在智能制造浪潮推动下，统计过程控制（Statistical Process Control，SPC）这门诞生于20世纪20年代的经典方法论，正在工厂车间里焕发新的生命力。对于技术人来说，理解SPC不仅是掌握一套工具，更是建立一种用数据说话、用统计思维解决问题的底层能力。

一、SPC的核心技术原理

1.1 为什么过程会波动

任何生产过程输出的产品特性值都不可能完全相同。这种波动来自两个源头：

普通原因是过程固有的随机变异，由无数微小因素累积而成。当过程只受普通原因影响时，我们说过程处于“统计受控状态”。特殊原因则是偶发的、可识别的异常因素，比如刀具磨损、原料批次变化、操作员更替。

SPC的核心使命就是区分这两类变异。控制图作为主要工具，本质上是统计假设检验的可视化呈现。

1.2 控制图的数学基础

控制图的上下控制限（UCL/LCL）基于“±3σ原则”构建。对于一个服从正态分布的过程，落在μ±3σ之外的概率约为0.27%。这意味着如果出现超出控制限的点，我们有充分理由怀疑特殊原因介入。

实际操作中，控制限从样本数据计算得出。以Xbar-R图为例：

• Xbar图的控制限 = Xbarbar ± A2×Rbar

• R图的控制限 = D4×Rbar 和 D3×Rbar

其中A2、D3、D4是随子组样本量变化的常数。

二、过程能力分析的工程应用

2.1 Cp与Cpk的区别

Cp衡量过程的潜在能力，假设过程均值与规格中心重合。Cpk则同时考虑过程均值的偏移和波动幅度。

Cpk的计算公式为：min[(USL-μ)/(3σ), (μ-LSL)/(3σ)