上周三，凌晨两点。车间打来电话：一批轴套内径超差0.003mm，整批隔离。我盯着MES系统里跳红的屏幕，血压直接飙上来——这套模具上个月才做过全面预防性维护，FMEA分析明明风险系数很低。怎么可能？

赶过去一看，游标卡尺、三坐标测量仪、在线测头数据打架了。问题出在哪？不是模具，不是工艺，是测量系统本身。GR&R一算，%GRR=38%，远超可接受范围。也就是说，我们花了那么多钱搞自动化检测，结果连数据准不准都没搞明白。 可笑吧。

那个被我骂惨的SPC，其实救了整条线

以前我带过一条老产线，工人师傅们从来没听过什么SPC。产品做出来，质检员用通止规卡一下，合格就放行。直到有一天，客户退回一整柜刹车盘——端跳超差，导致高速抖动。 那损失……

后来强行上SPC控制图。工人抵触很大：多填一张表就多花两分钟，产量谁负责？ 但数据会说话。运行两周，Xbar-R图清楚显示某一号刀头在加工第150件后开始漂移。调整后，过程能力指数Cpk从0.78提升到1.42，不良率直降9个百分点。 之前，这些废品我们是最后全检时才知道的，现在过程里就抓住了。 这玩意儿是不是挺反直觉？越怕麻烦，越出麻烦。

机加工车间SPC控制图实时显示

当然，纸质SPC的缺点也很明显：滞后、造假空间大。现在不少工厂都在推数采+云端SPC，传感器数据直接灌进分析引擎，实时判异。比如某新能源电机厂，在转子压装工序用了IPC（在线过程控制），一旦压装力-位移曲线偏离模板，立刻停机。这个动作看似粗暴，但把不良品遏制在源头，比事后拦截划算得多。 你可能会问……

数据会说话：如何让Cpk活过来

很多人把Cpk当成应付客户的数字，只要>1.33就万事大吉。 这想法太危险了。 Cpk是个僵硬的假设，它建立在你过程稳定、数据正态的前提下。 现实中呢？ 换班、材料批次变化、刀具磨损……都可能导致分布偏移或者胖尾。 一个Cpk 1.67的工序，可能每个月还会漏过去几百个缺陷件，因为尾部风险没控制住。

怎么办？现在流行用时间序列分析和机器学习来跟过程数据死磕。不再是简单报Cpk，而是预测“下一小时出现缺陷的概率是多少”。甚至有的系统会把环境温度、液压油粘度、上一个工位节拍都拉进来建模。 听起来玄乎，其实逻辑很朴素：影响质量的因素从来不是孤立的。

我遇到过最精彩的案例——一家齿轮厂，总在雨季出现热后变形超差。怎么查都查不出。后来一个实习生把冷风机除湿日志和变形量画在同一张图上，真相大白：湿度变化导致砂轮结合剂微膨胀。 没有这个关联思维，你就算把所有SPC规则背得滚瓜烂熟也没用。

问：实施SPC数字化最大的坑是什么？

答：很多人以为是IT系统或算法，实际上80%的坑在“人”和“管”上。第一，管理层以为上了系统就能替代人，其实一线操作者不理解控制图的含义，异常发生时根本不知道调整方向，甚至复位按钮按掉完事。第二，质量数据治理极差，编码不统一、采集时间戳错乱，导致分析结果垃圾。第三，缺乏闭环——发现了异常，工艺部门不去解决，写个让步接收了事。 所以，数字化SPC要想成功，必须同时升级质量分级响应机制和人员能力，否则就是一堆漂亮的图表而已。

AI来了，但别急着扔掉你的游标卡尺

现在到处在讲AI质检。视觉检测确实牛，毫秒级识别划痕、凹陷。我们厂用的一套深度学习系统，能把划痕的深度、长度、方向分类，准确率干到99.7%。但千万别把它想成万能药。 今年春天，一个供应商的零件表面处理颜色变了，结果AI误判率飙高，人工复检才发现是数据标注时没有涵盖这种色泽。 人工经验，尤其是在故障模式和因果推断上，依然是根。

工业AI视觉检测系统识别零件缺陷

我也不排斥AI。最近我们在尝试用生成式AI来辅助MSA分析，比如输入GR&R数据，它自动判断量具是否可接受、给出改善建议，还能生成标准化报告。说真的，这玩意儿弄好了，工程师能省出一半的 paperwork 时间。但最后拍板的，还得是人。 你别看AI把过程参数调得飞起，它没法感受“这个供应商老喜欢偷改材料”的那种微妙。 那种第六感，靠历史数据养不出来。

问：小批量多品种的生产模式怎么做质量控制？

问：小批量多品种的生产模式怎么做质量控制？

答：传统SPC假设大批量稳态，小批量就抓瞎。目前比较好的办法是基于零件族的通用控制图，比如Z-MR图、T2控制图。操作上，利用数控系统的自适应加工测量补偿功能，实现机上测量闭环，每一件都根据前一件的测量结果微调参数。另外，FMEA不能束之高阁，得动态维护，每次新产品试制就更新一次潜在失效库。还有，现在有些MOM系统支持一键切换检查计划，根据产品BOM自动关联检测标准和量具，减少换型时的混乱。

最后唠叨一句。 质量控制，控的不是尺寸，是供应链的信任。 你手里那份COA，可能比合同更有说服力。 数字化给我们那么多工具，是为了让这份信任变得透明、实时、可追溯，而不是造一堆看不懂的报表。 对吧？