在学习SPC控制图时，我们很快会遇到一堆看起来有点像「口诀」的规则：
一个点超过3σ。
连续9点位于中心线同一侧。
连续6点不断上升或下降。
连续14点上下交替。
连续3点中有2点超过2σ。
连续5点中有4点超过1σ。
这些规则到底是谁定的？
为什么偏偏是6点、9点、14点？
更重要的是：
是不是违反任何一条规则，就代表生产过程出了问题？
要真正理解这些问题，就不能只背规则，而要回到SPC控制图发展的历史。
因为今天我们熟悉的各种判异规则，其实经历了一条很清楚的演进路线：
Shewhart → Western Electric → Nelson → 现代SPC软件
它们一直在解决同一个问题：
怎样尽早发现真正的过程变化，同时又不要把正常的随机波动误认为异常？
这才是控制图判异规则真正的核心。
一、故事要从Shewhart和控制图说起
20世纪初，大规模工业生产迅速发展。
传统质量管理主要依靠最终检验。
产品生产出来以后进行检查，好的留下，不好的挑出来。
这种方法有一个明显问题：
发现问题的时候，产品可能已经生产了一大批。
真正更有价值的问题应该是：
能不能在生产过程中，就发现过程正在发生变化？
1920年代，Walter A. Shewhart开始系统研究这个问题。
1924年前后，他提出了后来成为统计过程控制基础的控制图（Control Chart）思想。
Shewhart带来的最大突破，其实并不是「画一张图」，而是对变异（Variation）的理解。
他认为过程中的变异应该区分为不同性质。
一种来自过程本身长期存在的随机因素，我们今天通常称为：
Common Cause——普通原因。
另一种来自某些可以识别的异常因素，例如机器故障、材料变化、刀具损坏、参数错误、操作方式变化等，称为：
Assignable Cause / Special Cause——可归属原因或特殊原因。
这两个概念非常重要。
因为生产数据有波动，并不代表过程出了问题。
假设某零件目标尺寸是50.00 mm。
连续测量得到：
49.98
50.02
50.01
49.97
50.03
49.99
数据一直在变化。
但这种变化可能只是过程本身正常存在的随机波动。
SPC真正想知道的是：
什么时候这种变化已经大到让我们有理由怀疑，过程背后的机制发生了改变？
控制图就是为了回答这个问题而出现的。
二、为什么控制界限通常放在±3σ？
Shewhart控制图最经典的设计，就是：
中心线 CL
以及：
上控制界限 UCL = +3σ
下控制界限 LCL = −3σ
为什么是3σ？
如果一个稳定过程近似服从正态分布，那么大约99.73%的数据会位于：
−3σ 到 +3σ
之间。
换句话说，一个完全正常的过程，某个数据点单纯因为随机波动而跑到±3σ之外的概率大约只有：
0.27%
也就是：
P（|Z| ＞ 3）≈ 0.0027
反过来计算：
1 ÷ 0.0027 ≈ 370
因此，一个完全稳定的过程，如果持续采样，平均大约每370个数据点，也可能单纯因为随机波动出现一次超过±3σ控制界限的情况。
这个概念可以用ARL（Average Run Length，平均运行长度）来描述。
对于经典的3σ Shewhart控制图：
ARL₀ ≈ 370
这里千万不要理解成：
「第370个点一定会超限。」
不是。
它只是长期平均。
有可能第50个点就随机越界，也可能观察1000个点才遇到一次。
所以控制图从来没有说：
「超过UCL = 100%证明机器坏了。」
它真正表达的是：
「如果过程真的没有发生变化，这种现象出现的概率已经比较低，因此值得调查。」
这两句话看起来很接近，统计意义却完全不同。
三、只看3σ，很快又出现一个问题
假设某过程原来的平均值是50。
后来因为刀具磨损、温度变化或设备设定改变，平均值慢慢变成50.5。
过程其实已经发生偏移。
但偏移并不一定大到让数据马上超过3σ控制界限。
于是控制图可能出现这样的情况：
所有点都没有超过UCL或LCL。
如果只按照：
「超过控制界限才算异常」
工程师可能会认为过程完全正常。
可是仔细看图，却发现最近十几个数据点几乎全部位于中心线上方。
这就产生了一个非常重要的问题：
单个数据点看起来都正常，但一连串数据形成的模式，会不会已经不正常？
答案是：
会。
这正是Western Electric Rules出现的重要背景。
四、1956年：Western Electric把控制图判读标准化
Western Electric与SPC的发展有很深的历史关系。
1956年，Western Electric Company出版了经典的：
《Statistical Quality Control Handbook》
这本手册系统整理了Western Electric在统计质量控制实践中积累的方法和经验。
后来其中关于控制图特殊原因判定的规则，被广泛称为：
Western Electric Rules
或者：
WECO Rules
它的贡献非常重要。
过去我们主要问：
「这个点有没有超过3σ？」
Western Electric进一步开始问：
「最近这一串点的排列方式，像不像随机产生的？」
五、Western Electric为什么要把控制图分成A、B、C区？
为了更容易识别这些模式，控制图从中心线到3σ之间被进一步划分。
通常表示为：
Zone C：0～1σ
Zone B：1～2σ
Zone A：2～3σ
再往外，就是超过3σ控制界限。
于是工程师不再只是看到：
「超界」和「没有超界」。
而是可以观察：
数据究竟离中心线有多远，以及连续的数据组合起来出现在哪里。
经典Western Electric规则通常包括以下几种情况。
规则一：一个点超过3σ
这是最直接的异常信号。
如果过程本来稳定，单个点随机超过±3σ的概率大约只有0.27%。
规则二：连续3点中有2点位于同一侧2σ之外
虽然没有任何一个点超过3σ，但连续出现这样的组合，已经值得怀疑。
规则三：连续5点中有4点位于同一侧1σ之外
每个点单独拿出来看都没有问题。
但组合起来看，就不像典型的随机分布。
规则四：连续多个点全部位于中心线同一侧
这可能意味着过程平均值已经发生偏移。
Western Electric Rules最大的意义就在这里：
控制图从「单点异常检测」，进一步走向了「连续数据模式识别」。
六、为什么连续很多点在中心线同一侧值得怀疑？
这个逻辑其实非常容易理解。
假设过程真的稳定，而且数据围绕中心线随机波动。
一个数据点落在中心线上方的概率大约是：
50%
连续两个点都在上方：
0.5 × 0.5 = 0.25
也就是25%。
连续三个点都在上方：
0.5 × 0.5 × 0.5 = 0.125
也就是12.5%。
随着连续点数增加，这种排列纯粹由随机产生的概率会越来越低。
而且还要考虑所有点都在下面的情况。
所以我们关心的不是：
「某一个数据点是否离中心线特别远？」
而是：
「这么多数据连续以同一种方式排列，究竟还像不像随机波动？」
这就是Runs Rules背后的基本统计思想。
七、1984年：Nelson Rules进一步扩展
Western Electric Rules已经非常有用，但人们逐渐发现：
控制图上的非随机模式远不止「靠近控制界限」或「长期偏在一边」。
1984年，Lloyd S. Nelson在《Journal of Quality Technology》发表：
《The Shewhart Control Chart—Tests for Special Causes》
Nelson并不是推翻Western Electric。
更准确地说，他是在原有Shewhart控制图以及Western Electric判异思想基础上，进一步整理和扩展对特殊原因模式的识别。
后来逐渐形成我们今天熟悉的：
Nelson Rules。
如果Western Electric强调：
Zone + 连续点组合
那么Nelson进一步加入了更多：
Pattern——模式。
连续6点不断上升或下降
这可能代表某个因素正在持续变化。
例如：
刀具逐渐磨损；
温度不断上升；
设备逐渐漂移；
原料性质持续改变。
连续14点上下交替
这种非常规律的「一高一低、一高一低」，反而不像真正随机的数据。
背后可能存在两套操作方式、两台设备轮流生产、两个测量人员交替测量等系统性因素。
连续很多点过度集中在中心线附近
很多人第一次学习SPC时会觉得：
「这不是很好吗？数据全部靠近平均值。」
未必。
如果根据过去过程估计出来的σ是正确的，数据应该自然分散在不同区域。
如果大量数据异常集中在中心线附近，也可能说明：
数据来自不同的分层方式；
抽样方法改变；
测量分辨率存在问题；
或者控制界限已经不适合当前过程。
所以：
控制图中的「异常」不等于「数据很差」。
异常真正的意思是：
数据表现出来的模式，与我们原来假设的稳定随机过程不一致。
八、Western Electric与Nelson不是两个竞争门派
这一点很容易被教材讲复杂。
其实它们的历史关系可以简单理解成：
1920年代——Shewhart
建立控制图思想。
核心问题：
过程波动到底来自普通原因还是特殊原因？
↓
1956——Western Electric
把Shewhart思想进一步标准化、工业化。
不只看单点3σ越界，还观察Zone和连续数据组合。
↓
1984——Nelson
进一步扩展Special Cause的识别模式。
加入趋势、交替、异常集中等模式。
↓
现代SPC软件
把这些思想直接做成：
Test 1、Test 2、Test 3……
所以今天很多工程师其实仍然在使用这些思想，只是不一定会说：
「我正在使用Western Electric Rules。」
九、为什么Minitab里面会看到Test 1、Test 2、Test 3？
如果使用Minitab绘制控制图，经常会看到：
Test 1
一个点超过中心线3个标准差。
Test 2
连续9点位于中心线同一侧。
Test 3
连续6点持续增加或持续减少。
Test 4
连续14点上下交替。
看到这些规则时，其实已经能明显看到Nelson Rules的影子。
这说明现代SPC并没有抛弃这些老规则。
相反：
它们已经被软件化了。
十、是不是规则开得越多越好？
这是应用SPC时最容易犯的错误之一。
很多人第一次看到Nelson有8条规则，会想：
「那就全部打开，不就最安全吗？」
听起来很合理。
实际上未必。
因为任何统计判异规则都会面对两个问题：
Detection——发现真正变化
以及：
False Alarm——误报
如果规则比较宽松，好处是误报少。
坏处是过程已经发生小幅变化，可能很久以后才发现。
如果规则非常敏感，好处是很快发现小变化。
坏处是正常的随机波动也更容易触发警报。
这就是SPC判异规则最核心的权衡：
灵敏度越高，不代表管理效果一定越好。
因为误报本身也有成本。
十一、为什么误报多了反而危险？
假设一条生产线每天产生几百个SPC数据点。
公司又把所有Western Electric、Nelson Rules全部打开。
于是系统不断报警：
「Special Cause！」
工程师过去调查。
没有找到原因。
过几个小时又报警。
再次调查。
还是没有发现问题。
久而久之，现场人员很容易产生一种心理：
「SPC又乱报警了。」
真正异常出现时，反而没人认真对待。
这就是典型的「狼来了」。
更严重的是，有些操作人员看到控制图发出信号，会立刻调整机器。
调一点。
下一次又报警。
再调一点。
如果原来的过程其实是稳定的，这些人为调整反而会把额外变异带进过程。
这恰恰违反了Shewhart控制图最原始的精神。
十二、控制图报警，不代表产品不合格
这是SPC教学中必须反复强调的一点。
控制界限不是规格界限。
Specification Limits回答的是：
产品是否满足客户或设计要求？
Control Limits回答的是：
过程目前的行为是否与过去稳定状态一致？
完全是两个不同的问题。
因此，一个数据点超过UCL：
不代表这个产品一定不合格。
同样：
所有点都位于UCL和LCL之间，
也不代表产品一定符合规格。
例如客户规格是：
49.90～50.10 mm
但过程长期稳定在：
50.15 mm附近
控制图可能非常漂亮。
所有点都在控制界限里面。
可是产品全部偏离客户规格。
这是一个：
稳定，但没有能力满足要求的过程。
所以：
SPC首先解决的是稳定性问题，Cp、Cpk等过程能力分析才进一步讨论过程满足规格的能力。
两者不能混为一谈。
十三、被判定为「异常」，一定是坏事吗？
也不一定。
这是理解Special Cause非常重要的一点。
假设某条生产线过去的不良率长期维持在5%左右。
经过改善以后，不良率突然下降到1%，而且连续很多点都维持在新的水平。
控制图很可能报警。
为什么？
因为：
过程发生变化了。
但这明显是一个好变化。
所以控制图所谓的「异常」并不是：
Bad。
而更接近：
Different。
也就是说：
现在的数据已经不像原来那个稳定过程产生的数据。
如果变化是坏的，我们应该找到原因并消除。
如果变化是好的，我们反而更应该找到原因：
到底做对了什么？
可能换了更好的材料。
可能新的设备参数更稳定。
可能某位操作员采用了更好的方法。
可能新的治具降低了定位误差。
找到原因以后，把它标准化，新的改善才真正能够维持。
这也是持续改善与SPC连接起来的地方。
十四、实际应用SPC判异规则，要注意哪些事情？
1. 先确认控制图选对了
不同数据类型需要不同控制图。
连续型数据可能使用：
Xbar-R、Xbar-S、I-MR。
计数型数据可能使用：
p、np、c、u控制图。
控制图本身选择错误，后面的判异规则再漂亮也没有意义。
2. 不要把规格界限当成控制界限
USL、LSL来自设计或客户要求。
UCL、LCL来自过程数据。
一个属于：
Voice of Customer
一个属于：
Voice of Process
概念一定要分开。
3. 不要看到一个信号就立刻调机器
控制图的作用是：
发出调查信号。
不是：
自动下达调机命令。
应该结合生产记录、设备状态、原材料、人员、测量系统和现场条件寻找Special Cause。
4. 不一定要把所有判异规则全部打开
规则应该根据：
过程风险、采样频率、变化速度、误报成本以及希望检测的变化类型进行选择。
有些过程只使用基本规则已经足够。
有些关键过程则需要增加对小偏移更加敏感的规则。
5. 找到特殊原因以后要留下知识
如果发现某次异常是因为：
换了供应商；
设备温度异常；
刀具寿命达到极限；
操作方式改变；
测量仪器漂移；
这些信息不应该只停留在一张异常处理单里面。
应该进一步进入：
标准作业、控制计划、FMEA、设备保养、供应商管理或企业经验数据库。
这样SPC才真正从「画图工具」变成「过程学习工具」。
十五、SPC真正要学的，不是八条口诀
Western Electric Rules已经有70年的历史。
Nelson Rules也已经有40多年。
为什么今天还在使用？
因为它们背后的问题从来没有消失：
怎样判断数据变化究竟是随机波动，还是过程真的发生了变化？
Shewhart最早给出了一个非常漂亮的答案：
用控制图区分普通原因和特殊原因。
Western Electric继续往前走了一步：
不要只看单个点，还要观察连续数据形成的模式。
Nelson再进一步：
趋势、交替、集中、分层等非随机模式，同样可能透露过程发生了变化。
现代统计软件把这些思想变成Test 1、Test 2、Test 3……
表面上看，工具越来越复杂。
但SPC最重要的思想其实一直没有变。
不要因为数据动了一下就调整过程，也不要等到产品大量不良才承认过程出了问题。
控制图真正要做的，是帮助我们在两者之间找到一个合理的判断边界。
所以学习SPC时，与其死背「连续几点」「超过几个σ」，更应该理解这些数字背后的统计逻辑：
每一条判异规则，本质上都在寻找那些「如果过程真的稳定，就不太容易随机出现」的数据模式。
一旦这种模式出现，我们得到的不是「过程一定有问题」的结论，而是一个值得调查的信号。
这才是SPC控制图判异规则真正的价值。
优思学院原创
