第7章 统计过程控制图
概览
正常
从零开始：轻松制作你的第一张x̄-R控制图（七步教学指南）
引言：什么是x̄-R控制图，我们为何需要它？
在统计过程控制（Statistical Process Control, SPC）中，控制图是一种至关重要的可视化工具。任何生产过程都存在波动，而控制图的核心作用，就是帮助我们区分过程中由“正常因素”引起的固有波动和由“异常因素”引起的严重变化。通过这种区分，我们能够更有效地监控和改进生产过程的稳定性。
x̄-R控制图是计量型数据控制图中最常用的一种。在这里，x̄（读作 “X-bar”）代表样本的均值，而 R 代表样本的极差（最大值与最小值的差）。通过将两者结合，我们可以同时追踪过程的两个关键方面：它的准确性（过程是否正确地围绕目标中心运行，由x̄图追踪）和它的精确性（过程的波动是否一致，由R图追踪）。
制作和使用控制图主要有以下三个方面的应用：
• 识别过程中异常因素出现的时间。
• 确认改进措施是否真正减小了过程的波动。
• 确定生产过程的实际能力。
在本指南中，我们将把复杂的统计过程分解为清晰的七个步骤，手把手带你完成第一张x̄-R控制图的制作。让我们开始吧！
——————————————————————————–
第一部分：准备工作
在开始计算和绘图之前，我们需要先设定好数据采集的基本框架。
1. 明确样本选择： 制作x̄-R图的第一步是确定样本容量 (n) 和采样频率。样本容量指每个样本中包含多少个测量值，而采样频率则决定了我们多久采集一次样本（例如，每小时采集一次）。
2. 设定关键参数： 为了确保统计结果的可靠性，我们需要足够的数据。本指南将遵循以下两个关键设定：
◦ 样本容量 (n): 我们将设为 n=5。这是x̄-R控制图最常用的样本容量。
◦ 样本数量 (k): 我们至少需要 k=25 组样本。这个数量是为了确保我们计算出的控制限具有足够的统计意义和合理性。
准备工作就绪后，我们正式进入数据处理和计算的七个核心步骤。
——————————————————————————–
第二部分：x̄-R控制图制作的七个步骤
第1步：选择样本容量与采样频率
如准备工作中提到的，在本指南的案例中，我们选择最常用的样本容量 n=5。
在实际应用中，采样频率应根据具体的生产过程来确定。例如，在一个高速生产线上，可能需要每半小时或一小时采集一组样本。
第2步：记录原始数据
数据是控制图的基础。我们需要将采集到的数据系统地记录下来。通常，每个样本的数据（本例中为5个数据点）应记为一列。
案例引入 为了演示整个制作过程，我们将使用源文表7.3中提供的“浇铸面板厚度”数据。
注意： 虽然正式研究需要至少25个样本才能建立统计上有效的控制限，但本指南将使用源文中的8个样本组成的小型数据集，以便清晰地演示计算过程。
每个栏位代表为单个样本组采集的五个测量值。为了帮助你理解数据结构，下表展示了前3个样本的原始数据作为示例：
| 样本1 | 样本2 | 样本3 |
| 138 | 150 | 164 |
| 146 | 158 | 140 |
| 161 | 126 | 142 |
| 168 | 173 | 142 |
| 146 | 135 | 145 |
第3步：计算每个样本的均值 (x̄) 和极差 (R)
接下来，我们需要对每一个样本进行计算，得到它的中心位置和波动范围。
• 解释概念：
◦ 均值 (x̄) 是样本内所有测量值的平均数。
◦ 极差 (R) 是样本内最大值与最小值的差。
• 展示公式：
• 代入案例： 我们以“样本1”的数据为例，展示具体的计算过程：
◦ 计算均值 (x̄₁): (138 + 146 + 161 + 168 + 146) / 5 = 151.8
◦ 计算极差 (R₁): 168 - 138 = 30
• 总结数据： 我们需要对案例中的所有8个样本重复此步骤。下表汇总了所有样本计算出的x̄和R值：
| 样本序号 | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 |
| 均值 (x̄) | 151.8 | 150.8 | 143.4 | 145.6 | 143.4 | 142.6 | 152.2 | 139.6 |
| 极差 (R) | 30 | 38 | 38 | 51 | 32 | 30 | 22 | 35 |
第4步：计算总均值 (x̿) 和平均极差 (R̄) 作为中心线
这一步的目标是计算出整个数据集的中心趋势，它们将分别作为x̄图和R图的中心线（Center Line, CL）。
• 解释概念：
◦ 总均值 (x̿)：所有样本均值 (x̄) 的平均值，是x̄图的中心线。
◦ 平均极差 (R̄)：所有样本极差 (R) 的平均值，是R图的中心线。
• 展示公式：
• 代入案例： 使用上一步表格中的数据，我们可以计算出中心线：
◦ x̿ = (151.8 + 150.8 + 143.4 + 145.6 + 143.4 + 142.6 + 152.2 + 139.6) / 8 = 1174.4 / 8 = 146.8
◦ R̄ = (30 + 38 + 38 + 51 + 32 + 30 + 22 + 35) / 8 = 267 / 8 = 33.375
第5步：计算x̄图和R图的控制限 (UCL/LCL)
控制限是判断过程是否稳定的“边界”，分为控制上限 (UCL) 和控制下限 (LCL)。任何超出这些边界的点都可能意味着过程中出现了“异常因素”。
• 引入因子： 计算控制限需要用到特定的常数因子（A₂, D₃, D₄）。这些预先计算好的常数是统计上的捷径，它们能将平均极差（R̄）转化为样本均值（x̄）和极差（R）本身的预期变异，从而让我们免于进行更复杂的标准差计算。
• 创建因子表： 根据标准因子表，当样本容量 n=5 时，对应的因子值如下：
| 样本容量 (n) | A₂ | D₃ | D₄ |
| 5 | 0.577 | 0 | 2.114 |
• 展示并计算x̄图控制限：
◦ 公式: UCLx̄ = x̿ + A₂ * R̄ LCLx̄ = x̿ - A₂ * R̄
◦ 计算: UCLx̄ = 146.8 + 0.577 * 33.375 = 166.06 LCLx̄ = 146.8 - 0.577 * 33.375 = 127.54
• 展示并计算R图控制限：
◦ 公式: UCL(R) = D₄ * R̄ LCL(R) = D₃ * R̄
◦ 计算: UCL(R) = 2.114 * 33.375 = 70.55 LCL(R) = 0 * 33.375 = 0
◦ 注意： 因为当 n=5 时因子 D₃ 为0，所以R图的下控制限为0。这意味着对于这样的小样本容量，我们主要关注的是检测异常高的过程波动，因为极差为零是理论上的最小值。
第6步：绘制样本点
现在，我们准备两张图表（一张用于x̄图，另一张用于R图），并将计算出的数据点绘制上去。
• x̄图绘制说明： 在x̄图上，以样本序号（1, 2, 3…）为横坐标，以每个样本的均值 (x̄) 为纵坐标，描出所有的点（例如 x̄₁=151.8, x̄₂=150.8 等）。
• R图绘制说明： 在R图上，以样本序号为横坐标，以每个样本的极差 (R) 为纵坐标，描出所有的点（例如 R₁=30, R₂=38 等）。
为了更容易地观察数据点的变化趋势，我们通常会用线段将相邻的点连接起来。
第7步：绘制中心线与控制限
最后一步是在两张图上分别添加我们在第4步和第5步计算出的中心线与控制限。
• x̄图最终绘制：
◦ 绘制一条实线作为中心线，位于 x̿ = 146.8 处。
◦ 绘制一条虚线作为控制上限，位于 UCLx̄ = 166.06 处。
◦ 绘制一条虚线作为控制下限，位于 LCLx̄ = 127.54 处。
• R图最终绘制：
◦ 绘制一条实线作为中心线，位于 R̄ = 33.375 处。
◦ 绘制一条虚线作为控制上限，位于 UCL(R) = 70.55 处。
◦ 绘制一条虚线作为控制下限，位于 LCL(R) = 0 处。
完成以上步骤后，你将得到两张完整的控制图，清晰地展示了所有数据点、中心线和控制限，其样式应与源文中的图7.2类似。
恭喜你！到这里，你已经成功地将原始数据转化为了可视化的x̄-R控制图。
——————————————————————————–
第三部分：总结与后续步骤
成果总结 让我们用一个清晰的表格来汇总本次案例计算出的所有关键参数，以巩固学习成果。
| 控制图 | 控制下限 (LCL) | 中心线 (CL) | 控制上限 (UCL) |
| x̄ 图 | 127.54 | 146.8 | 166.06 |
| R 图 | 0 | 33.375 | 70.55 |
展望未来 制作控制图只是统计过程控制的第一步。更重要的一步是分析图表，以判断过程是否处于受控状态。你的分析应寻找清晰的不稳定信号，例如：点落在控制限之外的“异常点”；连续六个或更多点持续上升或下降的“趋势”；或连续七个或更多点落在中心线同一侧的“链”。这些模式都可能预示着生产过程中存在需要被识别和解决的异常因素。通过分析这些图表，你可以采取行动，使生产过程更加稳定和可预测。