数字转型改变世界（数字转型问题解决之道）

在问题解决之道（四）中，我们探讨了通过DOE等工具，计算出具体的Y= f(X) 的关系函数式，以及找出最佳之生产条件组合。取得成果后，如何维持成效，如何确保成果的长期、稳定，是我们今天要讨论的内容。

统计过程控制（Statistical Process Control）是一种借助数理统计方法的过程控制工具，利用抽样所得之样本数据(样本统计量)来监视制程之状态，在必要时采取调整制程参数之行动，以降低产品质量之变异性。统计过程控制为预防性之质量管理手段，强调：第一时间就做对(Do it right the first time)。

常用的控制方法包括：防错型、警示型、检查型，如下蓝图所示。

1、防错型 (Mistake proofing/Error proofing)，方法: Poka-Yoke。

对流程做了防错设计，缺陷永远不会发生。可以理解为，设置某一个流程、方法、装置等，达成如果出现错误，无法进行下一步操作。

2、警示型 (Flag)，方法: SPC。

对流程做了定时的监控(抽检)并提供实时警示，一旦异常信号,马上执行OCAP (out of control action plan异常应对计划)。预防发生缺陷，缺陷发生的机率大大降低。

3、检查型 (Inspection，Screening)，方法: 监控流程和产品，终检产品。

对流程执行抽检或者是全检，删除因错误条件所产生的不良品。我们可以采取监控手段，来阻止继续不良；或者终检手段，来过滤不良。

我们重点介绍一下统计过程控制SPC。

那么，我们为什么需要SPC？

是因为，在任何的生产程序中，不管如何设计或维护，产品一些固有的或自然之变异将永远存在。这些变异是由一些小量不可控制原因累积而成，例如：同种原料内的变化、机器的振动所引起的变化等，当这些变异之量极小时，流程仍可被接受。这些自然变异通常称为随机原因(random causes) ，当流程在只有随机原因出现下操作，则称其在管制中(in control)。

当然，SPC有一定的应用范围。

统计流程控制适合应用于流程问题受到生产设备或操作人员之影响时。统计流程控制牵涉到产品和流程的控制，但其重点是在质量数据分析，只有在质量数据显示制程不稳定时，才考虑调整流程参数。

在传统应用上，SPC通常是用来监控一个流程的输出，亦即 y’s 。但，除了 y’s 外，SPC也被用来监控重要的流程输入 x’s ，以便尽快侦测出流程受到特殊原因所造成的改变，以确保 y 的改善能够维持。

我们来看看SPC有哪些构成要素？

UCL（Upper Control Limit）

LCL（Lower Control Limit）

CL（Center Line）

其中，平均值为為μ ，标准偏差为 σ，k 一般设为 3，因此我们称此管制图为3个 (倍) 标准偏差管制图（99.73%的预期流程变异会落在此管制界限中）。

SPC的建立制作，一般遵循下面流程步骤。

l 选择打算以管制图监视之特性；

l 决定管制图之种类；

l 决定样本大小、抽样频率和抽样方式；

l 收集数据；

l 计算管制界限，含中心线和上、下管制界限；

l 将样本统计量描绘于图上，判断制程是否在管制内；

l 若有必要，必须剔除异常数据，修改管制界限；

l 继续收集数据，利用管制图监视制程。在适当时机修改管制界限，持续监视制程。

最后，SPC绘制出来后，该如何应用。

传统Shewhart管制图只考虑最近的一点是否落在管制界限内，作为流程是否在管制内之依据。但所有点均落在管制界限内并不能保证制程变异稳定。

为了弥补传统管制图之缺失，专家学者另外提出一些测试法则来判断流程数据。较常用的法则有区间测试 (zone tests) 及连串测试 (run tests) ，再次我们不做过多介绍。

最后的最后，

问题解决之道从一到五，是比较完整的问题发现到解决的定、量、析、改、控五个阶段：

定，即定义问题；

量，即量测分析；

析，即分析因子；

改，即制定对策；

控，即固化成果。

希望对大家有所启发！