很多人第一次接触SPC控制图时，会把注意力放在「有没有点超过控制限」这件事上。只要所有点都落在上控制限和下控制限之间，就觉得过程应该没问题。
其实，控制图真正要判断的并不是「数据有没有超标」，而是过程中的波动是否仍然属于稳定、可预期的范围。即使所有数据点都没有超过控制限，只要图形出现持续偏移、连续上升、周期性变化等特征，也可能说明过程已经出现了特殊原因。
这正是SPC（Statistical Process Control，统计过程控制）的核心用途。它不是单纯用来找异常点，而是帮助我们判断过程是否处于统计稳定状态，并及时发现那些不属于正常随机波动的变化。
控制图真正要找的是「特殊原因」
SPC控制图的基础来自Walter A. Shewhart在20世纪20年代提出的过程变异思想。Shewhart认为，过程中的波动大致可以分成两类。
一类是过程本身长期存在的自然波动。这些变化通常来自设备、材料、方法、人员和环境中很多微小因素共同作用。单独看每一个因素，可能都不明显，但它们长期存在于系统之中。今天我们一般称为普通原因变异（Common Cause Variation）。
另一类则不是过程本来应该出现的波动，而是受到某个特殊事件影响。例如刀具突然损坏、设备参数被改变、材料批次异常、操作方法发生变化，或者测量系统出了问题。这类变异通常称为特殊原因变异（Special Cause Variation）。Shewhart早期也使用Assignable Cause来描述这类可以追查的原因。
SPC的任务，就是尽可能把这两种波动区分开来。
如果过程只存在普通原因变异，我们通常会认为过程处于统计控制状态，也就是相对稳定、可以预测。如果特殊原因不断出现，过程表现就会变得不稳定，这时即使平均值暂时不错，也不能轻易预测未来表现。
为什么不能只看有没有超过控制限？
控制图最明显的异常信号，当然是某一个点超过上控制限或下控制限。但如果只看这一条规则，就可能错过很多过程变化。
例如一个过程的平均值开始慢慢向上移动。最开始几个点可能全部还在控制限以内，但如果连续很多点都落在中心线同一侧，这种排列本身就很不寻常。
又例如设备随着时间逐渐磨损，测量值可能连续几次上升。虽然每一个点单独看都没有问题，但把它们按照时间顺序连起来以后，就会看到明显趋势。
所以控制图分析的是「数据点的位置和排列方式」，而不是单纯检查有没有越界。
常见的SPC异常判异规则
在实际应用中，不同机构和软件采用的规则可能略有差异。Western Electric规则、Nelson规则，以及不同企业内部的SPC标准，都可能使用不同组合。因此，企业最好明确自己采用的是哪一套判异规则，不要把所有规则混在一起使用。
下面这些是实际SPC分析中经常见到的异常信号。
1. 一个点超过3σ控制限
这是最直观的异常。如果一个数据点超过上控制限UCL或下控制限LCL，说明这个结果在当前稳定过程下出现的概率已经很低，因此应该调查是否出现特殊原因。
不过，需要注意的是，控制限和规格限完全不是一回事。控制限来自过程本身的数据，用来判断过程是否稳定；规格限来自客户或设计要求，用来判断产品是否合格。
2. 连续多个点位于中心线同一侧
如果连续多个数据点一直出现在中心线的上方或下方，通常说明过程中心可能发生了偏移。
有些规则使用连续7点，有些使用8点或9点，因此不能简单认为只有「7点规则」才是正确答案。真正要理解的是：正常随机波动应该大致围绕中心线上下分布，如果长时间只停留在一侧，就值得怀疑过程中心已经改变。
3. 连续多个点持续上升或下降
如果数据连续多次逐渐增加或逐渐减少，通常反映过程存在趋势。常见判异规则会使用连续6点上升或下降作为信号。
这种趋势可能来自设备磨损、温度变化、刀具消耗、材料逐步变化等因素。如果只看单点，很容易忽略这种缓慢发生的变化。
4. 连续14个点交替上下
如果数据点连续呈现「高、低、高、低」的交替模式，这种排列也不像普通随机波动。
这种现象有时可能来自两个不同的操作方式、两台设备轮流生产、两种测量方法交替使用，或者人员为了调整过程而不断过度修正。
5. 三个连续点中有两个落在同一侧的2σ以外
如果三个连续点中有两个位于中心线同一侧，并且超过2σ区域，就可能说明过程已经向某一方向移动。
这些点即使还没有超过3σ控制限，组合出现的概率也已经比较低，因此通常会被视为特殊原因信号。
6. 五个连续点中有四个落在同一侧的1σ以外
这个规则和上一条类似，只是观察更靠近中心线的区域。如果五个连续点中有四个都位于同一侧，而且落在1σ之外，说明数据分布可能已经发生偏移。
这种规则可以帮助我们在过程真正越过控制限之前，更早发现变化。
7. 连续15个点集中在中心线附近
很多人看到数据非常集中，会直觉认为这是好事。但如果连续15个点全部落在中心线两侧1σ范围以内，也可能是不正常的。
因为一个真实过程通常会存在一定自然波动。如果数据长期异常集中，可能代表数据经过筛选、测量系统分辨率不足、不同数据被错误混合，或者存在其他不自然的机制。
8. 连续8个点都远离中心线
如果连续8个点都落在中心线两侧1σ之外，而且没有点接近中心线，也可能说明过程由两个不同分布混合而成。
例如两台设备平均值不同，却把数据放在同一张控制图中；或者白班和夜班存在明显差异，但分析时没有分开。
异常点比例可以直接代表过程稳定程度吗？
有些企业会统计「一个月出现多少个SPC异常点」，再计算异常点占总数据的比例，并把它当成过程稳定性的KPI。这样的指标可以作为辅助参考，但不能单独用来判断过程是否稳定。
原因是控制图异常不是简单的「异常点数量」问题。一个点超过控制限当然是异常，但连续多点偏移、趋势或特殊排列，同样可能代表过程失控。
另外，不同控制图使用不同样本量、抽样频率和判异规则时，异常比例也不能直接横向比较。
例如一条生产线每天记录100个点，另一条每天只记录10个点，即使真实过程状态一样，单纯比较异常次数也没有太大意义。
所以，优思学院认为，与其只计算「异常点占比」，更重要的是分析异常信号的类型、出现频率、重复原因，以及异常发生后是否真正完成了原因调查和改善。
看到控制图异常以后应该怎么办？
发现SPC异常后，第一反应不应该是马上调整设备。
如果每次看到数据稍微偏高就调低参数，看到偏低又调高，反而可能把一个原本稳定的过程人为搞得更加波动。这种情况有时称为过度调整（Over-adjustment）。
更合理的做法，是先确认异常信号是否真实存在，再检查测量系统、设备状态、材料批次、人员操作、工艺参数和环境条件等是否发生变化。
如果确认存在特殊原因，就应该找到并消除这个原因。如果过程只有普通原因变异，但能力仍然不足，那么解决方法通常不是追查某一个员工或某一次异常，而是从整个系统层面改善设备、工艺、材料或方法。
过程稳定也不代表过程一定有能力
这是SPC学习中另一个非常重要的概念。
一个过程可以非常稳定，但仍然生产大量不合格品。
例如某个尺寸过程长期稳定在10.15 mm附近，波动很小，但客户规格上限只有10.10 mm。这个过程虽然没有特殊原因，控制图可能也非常漂亮，但它稳定地生产超规格产品。
所以，SPC解决的是「过程是否稳定」的问题，而Cp、Cpk等过程能力分析解决的是「过程是否能够满足规格」的问题。
通常应该先确认过程稳定，再讨论过程能力。如果过程本身还不断受到特殊原因影响，那么计算出来的Cpk也很难代表未来表现。
真正理解SPC，比背判异规则更重要
很多人在学习SPC时，会把重点放在背诵「连续7点」「连续6点」「连续14点」这些数字。考试时当然可能需要记住，但真正应用时，更重要的是理解这些规则背后的统计逻辑。
如果过程只是随机波动，数据点应该围绕中心线自然分布。某些排列方式出现的概率非常低，因此一旦出现，我们便把它当成过程可能发生变化的信号。
控制图不是用来证明某一个点一定有问题，而是提醒我们：
现在看到的数据，已经不像原来的稳定过程了，值得进一步调查。
结语
SPC控制图的真正价值，不是每天画一张图，也不是追求所有点都落在控制限以内，而是帮助企业把普通原因和特殊原因区分开来。
当特殊原因出现时，我们应该及时调查；当过程只有普通原因但能力不足时，则应该从系统层面进行改善。
因此，判断过程稳定性时，不应该只看异常点占比，也不能只依靠一条「超过控制限」的规则。结合控制限、趋势、偏移和其他非随机模式，才能更完整地理解过程正在发生什么。
优思学院认为，真正掌握SPC之后，你看到的不再只是一张控制图，而是过程随时间变化留下来的「轨迹」。它告诉我们的重点不是某一个数字高了还是低了，而是这个过程是否仍然按照原来的规律运行。
