做CPK分析的前提是什么

共计 1685 个字符，预计需要花费 5 分钟才能阅读完成。

1. 过程必须稳定 (Process Stability)

• 含义： 过程必须处于“统计控制状态”，即过程的波动仅由随机的、固有的“普通原因”引起，而不存在可归咎的、异常的“特殊原因”。
• 为什么重要： Cpk是一个预测性指标，它预测的是一个稳定过程在未来持续生产合格品的能力。如果过程不稳定（例如，设备参数漂移、操作员随意变更方法），其输出就是不可预测的，此时计算出的Cpk值毫无意义。正如质量管理大师戴明所言：“只有当过程稳定时，它才具有能力。”
• 如何验证： 使用统计过程控制（SPC）控制图（如Xbar-R图）来监控过程。如果控制图上的点都在控制限内，且没有呈现出非随机的模式（如连续7点在中心线一侧、明显的趋势等），则可以认为过程是稳定的。

2. 数据必须服从正态分布 (Normal Distribution)

• 含义： 你所收集的计量型数据（如长度、重量、时间）的分布形态应接近钟形的“正态分布”曲线。
• 为什么重要： Cpk计算中使用的“±3σ覆盖99.73%数据”等规则仅在正态分布下成立。如果数据是偏态、双峰或其他非正态分布，直接使用Cpk公式会得出错误的不良率预测，导致分析结果无效。FDA（美国食品药品监督管理局）在审查中就曾多次因数据未通过正态性检验而判定Cpk分析无效。
• 如何验证： 进行正态性检验（如Anderson-Darling检验），并结合直方图或概率图来直观判断数据的分布形态。如果数据非正态，需分析原因，或采用数据转换（如Box-Cox转换）、或使用适用于非正态数据的过程能力分析方法。

3. 测量系统必须可靠 (Reliable Measurement System)

• 含义： 用于收集数据的测量设备、人员和程序构成的“测量系统”其自身的误差必须足够小，不能掩盖过程的真实波动。
• 为什么重要： 如果测量系统本身波动很大（例如，量具精度不够、不同操作员测量结果差异大），那么你观察到的“过程波动”实际上是“过程真实波动”与“测量误差”的混合体。基于这样的数据计算Cpk，会严重低估过程的真实能力。
• 如何验证： 进行测量系统分析（MSA）。关键指标是%GRR（量具的重复性与再现性），通常要求%GRR ≤ 10%为优秀，≤ 30%为可接受。同时，量具的分辨率也应足够高（通常要求至少能分辨出过程变差的1/10）。

4. 数据必须是连续型且具有代表性 (Continuous & Representative Data)

• 数据类型： Cpk仅适用于连续型计量数据（Variable Data），如长度、直径、温度、时间等，这些数据可以用均值和标准差来描述。对于合格/不合格的计数型数据（Attribute Data），不能使用Cpk，而应使用其他指标（如缺陷率）。
• 数据代表性： 收集的数据必须能真实反映整个过程在典型运行条件下的表现。
  • 抽样方案： 应采用合理的抽样方法（如随机抽样），并覆盖过程中的正常变化来源（如不同班次、不同原材料批次等）。
  • 样本数量： 样本量必须足够大，以保证统计估计的可靠性。行业普遍建议至少收集100个数据点，更推荐的做法是收集25个子组，每组4-5个样本（共100-125个数据点），以满足SPC控制图的判稳要求。

总结