1 控制图概述
1.1 定义与基本目标
控制图（Control Chart）是一种基于时间顺序数据的统计监测工具，用于判断某个过程是否处于统计受控状态，并在出现异常迹象时触发调查。其基本目标是把“自然波动”与“需要关注的非随机变化”区分开来，从而避免把偶发噪声当作故障，也避免忽视真正的过程偏移。
1.2 统计受控状态的含义
统计受控状态通常指过程的波动主要由随机原因造成，过程的分布特征在统计意义上稳定。此处“统计”意味着并非追求绝对不变，而是允许在控制限范围内的常规起伏；“受控”则表示没有证据表明过程机理发生了变化。
1.3 工业工程中的应用场景
控制图可用于制造的尺寸与性能波动监测，也可用于化工与连续工艺中的运行指标跟踪；在服务业，它常用于排队时长、响应时间或一次解决率等过程指标的分层管理。此外，在涉及多步骤流程的场景中，控制图还能帮助定位到“该看哪一段流程在变”。
1.4 控制图与抽样检验的区别
抽样检验侧重于对单个批次或单位做“合格/不合格”判定，而控制图强调过程在时间维度上的稳定性。前者更多是事后决策，后者更关注事前预警与持续监测；同时控制图通常利用统计判别规则把“何时需要调查”形式化，减少主观反复。
2 控制图的统计基础
2.1 随机波动与系统性变化
过程输出的变动可视为两类来源：随机波动（常因）与系统性变化（特因）。常因带来的波动在统计上表现为围绕中心线的规律起伏；特因则可能导致均值漂移、方差改变或出现可识别的结构性模式。控制图的关键在于对这两类来源的统计证据进行区分。
2.2 中心线与控制限的构成
控制图通常包含中心线（反映过程的典型水平）与上下控制限（反映在既定假设下的可接受波动范围）。当观测点落在控制限之外或触发特定模式规则时，意味着当前数据与“统计受控”的假设不一致，需进一步调查。
2.3 常用分布与假设条件
常见控制图分别对应不同数据性质与分布假设。例如：
- 计量数据的均值与方差可与正态性或近似正态的假设相联系；
- 计数与比例数据常与二项、泊松或正态近似框架讨论；
- 许多控制图实现依赖样本独立性、同分布或方差稳定等前提。
在实践中，若数据特性与假设差异较大，需要选择更匹配的控制图或采用稳健策略。
2.4 判别规则（信号准则）与误报/漏报
判别规则决定何时将图上的表现视为“信号”。常见规则包括超出控制限、连续点偏离中心线、交替上下波动等。任何规则都存在两类错误：误报（实际受控却触发）与漏报（实际失控却未触发）。规则的设定会影响灵敏度与稳定性，设计时应权衡业务成本与响应能力。
2.5 子组与采样频率的选择
控制图通常基于子组（subgroup）进行计算：每个子组内部尽可能短时间保持条件相近，而子组之间反映随时间变化的过程状态。子组大小与采样频率会影响统计功效；子组过小可能增加噪声，子组过大则可能把变化“平均掉”。因此需要结合过程波动速度、检测资源与决策时效综合确定。
3 常见类型与指标
3.1 计量值控制图
计量值控制图适用于连续型数据，如尺寸、重量、强度或浓度等。其核心常围绕均值与离散程度（方差或标准差）进行监测。
3.1.1 均值控制图（X̄）
均值控制图（X̄）用于监测子组均值的变化。若过程中心发生系统性偏移，该图更容易出现异常信号。常与方差相关的控制图配套使用，以覆盖“位置”和“离散”两个维度。
3.1.2 极差/标准差控制图（R、S）
极差控制图（R）基于子组内最大最小差异；标准差控制图（S）基于子组标准差。它们用于监测过程波动程度是否改变。当方差上升或下降时，这类图往往能更早反映出过程稳定性劣化或过度收缩的情况。
3.2 计数值控制图
计数值控制图用于非连续、可数的结果，如不合格品数、缺陷数或不合格率。此类图通常依赖子组大小是否恒定、以及计数的生成机制（如泊松或二项近似）。
3.2.1 不合格品率控制图（p）
不合格品率控制图（p）适用于分母随子组而变化的情形，例如每批次检测数量不同。p图的重点是比例水平的波动，反映不合格率是否偏离基准。
3.2.2 不合格数控制图（np）
不合格数控制图（np）适用于子组大小相对固定时，以不合格品数量为指标。与p图相比，它在分母稳定的设定下计算与解释更直接。
3.2.3 缺陷数控制图（c）
缺陷数控制图（c）通常用于单位面积、单位长度或单位时间内的缺陷个数，并假设缺陷在这些单位内的发生具有近似泊松特征，且观测区域固定或等价。
3.2.4 单位缺陷数控制图（u）
单位缺陷数控制图（u）用于每单位面积/单位时间的平均缺陷数。与c图不同，u图能够更好处理观测单位面积或持续时间不完全一致的情况。
3.3 其他扩展类型
3.3.1 EWMA 与趋势型监测
EWMA（指数加权移动平均）通过引入“历史信息衰减”的方式平滑数据，能对均值的小幅缓慢偏移更敏感。其思想是把近期观测赋予更大权重，从而形成对趋势的连续响应。
3.3.2 CUSUM 与累积偏移检测
CUSUM（累积和）用于检测累积偏移。它对偏离方向进行累积，当累计幅度超过阈值时发出信号。相较于只看单点是否越界，CUSUM更关注“多点共同暗示”的小偏差累积。
3.3.3 属性数据的特殊用法（分层/分组）
在属性数据中，常见做法是按产品类型、工位、班次或客户要求进行分层建模，或按分组结构分别建立控制图。分层控制有助于避免把不同机理的结果混在同一图中造成误判，但也会增加基准数据需求。
4 参数估计与控制限设定
4.1 基准数据（试运行期）的建立
控制限通常依赖基准数据。基准期应尽量覆盖过程在目标条件下的稳定运行，并在收集时保持一致的测量方法与判定标准。若基准期存在未识别的异常，可能导致控制限偏移，从而削弱后续监测的可靠性。
4.2 参数估计方法与稳定性检验
对于需要估计均值与方差（或比例与计数率）的控制图，常用方法是用基准期的样本统计量估计参数，并结合稳定性检验或一致性检查来验证假设是否合理。若检测到基准期中已存在系统性变化，往往需要重新划分基准窗口或采用更合适的建模方式。
4.3 控制限的置信水平与可调策略
控制限可理解为在特定置信水平或等价误报约束下得到的界面。更严格的控制限通常降低误报但可能降低对早期异常的敏感度；更宽松的控制限相反。工程实践中常通过目标风险、响应成本与现有监测能力来选择合适的“宽度”。
4.4 更新控制限的规则
控制限更新并非越勤越好。常见更新触发包括：基准期重新定义、过程条件发生明确且受控的调整、测量系统升级后需要重新标定等。更新时应保留可追溯记录，避免因频繁重置控制限掩盖问题。
4.5 数据清洗与异常点处理（合规范围）
在数据清洗阶段，一般应处理测量记录错误、缺失值与明显的录入问题，但需谨慎区分“数据质量问题”与“真实过程异常”。当异常点源于合法原因（例如维护后立即重启导致的非典型状态）时，可在制度化的范围内调整分析窗口或标注剔除准则，避免事后选择性删除。
5 设计与实施流程
5.1 选择合适的控制图类型
首先确定数据类型与业务目的：监测均值还是方差、关注比例还是计数、子组是否可形成稳定条件等。计量数据常选X̄与R或S；属性数据常选p、np、c或u。若预期存在缓慢漂移或方向性偏移，可考虑EWMA或CUSUM作为补充。
5.2 子组构成与样本量确定
子组应反映“短期一致、长期可变”的特性。样本量（子组大小）需要平衡统计精度与采样成本：更大样本能提高估计稳定性，但会增加检测与计算负担。实施中通常结合历史波动与过程节拍进行试算或小规模验证。
5.3 基准窗口与监测周期
基准窗口的长度与监测周期应与过程节奏匹配。基准过短会带来参数不稳定；过长可能混入条件变化。监测周期则决定报警的时效性与团队处理能力：太长导致问题发现迟，太短可能造成频繁干扰。
5.4 判读流程：从“信号”到“处置”
实施时通常定义：触发条件、责任分工、调查范围、复核与关闭标准。一个有效流程往往要求在发出信号后进行快速初筛（如确认数据有效、排除测量或录入错误），再启动过程层面的原因分析，最后形成行动记录与复验结果。
5.5 与现场质量管理体系的衔接
控制图应嵌入质量管理体系（如质量计划、变更管理、异常处理与CAPA闭环）中，避免成为独立工具。通过统一术语、对接文档模板与审核机制，才能让统计信号真正转化为可执行的改进。
6 判读与异常处理
6.1 超出控制限：立即调查
当点落在上下控制限之外时，通常视为强信号，优先进行调查。调查重点往往包括：测量系统是否异常、工艺条件是否发生变更、原材料或环境是否出现偏差。快速确认异常性质有助于避免不必要的长期停机或“错怪工艺”。
6.2 连续点规则：逐步升级检查
对于连续点偏离中心线或交替形态等规则，一般代表更可能的“结构性变化”而非单点偶然。此类信号可采用分级升级：先复核数据与条件，再扩大到工位、班次或批次维度的排查，直到定位可解释的原因。
6.3 趋势与周期性模式识别
某些异常表现为缓慢上升/下降或周期性波动，这类模式可能与温漂、磨损、供料节律或控制参数滞后有关。判读时不应只看单点，而应结合图形形态、过程机理与外部记录（如维护、换刀、换批原料）一起评估。
6.4 区分原因类型：常因与特因
区分常因与特因决定处置强度。若仍可解释为随机波动，通常应优化过程能力或调整测量策略，而不是在每次波动时触发重型调查。若存在可识别的系统变化，则应启动针对性纠正，并在必要时更新控制策略或参数设置。
6.5 纠正措施与验证（闭环）
纠正措施应与原因分析相匹配，并在执行后进行验证，确认过程输出恢复到受控状态或至少恢复到目标范围。闭环记录通常包括：采取了什么措施、何时实施、复核的统计证据是什么，以及是否需要更新基准或控制限。
7 绩效评估与改进
7.1 指标：ARL、误报率与检出能力
控制图的绩效可用平均运行长度（ARL）等指标衡量：ARL越大通常表示对“无故障状态”的稳定性越好；在存在偏移时，检出能力越强则说明更快发出信号。还可结合误报率与实际检出结果评估整体效果。
7.2 调整灵敏度的权衡
灵敏度过高会导致频繁报警，增加人工排查负担；灵敏度过低则可能延迟发现真实异常。调整策略包括改变控制限宽度、采用更合适的控制图类型、以及优化判别规则组合，以在成本与风险之间取得平衡。
7.3 误用风险：过度控制与控制“失真”
常见误用包括：把控制图当成“合格放行工具”、忽略子组构成不合理导致的统计失配、或在每次出现点后随意重设控制限。过度控制可能制造噪声式的管理动作；控制“失真”则会使图表失去应有的预警功能。
7.4 与精益/六西格玛的协同
控制图常与精益与六西格玛框架互补：当DMAIC或改进项目发现过程存在波动来源后，控制图可用于验证改进是否带来稳定性提升；反过来，控制图提供的信号可作为项目选择与优先级排序依据。
7.5 自动化与数字化监测（工业数据平台）
在数字化环境中，控制图可以与制造执行系统、传感器数据与质量数据库对接，实现自动计算、在线监测与报警推送。良好的数字化实现还应包含数据质量校验、权限与审计日志，以及与工单或整改流程的联动。
8 案例与实践要点
8.1 制造业：尺寸波动与过程能力
在金属加工或装配等场景，尺寸的X̄图用于追踪中心漂移，R或S图用于观察离散变化。结合过程能力评价，可以把“稳定但能力不足”和“能力足但不稳定”区分开来，从而更精准地选择改进方向。
8.2 化工/流程行业：连续过程监测
连续过程常面临工况渐变与滞后效应。可使用适合时间序列特性的监测策略（如趋势型方法）并配合关键工艺参数记录，从而将控制图信号与设备状态、阀门动作或温压波动联系起来，提升排查效率。
8.3 服务业：过程指标的分层控制图
服务指标的分布更易受业务负载影响，例如不同渠道、不同城市或不同班次的顾客结构差异明显。分层控制图可避免把异质群体混合导致的“看似失控”，并能更清楚地识别真正的流程退化。
8.4 常见踩坑清单（梗版）
8.4.1 “控制线画了但没管”：为什么不灵
控制图不是装饰品。若没有明确的告警处置机制、责任人和调查时效，图上信号只能停留在屏幕里，统计上的“发现”无法转化为管理上的“行动”，效果自然打折。
8.4.2 “换设备就当换世界”：未重建基准怎么办
设备更换往往改变过程机理与数据分布。若未按制度重建基准或更新控制限，旧界限会变得不再适配，可能导致大量误报或掩盖真实变化。“换了但没重算”往往让控制图失去可信度。
8.4.3 “把特因当噪声”：长期漂移的代价
把疑似系统性变化当作偶然波动，短期可能“不用管”；但若是长期漂移，控制图会持续出现趋势或偏离信号。拖延意味着质量损失扩大，也会让后续定位更困难，代价往往是“今天不查，明天更痛”。
9 相关概念与对比
9.1 过程能力（Cp、Cpk）与控制图关系
过程能力（Cp、Cpk）衡量的是过程输出相对规格的潜力，强调“能否做得出来且满足要求”；控制图衡量的是过程是否稳定，强调“是否处于统计受控”。能力好但不受控会导致波动风险，受控但能力不足则说明还需要改善均值或离散。
9.2 SPC（统计过程控制）与控制图
SPC是统计过程控制的更大框架，通常包含控制图、采样计划、判别规则与改进闭环等内容；控制图则是SPC中最常见、最直观的组成部分。两者关系可理解为：控制图是工具体系的一部分，SPC是把工具用起来的管理体系。
9.3 可靠性/失效率监测与控制图差异
可靠性与失效率监测关注产品或系统在时间维度上的失效概率与生存特性，强调寿命分布与失效机制；控制图关注制造或过程的运行稳定性与质量指标的波动。两者可在建模与数据类型上存在交叉，但目的与指标体系不同。
9.4 回归、预测与控制的边界
回归与预测侧重解释变量关系或预测未来数值；控制图侧重对过程状态的统计检验与触发调查。虽然都可能使用统计方法，但控制图的核心是“基于受控假设的偏离检测”，而非单纯预测误差。
10 术语与符号约定
10.1 常用统计符号速查
文中涉及的符号包括：X̄表示子组均值；R表示极差；S表示标准差；p表示不合格品率；np表示不合格数；c表示单位固定区域内缺陷数；u表示单位缺陷数。具体符号的定义通常与该控制图的计算公式相对应，并随数据结构设定而定。
10.2 规则编号与判别口径
判别规则可按组织内部编号管理，例如“规则1：超出控制限”“规则2：连续点偏离中心线”等。不同教材与软件实现可能采用不同口径与阈值组合，但总体思想一致：用明确规则把统计证据转为可操作信号。
10.3 数据结构：时间、子组与变量定义
控制图的数据结构通常包含时间顺序、子组标识以及被监测变量。变量定义包括测量单位、规格阈值与统计量口径（均值、比例、计数等）。当子组构成、时间标注或单位换算不一致时，控制图解释会失真，因此在实施初期需要进行一致性校验。