統計製程管制：品質的基石
管制圖是統計製程管制 (SPC) 的核心工具，使用標準差來監控製程隨時間的穩定性。由華特·休哈特在 1920 年代於貝爾實驗室開發，這些強大的工具能區分共同原因變異（製程固有的變異）和特殊原因變異（需要注意的問題）。
管制圖的精妙之處在於其簡潔性：隨時間繪製你的測量值，加上基於標準差的管制界限，然後觀察是否有超出界限的點或異常模式。這種即時監控能在缺陷發生前就預防，而不是事後才透過檢驗發現。
現代製造業、醫療和服務業都依賴管制圖來維護品質。從需要奈米精度的半導體製造到醫院感染率，SPC 提供了一個通用的製程改善框架。
共同原因 vs 特殊原因
共同原因變異是任何製程中自然、預期的變異性。特殊原因變異則表示有什麼改變了——新的操作員、磨損的工具或受污染的原材料。管制圖幫助你區分這兩者。
管制圖的類型
不同的資料類型需要不同的管制圖。選擇正確的圖表才能確保準確的製程監控：
| 圖表類型 | 資料類型 | 適用情境 |
|---|---|---|
| X̄-R（平均數-全距圖） | 連續資料，子組 n≤10 | 製造測量 |
| X̄-S（平均數-標準差圖） | 連續資料，子組 n>10 | 大批次抽樣 |
| I-MR（個別值-移動全距圖） | 個別測量值 | 昂貴/破壞性測試 |
| p 管制圖 | 不良品比例 | 合格/不合格檢驗 |
| c 管制圖 | 缺陷計數 | 每單位缺陷數 |
對於連續型資料（如長度、重量、溫度等測量值），X̄-R 圖最為常用。你收集子組樣本，在一張圖上繪製平均數 (X̄)，在另一張圖上繪製全距 (R)。兩者一起監控製程的中心位置和變異性。
計算管制界限
管制界限定義了預期變異的範圍。它們設定在中心線 ±3 個標準差處，當製程在管制狀態時涵蓋 99.73% 的點：
管制界限
UCL = x̄ + 3σ, CL = x̄, LCL = x̄ - 3σ
對於使用全距法的 X̄ 圖，公式變為：
X̄ 圖管制界限
UCL = X̿ + A₂R̄, LCL = X̿ - A₂R̄
其中 X̿ 是總平均數，R̄ 是平均全距，A₂ 是依子組大小而定的常數（例如 n=5 時 A₂ = 0.577）。
管制界限 ≠ 規格界限
管制界限是從你的資料計算得出的，反映製程實際的表現。規格界限是由客戶/工程師設定的，反映製程應該達到的要求。一個製程可以在管制狀態內，但仍然生產出超規格的產品。
管制界限常數
| n | A₂ | D₃ | D₄ |
|---|---|---|---|
| 2 | 1.880 | 0 | 3.267 |
| 3 | 1.023 | 0 | 2.574 |
| 4 | 0.729 | 0 | 2.282 |
| 5 | 0.577 | 0 | 2.114 |
Western Electric 規則：偵測問題
單一點超出管制界限並非問題的唯一訊號。Western Electric 規則透過將圖表按標準差劃分為不同區域，來偵測更微妙的模式：
- C 區:在中心線 1σ 範圍內
- B 區:在中心線 1σ 到 2σ 之間
- A 區:在中心線 2σ 到 3σ 之間
四大主要規則
1
規則 1：單點
一個點超出 3σ（A 區或更遠）。這在自然狀態下出現的機率只有 0.27%。
2
規則 2：連續 9 點
9 個連續點落在中心線的同一側。表示製程平均數發生偏移。
3
規則 3：連續 6 點趨勢
6 個連續點持續上升或下降。暗示製程偏移或工具磨損。
4
規則 4：區域模式
連續 3 點中有 2 點落在 A 區或更遠（同一側）。偏移的早期警示。
識別常見模式
有經驗的從業者會學習辨認指示特定問題的視覺模式：
| 模式 | 外觀 | 可能原因 |
|---|---|---|
| 偏移 | 水平突然改變 | 新操作員、原料批次變更、設備調整 |
| 趨勢 | 逐漸向上/向下偏移 | 工具磨損、溫度飄移、疲勞 |
| 週期 | 重複的上下波動 | 班次輪換、環境週期、輪替排程 |
| 緊靠中心 | 點聚集在中心附近 | 管制界限不正確、資料被四捨五入/編輯 |
| 分層 | 點避開中心 | 混合來源、多台機器 |
Python 實作
建立 X̄-R 管制圖並自動檢查規則：
python
import numpy as np
import matplotlib.pyplot as plt
def create_xbar_chart(data, subgroup_size=5):
"""Create X-bar control chart with control limits."""
# Reshape data into subgroups
n_subgroups = len(data) // subgroup_size
subgroups = data[:n_subgroups * subgroup_size].reshape(n_subgroups, subgroup_size)
# Calculate subgroup means and ranges
xbar = subgroups.mean(axis=1)
R = subgroups.max(axis=1) - subgroups.min(axis=1)
# Control chart constants (for n=5)
A2 = 0.577
D3, D4 = 0, 2.114
# Calculate control limits
xbar_bar = xbar.mean()
R_bar = R.mean()
UCL = xbar_bar + A2 * R_bar
LCL = xbar_bar - A2 * R_bar
# Check for out-of-control points
ooc = (xbar > UCL) | (xbar < LCL)
# Plot
plt.figure(figsize=(12, 5))
plt.plot(xbar, 'b-o', markersize=4)
plt.axhline(xbar_bar, color='g', linestyle='-', label='CL')
plt.axhline(UCL, color='r', linestyle='--', label='UCL')
plt.axhline(LCL, color='r', linestyle='--', label='LCL')
plt.scatter(np.where(ooc)[0], xbar[ooc], color='red', s=100, zorder=5)
plt.xlabel('Subgroup')
plt.ylabel('X-bar')
plt.title('X-bar Control Chart')
plt.legend()
plt.show()
return {'xbar': xbar, 'UCL': UCL, 'LCL': LCL, 'ooc': ooc}
# Example: Monitor a manufacturing process
np.random.seed(42)
# Simulate 100 measurements (20 subgroups of 5)
measurements = np.random.normal(100, 2, 100)
# Add a shift at subgroup 15
measurements[75:] += 3
result = create_xbar_chart(measurements)