统计过程控制（Statistical Process Control, SPC）的原理由Shewhart在1920年代提出，至今仍是制造质量管理的核心方法论。SPC的本质是用统计方法区分过程波动中的普通原因（Common Cause，系统固有波动）和特殊原因（Special Cause，异常干扰），通过控制图实时监控过程稳定性。传统SPC依赖人工抽样、离线计算和纸质图表，数据时效性差、分析覆盖面窄。工业数据平台对SPC的赋能不是改变原理，而是将抽样频率从小时级提升到秒级、将分析维度从单参数扩展到多参数关联、将判异响应从事后发现变为实时阻断。
SPC核心方法
控制图（Control Chart）是SPC的基本工具。控制图的逻辑是：过程处于统计受控状态时，质量特性值服从正态分布N(μ,σ²），落在μ±3σ范围内的概率为99.73%。超出μ±3σ的点是大概率由特殊原因引起的异常点——控制上限（UCL=μ+3σ）和控制下限（LCL=μ-3σ）即由此设定。
控制图类型 | 适用数据 | 样本大小 | 控制界限 | 典型应用 |
Xbar-R | 连续型，子组 | n=2-10 | 均值±A2×Rbar | 尺寸/温度控制 |
Xbar-S | 连续型，子组 | n>10 | 均值±A3×Sbar | 大样本计量 |
I-MR | 连续型，单值 | n=1 | 单值±2.66×MRbar | 低频采样数据 |
P图 | 离散型（合格/不合格） | 变化 | 基于二项分布 | 良率监控 |
C图 | 缺陷数 | 固定 | 基于泊松分布 | 表面缺陷计数 |
Xbar-R控制图适用于连续型质量特性的子组数据。每个子组取n个样本（通常n=4-5），计算子组均值Xbar和极差R。Xbar图监控过程均值偏移，R图监控过程波动变化。控制界限系数（A2、D3、D4等）是n的函数，由统计分布推导得出——A2=3/(d2×√n)，其中d2是子组极差的期望值与标准差的比值，可查标准表获得。
I-MR（单值-移动极差）控制图适用于采样频率低、每次只取一个样本的场景。工业过程中许多在线传感器数据属于此类——温度传感器每5秒一个读数、压力变送器每10秒一个值。I-MR图直接用单个观测值做控制图，移动极差MR用相邻两个值之差估计过程波动。I-MR图对趋势型漂移的敏感性不如Xbar-R（缺少子组内波动的平均效果），但对低频在线数据是最实用的控制图。
判异规则
控制图的判异不限于"点超出控制界限"。ISO 7870-2（等同于Western Electric Rules）定义了8条判异规则，每条对应一种特殊的异常模式。
Rule 1：单点超出3σ——最经典但也最粗放的判异，需立即排查特殊原因。
Rule 2：连续9点在中心线同一侧——过程均值发生小偏移，单点判异无法发现，但均值偏移会表现为持续偏向。
Rule 3：连续6点持续上升或下降——趋势型异常，可能原因包括刀具磨损、温度漂移、材料退化。
Rule 4：连续14点交替上下——数据分层现象，不同操作员或不同设备轮替使用，过程存在系统差异。
Rule 5：连续3点中有2点在2σ外（同侧）——均值偏移的中度预警。
Rule 6：连续5点中有4点在1σ外（同侧）——均值偏移的早期预警。
Rule 7：连续15点在1σ内——波动异常减小，可能原因包括数据造假、传感器故障（固定输出）、控制限过宽。
Rule 8：连续8点中无点在1σ内——数据非正态分布或存在分层。
这些规则的误报率需要控制。每条规则在受控状态下仍有误报概率——Rule 1的误报率为0.27%（3σ准则），Rule 2为0.39%（2/512）。同时使用多条规则时，总误报率按概率叠加——8条规则全部启用时，受控过程的误报率约为1.5%。工业实践中通常只启用Rule 1、Rule 2、Rule 3三条，控制误报率在0.7%以下。
过程能力指数
过程能力分析回答的问题是：过程能否满足公差要求。与控制图不同，控制图判断过程是否稳定，过程能力判断稳定的过程能否产出合格品。
Cp（过程能力指数）= (USL – LSL) / (6σ)，其中USL和LSL为公差上下限。Cp只考虑公差范围与过程波动的关系，不考虑均值偏移。Cp=1.33表示过程波动占公差范围的75%，留有25%的余量。
Cpk（过程能力修正指数）= min[(USL-μ), (μ-LSL)] / (3σ)，考虑了均值偏移。Cpk ≤ Cp，均值偏移越大差距越大。Cpk = 1.0表示过程刚好满足公差但有6%的不合格风险（3σ处）。
Cpk值 | 评价 | 不合格率（ppm） | 处置建议 |
≥1.67 | 充足 | <0.57 | 持续监控 |
1.33-1.67 | 充分 | 0.57-63 | 正常生产 |
1.0-1.33 | 勉强 | 63-2700 | 减小波动 |
0.67-1.0 | 不足 | 2700-46000 | 需改进 |
<0.67 | 严重不足 | >46000 | 停止生产 |
Pp/Ppk与Cp/Cpk的区别在于标准差的计算方式。Cp/Cpk使用子组内标准差（短期波动），Pp/Ppk使用全部数据的标准差（长期波动，包含子组间波动）。Cpk ≥ Ppk总是成立——短期波动小于长期波动。如果Cpk远大于Ppk，说明过程存在子组间波动——均值或方差随时间漂移，过程不稳定。
数据驱动的SPC实现
传统SPC的工程痛点在于数据时效和关联分析。
在线SPC将抽样-计算-判异的周期从小时级压缩到秒级。在线传感器直接输出质量数据（温度/压力/速度/厚度/重量），写入数据平台后实时计算控制图参数。判异规则引擎在每个新数据点写入时执行8条规则检查——不是等子组积累够5个点再判断，而是每个点都用I-MR图判异。连续触发的判异规则会生成一条告警事件，推送至产线看板和操作工终端。
多参数关联SPC超越了单参数控制图的局限。产品质量由多个工艺参数共同决定——某尺寸的波动可能由温度波动引起，也可能由压力波动引起。多变量控制图（Hotelling T²控制图）将多个参数的均值向量做联合控制，T²统计量 = n(Xbar – μ)’Σ⁻¹(Xbar – μ)，当任一参数或参数组合偏移时T²值升高。多变量控制图的难点是协方差矩阵Σ的估计——需足够长的受控期数据来估计，估计不准会误报。
质量追溯是SPC数据架构的延伸价值。SPC数据不只是用于实时告警，还存储为质量档案——每个产品的生产时段、对应设备参数、SPC特征值、最终检验结果关联存储。当客户反馈质量问题时，追溯链路：产品序列号→生产时段→设备参数→SPC特征值→异常事件，快速定位质量问题的根因。
与MES集成
SPC系统不是孤立运行，需与MES（制造执行系统）深度集成形成质量闭环。
检验计划下发：MES根据产品型号和工艺路线生成检验计划——哪些工序需要检验、用什么量具、抽样方案（AQL/全检）、控制图类型。检验计划通过API下发到SPC系统，SPC系统按计划自动启动对应控制图。
检验结果上传：SPC系统的判异结果和过程能力分析结果上传到MES，MES记录在工单质量档案中。判异告警触发MES的异常处置流程——暂停工序生产、通知质量工程师、启动不合格品评审。
不合格品处置：SPC判异后，MES启动不合格品评审流程。评审结果可能是：返工（参数调整后重做）、返修（修复后放行）、让步接收（客户同意放行）、报废。处置决策记录在MES中，与SPC判异记录关联，形成完整的质量闭环。
落地挑战
测量数据分散使SPC分析覆盖不全。一个零件的关键尺寸可能在CMM（三坐标测量机）上测，温度在PLC上读，压力在DCS上记录。数据分散在不同系统，时间基准不同步，关联分析困难。集成需通过统一数据平台——各源系统的测量数据按统一时间戳写入数据平台，SPC系统从平台读取跨系统数据做多参数关联分析。
SPC分析离线是传统模式的通病。质量工程师每天导出数据到Minitab做离线分析，发现异常时生产已经过了数小时。在线SPC将分析移到数据写入时执行——判异规则实时触发，异常在发生分钟内被发现和处置。
质量与工艺数据不关联使根因分析困难。SPC数据只记录质量特性值，不记录对应的工艺参数——发现尺寸超差但无法追溯到当时的温度/压力/速度。解决需在数据写入时做标签关联——质量数据按设备ID和时间戳关联工艺参数，追溯时可同时调取质量特性和对应工艺参数做关联分析。
TDengine在质量管理系统中作为测量数据的时序存储和SPC连续计算引擎。测量数据按设备和参数维度组织为超级表（STable），每条数据携带设备ID、参数ID、时间戳标签。连续查询在数据写入时实时计算控制图参数——Xbar、R、移动极差按子组窗口自动聚合，判异规则引擎在每个新子组完成后执行8条规则检查。过程能力指数通过SQL聚合函数计算——σ用STDDEV函数，μ用AVG函数，Cpk公式直接在SQL中表达。SPC告警事件写入后通过数据订阅推送给MES的异常处置流程，实现判异到处置的实时闭环。
结语
SPC在工业互联网质量管理中的地位历经百年未被动摇。数据驱动赋能的不是SPC原理，而是SPC的执行时效——从小时级离线分析到秒级在线判异，从单参数控制图到多参数联合监控，从判异后人工处置到与MES联动的自动闭环。
过程能力指数的量化要求（Cpk>1.33）是工程标准，数据基础设施决定了能否持续、准确、实时地计算这个指数。质量与工艺数据的关联是根因分析的技术基础——没有这种关联，SPC只能发现问题不能解释原因。在数据层，能够同时支撑高频数据写入和连续查询的数据平台，是在线SPC系统的基础设施。
