质量异常除了SPC控制图，还能看什么图？

欢迎大家来到IT世界,在知识的湖畔探索吧!

提到质量异常分析，几乎所有了解这一领域的人都会提到SPC控制图。没错，SPC控制图是目前最广泛应用的质量异常分析工具（这里的“广泛”是指那些已经使用质量分析的企业，但大多数制造企业尚未达到进行质量异常分析的阶段

）。

那么我们做除了用SPC控制图来发现质量异常，还有什么图来进行和SPC相关的质量分析呢？

3σ分布图（我自己编的名称

）

上图展示的是一个6sigma的示意图，实际数据很难呈现出这样的理想状态。我们在查看控制图时，通常是如下图所示：

然而，我们通常希望知道这些点分别位于上下ABC区的数量或比例。正态分布直方图的水平轴分区往往是自动生成的，不一定每个σ对应一个区间。下图则是以每个σ为区间划分上下ABC6个区间的分布情况。

不定子组控制图（名称也是我自编的

）

很多时候，我们每批抽检的数量是不固定的（并非按固定子组大小抽样）。对于得到的数据，我们采用平均数绘制图表，并在图上显示每批次的数据点，以便直观地观察点的分布情况。

彩虹图（预控制图）

预先控制图是一种更新、更简单、更好用且更经济的质量控制技术。相比传统的休哈特控制图，它在统计分析方面更为强大，通过设定预先确定的界限，更快地识别和响应异常情况，适用于实时生产线监控和小批量生产环境。

彩虹图的各个区间定义：

实际运行的彩虹图：

能力分析图

能力分析图是一种全面的过程能力分析工具。它包括数据的分布图、整体和组内的分布拟合曲线，以及PPK、CPK、Ca等指标。这些图表和指标可以帮助我们全面评估过程的性能和能力，识别潜在问题，并为过程改进提供依据。通过这些分析，我们可以更好地理解过程的稳定性和一致性，从而更有效地进行质量控制。

能力对比图

能力对比图，用于直观比较规格限、组内实际偏差（范围）和整体实际偏差（范围）。

可以直观地看到：

• 数据是否在规定的规格范围内。
• 组内数据的变动情况。
• 整体数据的变动情况。

这种图表可以帮助识别过程中的问题，比如如果组内的偏差远小于整体偏差，可能意味着存在批次间的显著差异。相反，如果组内偏差和整体偏差接近，说明整个过程较为一致和稳定。

子组分布图

用于显示各子组的测量值分布情况。每个子组的测量数据用箱线图表示。箱线图展示了每个子组的中位数、四分位数区间以及可能存在的异常值。红色圆点表示各子组中的异常值，这些点显著偏离了其他数据点的位置，表明这些值可能需要进一步关注和分析。

这个图表可以帮助我们直观地了解各子组数据的集中趋势和离散程度，识别出潜在的异常值，从而更好地进行质量控制和数据分析。

正态性检验图

正态性检验图是一种用于评估数据是否符合正态分布的图表工具。它通过将数据点绘制在一个特定的图表上，如Q-Q图（Quantile-Quantile Plot）或P-P图（Probability-Probability Plot），来比较实际数据的分布与正态分布的理论分布。如果数据点大致沿一条直线分布，则数据符合正态分布；若有明显偏离，则表明数据可能不符合正态分布。这种图表直观且易于解释，是统计分析中常用的工具。

机器学习判异图

机器学习用于异常检测，实际上是通过回归的二分类方法将数据分为两类，其中数量较少的一类被称为异常类。回归的二分类方法可以使用线性回归、支持向量机（SVM）、随机森林、K均值等算法。

然而，机器学习用于异常检测存在一个致命弱点，那就是对异常的判断过程往往像是一个黑箱，难以理解。与SPC的标准八大判异规则相比，我们无法明确知道机器学习算法为何将某个点判定为异常，因此也难以找到背后的原因。

上面的分析图表\工具，总有一些适合你，记得收藏，不然忘记了哦。