4.2 统计过程控制SPC

4.2 统计过程控制 SPC

本节摘要：统计过程控制（SPC）源自制造业质量管理，核心是把过程的波动分为固有变异（常见原因）与特殊原因变异（可分配原因），用控制图识别特殊原因的出现。本节讲透 SPC 的基本原理、控制图三要素（中心线、上下控制限）与 3-sigma 含义、常用控制图类型与选型、异常检测的完整步骤，并客观评估 SPC 的优势、局限与扩展方向。SPC 是"基于规则的动态阈值"最成熟的工业实现。

先说结论

阅读完本节，你应当能够：

1. 区分固有变异与特殊原因变异，并解释 SPC 的目标。
2. 解释控制图中 CL、UCL、LCL 的计算逻辑与 3-sigma 的含义。
3. 在 X-bar/R、X-bar/s、I/MR、p/np、c/u 等控制图之间做选型。
4. 按"确定过程→收集数据→算控制限→画图→监控→更新"六步落地 SPC。
5. 说出 SPC 的四个局限以及对应的改进方向。

一、问题与直觉

一家汽车零部件工厂，冲压机的某个关键尺寸一直在稳定生产。但今天质检员发现，尺寸平均值比昨天整体偏移了 0.3 毫米——每个零件单独看都在公差范围内，没有任何一个"超标"。如果只看"单品是否超标"的检验逻辑，这批零件全部合格；但工艺工程师知道，均值整体偏移，是模具磨损或材料批次变化的早期信号，如果不处理，再跑几小时就会大批量超差。

这就是 SPC 回答的核心问题：单个数据点是否异常，和"过程状态是否发生变化"，是两件不同的事。 前者是"结果检验"，后者是"过程监控"——过程监控要在"结果还没超差"的时候，就从统计特征的变化里发现苗头。

SPC 的答案是一张控制图：把过程数据画在图上，标出中心线和上下控制限。数据点稳定围绕中心线波动 → 过程受控；出现越界点、连续同向漂移、周期性起伏 → 过程可能失控。它不是看"点是否超标"，而是看"点的行为模式是否偏离受控状态"——这正是它比简单阈值高级的地方。

二、核心原理

2.1 两类变异：SPC 的哲学基础

SPC 把过程波动切成两类：

• 固有变异（常见原因变异）：由过程内在、稳定的因素引起——设备轻微磨损、原材料微小差异、环境微波动。不可避免，且在可接受范围内。它的特征是"稳定、随机、可预测"。
• 特殊原因变异（可分配原因变异）：由异常事件引起——设备故障、操作失误、材料质量突变。它打破过程的稳定性。

SPC 的目标不是消灭所有波动，而是识别并消除特殊原因变异，让过程回到稳定可控状态。 这个二分法对异常检测的启发极大：检测系统要问的不是"这个点为什么不平"，而是"这个点的不平是否来自特殊原因"。

2.2 控制图三要素与 3-sigma

控制图由三根线组成：

• 中心线 CL：过程平均水平，常用历史数据均值。
• 上控制限 UCL：CL + k×σ。
• 下控制限 LCL：CL − k×σ。

k 通常取 3，即"3-sigma 控制图"。为什么是 3？正态分布下，数据落在均值 ±3σ 内的概率约 99.73%——也就是说，一个受控过程的数据点越出 ±3σ，纯属偶然的概率只有 0.27%。小概率事件发生了，就有理由认为"过程发生了变化"，值得调查。

2.3 常用控制图及选型

选型要点：连续型数据 → 均值类控制图（X-bar/R 或 X-bar/s）；单值且相邻相关 → I/MR；计数型数据 → p/np/c/u。对时间序列异常检测来说，I/MR 图（单值-移动极差）最常用——因为传感器监控大多是单值流。

2.4 SPC 检测六步

1. 确定过程与指标：选能反映过程状态的关键输出。
2. 收集代表性历史数据：要能反映正常波动范围。
3. 计算中心线与控制限：按选定的控制图类型与公式算。
4. 绘制控制图：把历史数据画上去，排查越界点并剔除特殊原因。
5. 实时监控：新点入图，越界立即告警。
6. 定期更新控制限：过程显著变化时重算控制限。

2.5 SPC 的优势与局限

优势：原理简单、可视化直观、可实时监控、具预防性（能发现"结果超差之前"的苗头）。

局限：需要足够有代表性的历史数据；假设过程数据稳定（不平稳数据要先预处理）；主要看单点越界，对趋势、季节等复杂模式不敏感；k 值（控制限宽度）选择不当会误报/漏报。

改进与扩展：自适应控制图（控制限随过程动态调整）、基于模型的控制图（用 ARIMA 预测替代静态均值）、多变量控制图（同时监控多个相关变量）、与控制图外的机器学习方法集成。

三、工程实践要点

3.1 从制造业到 IT 监控的迁移

SPC 用于时间序列异常检测时，习惯上做两个调整：一是传感器单值流用 I/MR 图，把"相邻点差异"也纳入监控——这恰好能抓住"渐变漂移"（连续小步上涨，MR 图会显示移动极差异常）；二是对带趋势/季节的数据先做分解或差分，把平稳的残差喂给控制图。SPC 不是只能用在工厂，它是一套"用统计特征监控过程状态"的通用框架。

3.2 SPC 与 3-sigma 的关系澄清

很多教程把"3-sigma"和"异常检测"画等号，其实有细微差别：3-sigma 是单点越界的判据，SPC 还发展出一套补充判异准则（Western Electric 规则）——比如"连续 7 点同侧""连续 7 点递增/递减""2/3 的点落在距中心线 2σ 以外"等。这些准则大幅提升了 SPC 对渐变型、趋势型异常的敏感度。工程上建议单点判据 + 趋势判据一起用。

⚠️ 常见坑：用 SPC 之前不检查数据是否稳定。 把带季节性的数据直接画控制图，每周的高峰期都会"越界"，控制限形同虚设。先分解/差分得到平稳残差，再上控制图——这条顺序不能省。

💡 关键直觉：SPC 真正的力量不是"判断单点"，而是"判断模式"。 越界是特例，"连续同向""周期性起伏""均值整体偏移"才是它碾压简单阈值的地方——它监控的不是值，是"过程状态"。

3.3 落地建议

SPC 非常适合作监控系统的"第二层"（第一层是简单阈值做物理底线）。给关键指标各配一张控制图，配合补充判异准则，能低成本覆盖"渐变漂移、均值偏移、异常波动"三类常见故障模式。它比机器学习模型便宜、可解释，也比固定阈值灵敏得多，是监控体系里性价比极高的中间层。

3.4 用 I/MR 图抓渐变漂移的实战思路

时序监控场景里最常用的是 I/MR（单值-移动极差）图，它抓"渐变漂移"的能力值得展开讲。I 图监控单值本身是否越出控制限；MR 图监控相邻两点的"移动极差"（|x(t) − x(t−1)|）是否异常。妙处在于：一个每天涨 0.1%、连续涨 30 天的渐变，I 图（单值）可能永远不越界，但 MR 图会捕捉到"相邻点差值持续偏大"——或者反过来，如果渐变被控制在极差稳定范围内，MR 图会显示"极差突然收缩"，同样是过程状态变化的信号。

配合 Western Electric 补充准则效果更佳：比如"连续 7 点递增/递减"提示趋势、"连续 7 点同侧"提示均值偏移、"2/3 的点落在距中心线 2σ 以外"提示波动加大。这套"单点判据 + 趋势判据"的组合，是 SPC 对付渐变型异常的核心武器——也是它比"单看越界"的简单阈值高出一个段位的地方。

3.5 SPC 与第 2 章分解的配合

SPC 假设过程数据稳定，但真实监控数据常带趋势和季节。标准的配合姿势是：先 STL 分解（第 2.3 节）得到平稳残差，再对残差上控制图。 这样既满足了 SPC 的稳定性前提，又继承了分解"背景校正"的能力——比如"冬季取暖季用电量上涨"这种季节性变化，分解后残差不涨，控制图不会误报；真正异常的"某天用电量远超同季节水平"，残差越界，控制图精准报警。"分解 + SPC"是一个极其实用的工业组合，成本低、可解释、效果好。

实战问答

问：控制图的上下控制限多久更新一次？

没有标准答案，但有个实用原则：过程稳定时，控制限可以长期沿用；过程发生显著变化（业务调整、设备改造、季节切换）时，必须重新计算。 也可以设定期（如每月）滚动重算，让控制限"跟着过程走"。

问：数据不服从正态分布，3-sigma 还靠谱吗？

3-sigma 的"99.73%"是正态分布下的结论。非正态数据建议先做变换（对数、Box-Cox）或改用分位数控制限——否则"越界概率"的解读就不成立。别硬把非正态数据塞进正态假设。

问：SPC 和机器学习检测是替代关系吗？

不是，是互补。SPC 抓"过程状态变化"（渐变、漂移、均值偏移），机器学习抓"复杂组合模式"。成熟监控体系里两者并行：SPC 做快速统计把关，机器学习做深度模式识别。

问：单值数据（没有分组）能做 SPC 吗？

能，用 I/MR 图——它专门为"单个测量值、相邻值相关"的数据设计。传感器监控几乎都是单值流，所以 I/MR 是时序 SPC 的默认选择。 记住一个前提：I/MR 图要先用分解或差分把趋势和季节处理干净，否则控制限会被周期性的正常波动撑得很宽，真正的渐变反而藏进去。这也是 SPC 落地时序场景时最容易忽略、也最影响效果的一步，务必放在流程前面。

要点速记

• 两类变异：固有变异（稳定随机）与特殊原因变异（异常事件），SPC 的目标是识别并消除后者。
• 控制图三要素：中心线 CL、上控制限 UCL、下控制限 LCL；3-sigma 对应受控点越界概率仅 0.27%。
• 选型：连续分组用 X-bar/R 或 X-bar/s，单值流用 I/MR，计数型用 p/np/c/u；时序监控最常用 I/MR。
• 六步落地：定过程→收数据→算控制限→绘图→实时监控→更新控制限。
• 局限：需要稳定数据、主要看单点、复杂模式不敏感——用分解预处理与补充判异准则弥补。
• SPC 是监控系统的黄金中间层：比阈值灵敏、比机器学习便宜可解释，特别擅长抓渐变漂移与均值偏移。

下一节把"预测-残差"思路做到极致——ARIMA 用自相关结构预测该有的值，EWMA 用衰减权重跟踪趋势，两者都是"对比预测与实际的差异"来抓异常，是处理带趋势序列的主力方法。