检测数据怎么接进 SPC

SPC 的前提是数据本身可信，而这里最容易出问题的地方是数据的类型。视觉系统默认输出的往往是「合格」与「不合格」，这是计数型数据：一批 500 件里 3 件不合格，不良率 0.6%。这个数字能反映批量水平，但它看不出趋势、看不出漂移、看不出设备正在往哪个方向走。想把 SPC 用成过程控制的工具而不是事后统计，判定就必须落到数值上。

计数型与计量型，能做的事完全不同

计数型不是没有用，它有明确的适用面：判定本身就是定性的（有没有、是不是）、单件价值低、产量大。它的短板是灵敏度——不良率从 0.5% 慢慢爬到 0.8%，在计数型数据上要过很久才看得出来；而如果同一个特征有数值，均值移动一点点，X̄ 图上立刻就反映出来。所以能不能做有效的 SPC，很大程度上取决于方案设计时有没有把「输出数值」这件事写进需求。

测量系统自身的能力要先评估

这一条最容易被跳过，却最致命。控制图上的每一个点都来自测量系统，如果测量系统的重复性误差本身就占了公差的一大块，那么图上的波动里有多少来自产品、多少来自量具，就分不开。业界常用的做法是做量具重复性与再现性分析：同一个工件反复测，看读数散布多大；不同的人或不同的班次测，看系统偏差有多大。经验判据是测量系统的误差占公差的比例低于 10% 可以接受，10% 到 30% 视情况，超过 30% 不可接受。

这个判据与精度换算里讲的「像素当量取公差的十分之一」是同一个意思，只是站在不同的位置说：一个是在选型时给测量系统留余量，一个是在使用时验证余量还在不在。如果评估下来测量系统的误差占比偏高，正确的动作是回去改善光学、机械或标定，而不是把控制图的判据放松——放松判据等于把量具的问题转嫁给工艺。

四个常见的用法错误

• 用全部数据算控制限：控制限应当由过程处于受控状态时的数据算出。如果把异常时段的数据一起算进去，控制限会被撑宽，之后什么问题都报不出来。正确的顺序是先剔除已知异常，算限，再用限去监控。
• 把控制限当规格线：控制限反映的是过程自己的波动范围，图纸公差反映的是客户要求，两者来源完全不同。混用会让现场误以为「在控制限内就是合格」，或者反过来对超出控制限但仍在公差内的产品过度反应。
• 忽略抽样方式：连续抽十件与随机抽十件反映的过程不一样。连续抽样看不出批内与批间差异，随机抽样可能漏掉短时异常。抽样方案本身要写清楚，并与判定记录一起留存。
• 算法或光源改动后不重算基线：阈值调整、光源更换、重新标定、模型更新，都会改变测量系统的输出，历史基线不再可比。这与模型漂移与再标定讲的是同一件事，处理原则也一样——改了就标记版本，重新建立基线。