异常事件造成，例如刀具突然磨损、设备参数被错误调整、供应商材料异常或测量系统发生问题。
控制图的价值就在这里。
它不是简单地把数据“画成折线图”，而是通过统计方法建立中心线（Center Line）、上控制限（UCL）和下控制限（LCL），帮助我们判断某一次波动究竟只是随机变化，还是值得进一步调查的异常信号。
二、最常用的SPC控制图有哪些？
不同类型的数据，需要选择不同的控制图。控制图选错以后，即使Excel公式完全正确，分析结论也可能没有实际意义。
制造业最常接触的包括以下四类。
1. X-Rbar图：监控连续测量数据的平均值与波动
X-Rbar控制图通常用于连续型测量数据，例如：
长度、直径、重量、厚度、温度、压力、扭矩等。
严格来说，人们常说的“X-Rbar图”实际上通常包含两张相互配合的图：
X-bar图：监控各子组平均值的变化；
R图：监控各子组极差，也就是组内波动的变化。
例如，每小时从生产线上抽取5个零件，测量其直径。每5个零件形成一个子组，就可以计算这一组的平均值和极差，然后连续绘制X-bar图与R图。
这里有一个经常被忽略的原则：在判断X-bar图之前，应先确认R图所反映的组内波动是否稳定。
如果过程离散程度本身都不稳定，平均值控制限的解释往往也需要格外谨慎。
2. P图（P-chart）：监控不良品率
P图用于监控不良品比例或百分比。
例如：
每天检查的产品数量不同，希望监控每天不良率；
每个班次抽样数量不完全一致，希望比较不良品比例；
不同生产批次样本量变化较大，但都需要持续监控合格表现。
假设某天检查500件产品，其中发现15件不良，则：
不良率 = 15 ÷ 500 = 3%
P图尤其适用于每次样本量可能发生变化的场景。
3. NP图（NP-chart）：监控不良品数量
NP图监控的是一个样本中不良品的数量，而不是比例。
例如每天固定抽检100件产品：
星期一有3件不良；
星期二有5件不良；
星期三有2件不良。
由于每次样本量都是100件，可以直接用“不良品件数”绘制NP图。
因此，P图与NP图虽然都针对不良品，但选择逻辑并不相同：
样本量变化时，通常考虑P图；样本量固定时，可以考虑NP图。
4. C图（C-chart）：监控缺陷数量
C图用于监控一个检验单位中出现的缺陷数量。
这里必须区分“不良品”和“缺陷”。
一件产品可能是不良品，但一件不良品上可能同时存在多个缺陷。
例如检查一块汽车饰板，发现：
1处划痕；
2个气泡；
1处颜色异常。
这是一件产品，却出现了4个缺陷。
如果每次检查的产品面积、长度、机会数等基本一致，就可以使用C图监控缺陷数量。
如果每次检验单位大小或缺陷机会数明显变化，则通常需要进一步考虑U图，而不是直接套用C图。
三、X-bar与R控制图的控制限如何计算？
假设每次抽取固定数量的样本，并将每次抽样视为一个子组。
对于第i个子组：
子组平均值：
X̄i = ΣX / n
子组极差：
Ri = Xmax − Xmin
收集多个子组后，再计算所有子组平均值的平均：
X̿ = ΣX̄i / k
同时计算平均极差：
R̄ = ΣRi / k
其中：
n = 每个子组的样本数量；
k = 子组数量。
X-bar图控制限
中心线：
CL = X̿
上控制限：
UCL = X̿ + A2 × R̄
下控制限：
LCL = X̿ − A2 × R̄
R图控制限
中心线：
CL = R̄
上控制限：
UCL = D4 × R̄
下控制限：
LCL = D3 × R̄
公式中的A2、D3和D4不是随意设定的数字，而是根据子组大小n确定的控制图常数。
例如，当每组抽5个样本时，与每组抽3个或10个样本相比，需要使用不同的A2、D3、D4数值。
实际建立Excel模板时，可以查阅SPC控制图常数表，找到与你的子组大小相对应的参数。
四、P图的控制限如何计算？
P图的基本统计量是不良率。
每一个样本的不良率：
p = 不良品数量 ÷ 样本数量
首先根据历史数据计算平均不良率：
p̄ = 总不良品数量 ÷ 总检查数量
因此中心线为：
CL = p̄
如果每一次样本数量为n，则：
UCL = p̄ + 3√[p̄(1 − p̄) / n]
LCL = p̄ − 3√[p̄(1 − p̄) / n]
如果计算出的LCL小于0，在实际控制图上通常取0，因为不良率不可能低于0。
P图有一个很有意思的特点：当每天抽样数量不同的时候，每一个数据点所对应的控制限也可能不同。
所以你可能会看到P图的UCL和LCL并不是两条完全水平的直线，而是随着样本量发生变化。
这并不是Excel出了问题，而恰恰是统计逻辑的结果。
五、NP图的控制限如何计算？
NP图适用于固定样本量n，并监控其中的不良品数量。
设平均不良率为p̄，则：
中心线：
CL = n × p̄
上控制限：
UCL = n × p̄ + 3√[n × p̄(1 − p̄)]
下控制限：
LCL = n × p̄ − 3√[n × p̄(1 − p̄)]
同样，如果LCL计算结果小于0，一般取0。
P图和NP图其实使用了非常接近的统计原理。区别主要在于呈现给现场人员的信息不同。
P图告诉你的是：
“这一批产品的不良率是多少？”
NP图告诉你的是：
“这一批产品里面有多少件不良？”
如果生产现场每天固定抽100件，操作人员习惯直接看“不良件数”，NP图往往更加直观。
六、C图的控制限如何计算？
C图针对的是缺陷数量。
假设历史数据中，每个检验单位平均发现的缺陷数量为c̄，则：
中心线：
CL = c̄
上控制限：
UCL = c̄ + 3√c̄
下控制限：
LCL = c̄ − 3√c̄
如果LCL小于0，则通常取0。
例如，一个产品表面平均发现4个缺陷，则理论上：
CL = 4
UCL = 4 + 3√4 = 10
LCL = 4 − 3√4 = −2
由于缺陷数量不可能为负数，所以实际LCL取0。
七、如何一步一步用Excel制作SPC控制图？
Excel本身并没有要求你必须安装复杂的插件。对于一般的SPC日常监控，通过函数、单元格公式和折线图就能够完成。
第一步：整理原始数据
以X-bar和R图为例，可以把数据安排成：
日期或子组编号；
样本1；
样本2；
样本3；
样本4；
样本5；
平均值；
极差。
假设B2:F2存放某一个子组的5次测量数据，则Excel平均值公式可以写成：
=AVERAGE(B2:F2)
极差可以写成：
=MAX(B2:F2)-MIN(B2:F2)
然后向下填充公式，就可以得到每一个子组的X̄和R。
第二步：计算中心线
假设G列存放各子组平均值，那么：
=AVERAGE(G2:G26)
就可以得到X̿。
如果H列存放各子组极差：
=AVERAGE(H2:H26)
就可以得到R̄。
第三步：根据样本量查控制图常数
确定每个子组的样本量n，然后在SPC控制图常数表中找到对应的A2、D3和D4。
将这些参数放在单独的Excel单元格中，而不是直接写死在每个公式里，会更方便以后修改模板。
第四步：计算UCL和LCL
根据前面的公式计算：
X-bar图UCL；
X-bar图CL；
X-bar图LCL；
R图UCL；
R图CL；
R图LCL。
然后将同一个控制限复制到所有对应的数据行。
第五步：插入折线图
选择：
子组编号；
实际测量统计量；
UCL；
CL；
LCL。
在Excel中插入折线图。
这样就可以得到一张基本的SPC控制图。
为了现场阅读方便，一般可以让实际过程数据使用较明显的颜色，而UCL、CL和LCL采用不同颜色或线型进行区分，但不建议为了“好看”加入过多视觉元素。控制图最重要的是让异常信号能够在几秒钟内被识别出来。
八、数据没有超过控制限，就代表过程稳定吗？
不一定。
这是初学SPC时最常见的误区之一。
最明显的异常当然是：
某一个数据点超过UCL或LCL。
但控制图分析并不只是寻找“越线”。
即使所有点都位于控制限以内，如果数据形成明显的非随机模式，也可能意味着特殊原因已经进入过程。
例如：
连续多个点长期位于中心线同一侧；
数据连续上升或连续下降；
测量点周期性地上下波动；
大量数据异常集中在中心线附近；
数据持续靠近控制限。
这些模式可能意味着设备、人员、材料、测量方法或环境已经发生系统性变化。
因此，SPC真正训练的是一种思维方式：
不要只问“产品有没有超规格”，还要问“这个过程现在的行为是否仍然正常”。
九、控制限和规格限千万不要混为一谈
SPC实践中还有一个特别重要的概念：
控制限（Control Limits）≠ 规格限（Specification Limits）。
控制限通常由实际过程数据计算出来，用来描述过程自身的统计波动。
规格限则通常来自客户要求、工程设计或产品标准，例如：
USL：规格上限；
LSL：规格下限。
因此，一个过程完全可能出现这样的情况：
控制图很稳定，但产品仍然不能满足规格。
例如客户要求零件尺寸必须保持在10.00±0.05 mm之间，但某个过程长期稳定地生产出平均10.08 mm的产品。
从SPC角度看，它可能十分“稳定”。
但从客户规格角度看，它却持续“不合格”。
反过来，一个过程当前所有产品都落在规格以内，也不代表它一定处于统计受控状态。如果过程存在特殊原因波动，将来仍然可能产生大量超规格产品。
这也是为什么SPC通常要和过程能力分析结合起来理解，而不能只看一张控制图。
十、什么时候应该重新计算控制限？
控制限不是每天随着最新的数据重新计算一次。
如果不断把每一次异常数据都加入计算，再重新计算UCL和LCL，控制限可能会越来越宽，最终把真正的异常“吸收”进去。
更合理的做法是先建立一个具有代表性的基准期。
在制程处于相对稳定状态时，收集足够的测量数据，计算中心线和上下控制限，并把它作为后续过程监控的基准。
同时应该提前定义什么时候重新评估控制限。
例如：
设备进行了重大改造；
原材料或供应商发生实质变化；
工艺参数被永久调整；
生产线进行了重新设计；
已经完成改善项目，过程平均值或变异水平发生了永久性改变。
如果变化是经过确认并希望长期保持的新过程状态，那么重新建立控制限才具有统计和管理意义。
十一、发现控制图异常之后应该做什么？
SPC真正产生价值的地方，不是“画出一张图”，而是异常发生以后组织如何行动。
企业最好提前定义异常反应计划（Reaction Plan）。
当发现超出控制限或其他异常模式时，可以依次确认：
第一，确认数据本身是否正确。
检查录入错误、测量仪器、测量方法和样品标识，避免因为错误数据启动不必要的调查。
第二，保护客户和后续过程。
如果异常可能导致质量风险，需要根据企业质量程序确定是否隔离产品、扩大检查范围或停止放行。
第三，调查特殊原因。
可以从人员（Man）、机器（Machine）、材料（Material）、方法（Method）、测量（Measurement）和环境（Environment）等方向寻找变化。
第四，采取纠正措施。
找到特殊原因后，应解决原因本身，而不是简单删除控制图上的异常点。
第五，验证过程是否恢复稳定。
措施实施后继续收集数据，确认异常模式是否真正消失。
我自己更建议刚接触SPC的人先把“数据类型—控制图选择—异常判断—原因分析”这一整套逻辑学明白，再去追求复杂的软件操作；像六西格玛绿带课程中把SPC和DMAIC项目结合起来理解，通常会比单独背公式更容易在实际工作中用起来。
十二、Excel制作SPC控制图的几个常见错误
错误1：直接把规格上下限当成控制限
两者来源不同，不能互相替代。
错误2：所有数据都使用X-bar控制图
连续数据、比例数据、不良品数量和缺陷数量具有不同的统计分布，应根据数据类型选择控制图。
错误3：样本量变化很大却使用NP图
NP图通常要求固定样本量。样本量发生变化时，应考虑P图。
错误4：检验机会变化却直接使用C图
如果每次检查的面积、数量或缺陷机会不同，就需要考虑这种变化对缺陷数量的影响。
错误5：看到数据点越过UCL就马上调机器
首先要确认异常信号及特殊原因。如果还没有找到原因就不断调整参数，反而可能产生“过度调整”，使过程变异更大。
错误6：只看有没有点超线
连续偏向中心线一侧、趋势、周期性等非随机模式同样值得关注。
错误7：每出现一个异常就重新计算控制限
这样容易让控制限追着异常移动，失去监控基准的意义。
十三、X-Rbar图、P图、NP图和C图应该怎么选？
可以用一个简单判断逻辑快速选择：
数据可以测量，并且是连续数值吗？
例如长度、重量、温度、压力等，可以考虑X-bar与R图等计量型控制图。
数据是“合格/不合格”分类，而且关注比例吗？
考虑P图。
每次样本量固定，并希望直接监控不良品件数吗？
考虑NP图。
关注的是一个固定检验单位中的缺陷次数吗？
考虑C图。
需要注意的是，实际SPC控制图远不止这四种。根据数据结构和抽样方式，还可能使用I-MR图、X-bar-S图、U图等。
所以真正正确的问题不是“哪一种控制图最好”，而是：
我的数据是什么类型？数据是如何取得的？每一个统计点实际上代表什么？
一旦这三个问题明确，控制图的选择通常就容易得多。
十四、从“Excel画图”走向真正的过程控制
使用Excel制作SPC控制图并不困难。
真正值得企业投入精力的，是建立一套完整的管理闭环：
选择关键质量特性；
设计合理的抽样方案；
确认测量系统可信；
建立稳定过程的基准数据；
计算中心线和上下控制限；
持续收集数据；
识别特殊原因信号；
执行调查与纠正措施；
确认过程重新稳定；
在过程发生永久改变时重新评估控制限。
当这些环节真正连接起来以后，控制图就不再是一张挂在质量部门电脑里的折线图，而会成为生产现场的“过程预警系统”。
制程稳定时，利用历史测量数据定义中心线和上下控制限，再通过Excel函数和图表持续分析，就可以很直观地观察产品质量与过程波动。一旦出现超限或非随机异常，应按照事先制定的调查和纠正机制快速响应，并根据设备、材料、工艺等重大变化制定重新评估控制限的周期。
从这个角度来看，Excel完全可以成为企业开始实践SPC的一项实用工具。软件并不是关键，真正重要的是是否能够通过控制图发现过程变化、调查特殊原因，并把改善结果持续保持下来。
十五、常见问题
SPC控制图至少需要多少组数据？
建立初始控制限时，需要有足够的数据去描述过程的正常波动。实际项目不宜只凭少量数据仓促确定长期控制限，而应结合抽样频率、过程特性和企业实际情况建立具有代表性的基准数据。
控制点超过UCL是不是代表产品一定不合格？
不是。超过UCL代表出现了统计意义上的异常过程信号，但产品是否不合格，需要再与规格要求比较。控制限用于判断过程稳定性，规格限用于判断产品是否满足要求。
控制图全部位于上下限之间，是不是代表产品质量很好？
也不是。它最多说明从控制图角度看过程可能较稳定，还需要进一步确认是否存在非随机模式，以及过程输出能否满足客户规格要求。
P图和NP图最大的区别是什么？
P图监控不良品比例，可以处理变化的样本量；NP图监控不良品数量，更适合样本量固定的情况。
C图中的“缺陷”与“不良品”有什么区别？
不良品通常指一个产品是否符合要求，而缺陷指产品上存在的问题数量。一件不良品可能同时包含多个缺陷，因此两者不能直接混用。
A2、D3和D4在哪里查询？
这些参数取决于子组样本大小，可以参考SPC控制图常数表查询对应的A2、D3、D4等控制图常数。
