第3章控制图原理

3. 控制图原理：普通原因与特殊原因、控制限的设定逻辑、两类错误风险（α与β）、判稳与判异准则

大家好，我是你们的老朋友。这一章咱们聊聊控制图的核心原理。说实话，很多人学SPC，一上来就画图、打点，结果图是画出来了，但根本看不懂。为什么？因为没搞懂背后的逻辑。

控制图不是玄学，它背后有一套严谨的统计学支撑。今天我就把这块硬骨头掰碎了，喂给你吃。

先问个问题：为什么同一个工序，做出来的产品总有差异？

答案很简单——变异无处不在。但变异分两种，处理方式完全不同。

普通原因（Common Cause）：系统固有的、随机的变异。比如：

说白了，这是“老天爷赏的饭”，你改变不了，只能接受。

特殊原因（Special Cause）：可指认的、非随机的变异。比如：

这是“人为的锅”，必须找到根因并消除。

我当年在汽车零部件厂时，遇到过一件事。一个关键尺寸的控制图连续三天都在报警，大家急得团团转。后来我仔细一看，发现是测量员每天下午换班后，习惯把千分尺放暖气片上——热胀冷缩，数据全偏了。这就是典型的特殊原因。

我的经验：判断是普通还是特殊原因，有个简单方法——如果问题持续存在且无法直接指认，大概率是普通原因；如果突然出现、有明确时间点或事件关联，基本就是特殊原因。

控制限怎么来的？很多人以为是“拍脑袋”定的，或者直接抄行业标准。其实不然。

控制限的数学基础是正态分布。假设过程稳定，数据服从正态分布，那么：

控制图通常取 均值 ± 3σ 作为控制限。为什么是3σ？不是2σ，也不是4σ？

嗯，这里有个权衡。3σ 意味着：如果过程稳定，点落在控制限外的概率只有 0.27%。换句话说，1000个点里，只有不到3个点会“假报警”。这个风险，大多数行业能接受。

注意：控制限不是规格限！规格限是客户要求的“合格范围”，控制限是过程自身的“稳定范围”。两者不能混为一谈。我见过太多人把控制限改成规格限，结果图是“好看”了，但过程失控了都不知道。

做控制图，本质上是在做统计假设检验。既然是检验，就免不了犯错。而且，错误分两种：

错误类型	统计名称	通俗解释	风险概率
第一类错误	α（阿尔法）	过程正常，但误判为异常（虚发警报）	0.27%（3σ时）
第二类错误	β（贝塔）	过程异常，但误判为正常（漏发警报）	取决于偏移量

你想想看，α 和 β 就像跷跷板的两头。你把控制限拉宽（比如用4σ），α 变小了，但 β 变大了——异常来了你发现不了。你把控制限收窄（比如用2σ），β 变小了，但 α 变大了——天天假报警，操作员都麻木了。

3σ 是工程实践中的“黄金平衡点”。我个人习惯，除非有特殊要求（比如医疗、航空等高风险行业），否则默认用3σ。

避坑指南：我曾经在一个项目中，客户要求用2σ控制限，结果一周内报警30多次，操作员直接无视了所有报警。后来我花了三天时间，用数据说服客户改回3σ。记住：控制图是工具，不是枷锁。过度敏感等于不敏感。

控制图画好了，点也打上去了。然后呢？怎么判断过程是“稳”还是“异”？

这里有一套国际通用的判异准则（也叫 Western Electric Rules），我挑几个最常用的：

那判稳准则呢？说白了，就是“没有异常信号”。具体来说：

这里我要强调一点：判稳不等于过程能力好。稳，只说明过程受控，变异只来自普通原因。但普通原因的变异可能很大，导致产品不合格。所以，控制图之后，还要做过程能力分析（Cp/Cpk），那是后话了。

为了帮你理清思路，我画了一张图，把这一章的核心逻辑串起来：

这张图把这一章的核心逻辑串起来了。你从“变异来源”出发，理解为什么要设控制限；然后理解控制限背后的风险权衡；最后用判稳判异准则去判断过程状态。环环相扣，缺一不可。

好了，这一章就到这里。控制图原理是SPC的基石，搞懂了它，后面的各种控制图（Xbar-R、P图、U图等）就都是“换汤不换药”了。下一章，咱们开始动手画第一张控制图。