先说一个我在现场反复遇到的场景产线日报上写着“今天全部合格不良率 0.3%”会议室里一群人点头可到了客户那边装配线上还是隔三差五卡壳。把数据拉出来画成图才发现过程的中心值贴着规格上限在跑波动幅度已经吃掉了大半个公差带只是这一批运气好没超差而已。这种“数据看着没事、实际随时会翻车”的状态靠一张合格率报表是看不出来的得靠 6 西格玛图。我这里说的 6 西格玛图不是某一张有标准名字的图而是六西格玛改善项目里用来把过程波动“画出来”的那一组图形工具的统称控制图看过程稳不稳能力直方图看过程挤不挤得进公差带DPMO 与 σ 水平换算表把图上的距离翻译成缺陷率帕累托图和测量系统分析图负责把问题定位到具体环节。这套东西解决的核心问题只有一个——把“合格/不合格”这种二元判断换成“过程离出问题还有多远”的连续量化。它适合质量工程师、工艺工程师、产线主管也适合刚开始接触过程能力分析、手里有一堆数据却不知道怎么下结论的朋友。下面我按自己实际做项目的顺序从概念、取数、算参数到出图完整走一遍。1. 先把概念捋直6 西格玛图到底在画什么1.1 三条线放在一张图上问题就藏不住了一张标准的 6 西格玛能力图横向是测量值纵向是频次主体是一个直方图上面叠三条竖线规格下限 LSL、规格上限 USL、过程均值。再加一条正态拟合曲线就构成了最基础的画面。看起来简单但信息量全在“距离”上。打个生活化的比方把过程想象成一个人端着一碗水走独木桥规格限就是桥两侧的栏杆均值是他的站位σ 是他手抖的幅度。站位偏一点问题不大只要抖得小抖得厉害站位再正也会洒出去。Cpk 这个指标本质上就是在算“从站位到最近那根栏杆还能容下几次手抖”。Cpk 等于 1意思是距离最近的栏杆还有 3 个 σCpk 等于 2就是 6 个 σ。六西格玛水平说的就是这个 6σ 的距离感。很多人第一次看这种图注意力全在直方图是不是漂亮、是不是像钟形上这其实是次要的。真正要盯的是三件事直方图的中心离哪一侧规格限更近、分布的尾巴有没有越过规格线、直方图的宽度和公差带宽度是什么比例。前两件事决定 Cpk 的大小和方向第三件事决定 Cp也就是“潜在能力”。Cp 高但 Cpk 低说明设备精度够是调机没调准Cp 本身就低说明设备或工艺的固有波动就大靠调中心救不回来得改工艺。我见过不少团队把这两者混为一谈一看到 Cpk 不达标就去调参数挪均值结果波动大的过程怎么挪都是这边刚合格那边又超差。所以第一件事一定是把 Cp 和 Cpk 分开看一个管“宽不宽”一个管“偏不偏”。1.2 顺序不能反先证明过程受控再谈能力这是我特别想强调的一点。能力指数 Cpk、Ppk 的计算公式里都隐含一个前提过程处于统计受控状态也就是波动只由普通原因随机因素构成没有异常原因混进来。如果过程本身在漂移、有突跳、有周期性波动你算出来的 Cpk 只是在描述“这一段时间的数据长什么样”不代表过程未来的表现。正确的顺序是先用控制图判断过程是否受控剔除去掉有明确原因的异常点注意是“有明确原因”不是“看着不顺眼”确认剩下的数据呈现随机波动之后再拿这批数据去做能力分析。我在某项目上就吃过这个亏客户催着要 Cpk 报告我图省事直接拿三个月的汇总数据算了 Cpk1.42看着挺漂亮。后来画控制图才发现中间换过一次原料批次均值整体上移了 0.8 个 σ两个批次的分布叠在一起把标准差撑大了真实的单批次能力其实一个 1.6 一个 1.1。报告交上去审核一问就露馅了。控制图在这里扮演的是“守门员”角色。它用的控制限不是规格限而是根据过程自身波动算出来的 ±3σ 界限反映的是“这个过程正常应该波动的范围”。规格限是客户或设计给的控制限是过程自己长出来的两者来源完全不同。把规格限画到控制图上去判断异常是最常见的初学者错误之一。1.3 图表家族速选表什么数据配什么图6 西格玛图不是一张图打天下选错图等于白做。判断依据有两个维度数据类型连续还是离散、子组结构能不能成组。我整理了一张表基本覆盖日常九成场景数据类型典型例子子组情况推荐图种备注连续型外径、重量、温度、时间每次取 2~10 件成组X̄-R 图n≤8、X̄-S 图n≥9最常用子组内要连续取样连续型同上每次只有 1 个值 batch 检测、破坏性试验I-MR 图单值-移动极差灵敏度低需更长数据离散型-合格率批次合格/不合格子组样本量可变化p 图比例、np 图数量样本量固定样本量变化大时必须用 p 图离散型-缺陷数每件产品上的划痕数、焊点数单位面积/单位长度可能不同c 图单位固定、u 图单位不固定缺陷可以一件多个多品种对比不同机台、不同班次—箱线图、多变异图用于定位波动来源选图的关键判断是“我关心的是一个件合格还是不合格还是一个件上有几个毛病”。前者用 p/np后者用 c/u。这个区分非常实用因为缺陷数图对改善的敏感度更高——把平均每件 3 个划痕降到 1 个虽然产品可能一直合格但返修成本实实在在降下来了。2. 数据怎么来抽样和量具决定图的生死2.1 合理子组把“同一时刻的同一批”圈在一起控制图的灵魂在子组划分术语叫合理子组rational subgrouping。原则只有一句让子组内部的波动只反映普通原因让子组之间的差异去暴露异常原因。具体怎么操作如果我想监控一台注塑机的稳定性正确做法是每小时连续取 5 模把这 5 个作为一个子组。这 5 件是在几乎相同的条件下生产出来的它们之间的差异主要是设备瞬时抖动和材料微小不均属于普通原因。而每小时之间可能发生的模具温度漂移、料斗换料、操作员调机就会体现为子组均值之间的跳动控制图很容易抓到。反过来如果我把一整天生产的 25 件打乱顺序、随机抽 5 件凑一组那组内就混杂了不同时段的各种变化σ 被放大控制限被拉宽真正的异常反而藏起来了。这是我在带新人时最常见的问题数据是真的分组是乱的图画出来“很稳”其实是被平均掉的假稳。还有一个细节是子组大小。n5 是最通用的选择兼顾了灵敏度和操作性。n 太小比如 2控制限宽中等偏移抓不住n 太大比如 20虽然灵敏但子组内时间跨度长容易混入异常且计算成本高。X̄-R 图在 n 大于 8 到 9 之后极差法的效率下降明显应该改用 X̄-S 图用组内标准差来估计 σ。这条经验很多人不知道一直用 R 图跑到 n15算出来的 σ 偏大Cpk 虚高。样本量方面做能力分析我一般要求至少 25 个子组、100 个以上的数据点覆盖足够长的时间跨度把换班、换料、环境变化都包含进去。少于 50 个点的能力分析我只会写成“初步评估”不敢写进正式报告。2.2 量具不过关图画得再漂亮也是假的这条是硬伤级的问题。测量系统本身的波动会直接叠加到过程波动里你算出来的 σ 是“过程σ 量具σ”的合成值Cpk 会被系统性低估。更麻烦的是如果量具存在偏倚或线性问题均值也会歪。通用的判断标准是看 %GRR重复性与再现性占总波动的百分比或占公差带的百分比低于 10% 可以接受10%~30% 在特定条件下可接受比如量具成本极高、或者只做粗判超过 30% 必须改进测量系统。做破坏性测试没法重复测同一件就得用嵌套式 GRR。我遇到过一个典型案例某零件厚度公差 ±0.03 mm用的千分尺分辨率 0.001 mm看着够用但 GRR 算出来 38%。原因是测量时夹持力不一致不同人测同一片能差 0.008 mm占了公差带的 13%。这种状态下无论怎么调工艺Cpk 都上不去因为天花板被量具锁死了。换了带恒力装置的测头之后GRR 降到 9%同一批数据重算 Cpk 从 0.92 跳到 1.45。工艺一点没改指标跳了一大截这就是测量系统的威力。2.3 数据录入的几种低级错误说几个听着好笑但真的常见的问题。一是单位不统一一半数据是 mm 一半是 mil混在一列里图一画出来是双峰还以为是两台设备。二是时间戳缺失或错乱导致无法按生产顺序排子组只能随机分组前面说的合理子组就无从谈起。三是把“未检出”写成 0“超量程”写成上限值这些伪数据会严重扭曲均值和标准差。四是 Excel 自动把“10.00”存成“10”看起来没影响但如果这一列里混着“10.00”和“10”后续做文本匹配或者按值筛选就会出错。我的做法是建一个固定模板第一列时间戳第二列设备号第三列批次号第四列操作员第五列开始才是测量值所有列都标注单位录入时用数据验证限制范围。模板一旦定下来谁都不能改结构宁可多几列空着。3. 参数计算从 R̄ 到 Cpk 再到 DPMO3.1 组内 σ 和整体 σ两套算法两种结论这是 6 西格玛图里最容易混淆的一对概念。组内标准差也叫短期标准差σ_within是通过子组内的极差或标准差估计出来的反映的是“排除批次间漂移之后的纯随机波动”。整体标准差 s_overall是把所有数据放在一起直接算样本标准差包含了批次间、时间上的所有漂移。用 σ_within 算出来的是 Cp、Cpk叫短期能力用 s_overall 算出来的是 Pp、Ppk叫长期性能。两者的公式结构完全一样只是分母不同Cp (USL − LSL) / (6 × σ_within)Cpk min[(USL − X̄) / (3 × σ_within), (X̄ − LSL) / (3 × σ_within)]Pp (USL − LSL) / (6 × s_overall)Ppk min[(USL − X̄) / (3 × s_overall), (X̄ − LSL) / (3 × s_overall)]因为 s_overall 通常大于 σ_within它含了漂移所以 Ppk 一般小于或等于 Cpk。两者差距越大说明过程的时间稳定性越差。我习惯在报告里同时给出这两个值然后看差值如果 Cpk 1.8、Ppk 1.2说明设备能力不错但过程控制有问题得去查换批、换班、环境这些系统性因素如果两个都低且接近说明是根本性的能力不足得动工艺或设备。σ_within 的两种常用估计方法极差法 σ R̄/d2以及标准差法 σ s̄/c4。d2 和 c4 都是与子组大小 n 有关的常数n5 时 d22.326c40.9400。极差法计算简单现场人员容易掌握但对异常值不敏感标准差法利用了子组内全部信息效率更高n 较大时更准。3.2 一个完整算例手推一遍光看公式容易飘拿一组具体数据走一遍。某轴类零件外径规格 10.00 ± 0.05 mm即 USL10.05LSL9.95公差带 0.10 mm。连续生产一周每小时取 5 件共 25 个子组、125 个数据。算下来总均值 X̄̄ 10.001 mm平均极差 R̄ 0.018 mm。第一步估 σ_withinσ R̄ / d2 0.018 / 2.326 ≈ 0.00774 mm。第二步算 CpCp 0.10 / (6 × 0.00774) 0.10 / 0.04644 ≈ 2.15。第三步算两个单边指数Cpu (10.05 − 10.001) / (3 × 0.00774) 0.049 / 0.02322 ≈ 2.11Cpl (10.001 − 9.95) / 0.02322 0.051 / 0.02322 ≈ 2.20。取小的Cpk ≈ 2.11。第四步假设这 125 个数据直接算整体标准差 s 0.0081 mm比组内 σ 大符合预期则 Pp 0.10 / (6 × 0.0081) 0.10 / 0.0486 ≈ 2.06Ppk 0.049 / (3 × 0.0081) 0.049 / 0.0243 ≈ 2.02。结论Cpk 2.11、Ppk 2.02两者接近说明过程在时间维度上比较稳定Cpk 远大于 1.33 的通用门槛能力充足。再看中心偏移均值 10.001规格中心是 10.000偏了 0.001 mm相当于 0.13 个 σ非常小不需要调整。如果是 Cpk 只有 0.9 而 Cp 有 1.6 的情况那就该优先调中心而不是改设备。这套手算流程建议每个人都亲自算一遍算过三次之后对“σ 是什么量级”会有肌肉记忆看到 Cpk 数字就知道背后大概的分布长什么样。3.3 DPMO 与 σ 水平的换算口径必须说清楚把图上的距离翻译成缺陷率是 6 西格玛图最有传播力的一步但也是最容易口径打架的地方。核心争议就在那个著名的“1.5σ 偏移”。理论计算如果过程完美居中6σ 能力意味着单侧超出概率为 Φ(−6) ≈ 9.87×10⁻¹⁰双侧约 2×10⁻⁹换成 DPMO 是 0.002。这个数字太理想化了现实中过程中心总会漂。所以业界约定俗成地引入 1.5σ 的长期漂移假设把计算基准从 6σ 降到 4.5σ双侧超出概率约 6.8×10⁻⁶即 3.4 DPMO。这就是“6 西格玛等于 3.4 DPMO”的由来。所以看到任何一份换算表第一件事是问它含不含 1.5σ 偏移。我整理一个对照把两种口径放在一起σ 水平不含偏移 DPMO理论含 1.5σ 偏移 DPMO惯例2σ45,500308,5373σ2,70066,8074σ636,2105σ0.572336σ0.0023.4实际做法上如果你的 Cpk 是用组内 σ 算的、且过程受控可以直接用 Z 3 × Cpk 作为短期 Z 值然后用不含偏移的正态概率换算成短期 DPMO如果要汇报“长期水平”再加 1.5σ 偏移。两套数字都写清楚口径别混着用。举个具体换算某过程 Cpk 1.33Z_short 3 × 1.33 3.99单侧超出概率 Φ(−3.99) ≈ 3.3×10⁻⁵双侧约 6.6×10⁻⁵即 66 DPMO。若按含偏移口径Z_long 3.99 − 1.5 2.49单侧 Φ(−2.49) ≈ 6.4×10⁻³双侧约 12,800 DPMO。两个数字差了近 200 倍汇报时不说明口径很容易被质疑。3.4 非正态怎么办能力指数的整套公式建立在正态分布假设上。偏态明显的数据比如粗糙度、圆度、某些化学成分配比、接近零的磨损量直接套公式会得出误导性结论。判断方法是看能力图上的正态拟合曲线和直方图的贴合程度或者做 Anderson-Darling 检验p 值大于 0.05 才认为不拒绝正态。不合规时的几条路一是做 Box-Cox 变换或 Johnson 变换把数据转到近似正态再算报告里注明“变换后”二是用百分位数法直接算 Ppk用 0.135% 和 99.865% 分位数代替 ±3σ这个做法对分布形状不敏感我更推荐三是如果数据本身有物理上限比如平面度不可能为负可以用 Weibull、Gamma 等分布拟合再用拟合分布算超差概率。这三条路我都用过最稳妥的是第二条现场不需要额外工具Excel 的 PERCENTILE 函数就能算。4. 实操Excel 与 Python 两条路出一张完整的图4.1 Excel 版函数加组合图够用且好交接现场用得最多的还是 Excel好处是交付方便产线主管自己能更新。我的模板结构是这样的A 列时间B 列子组号C~G 列是 5 个测量值H 列子组均值AVERAGE(C2:G2)I 列子组极差MAX(C2:G2)-MIN(C2:G2)。关键参数单元格放几个固定位置方便引用总均值 AVERAGE(H2:H26) 平均极差 AVERAGE(I2:I26) 组内σ 平均极差/2.326 整体σ STDEV.S(C2:G26) USL 10.05 LSL 9.95 Cp (USL-LSL)/(6*组内σ) Cpk MIN((USL-总均值)/(3*组内σ),(总均值-LSL)/(3*组内σ)) Ppk MIN((USL-总均值)/(3*整体σ),(总均值-LSL)/(3*整体σ)) 单侧DPMO NORM.S.DIST((LSL-总均值)/整体σ,TRUE)*1000000X̄ 图的控制限n5A20.577UCL 总均值 0.577 × 平均极差LCL 总均值 − 0.577 × 平均极差。R 图的控制限D30D42.114UCL 2.114 × 平均极差LCL 0。画图时用“组合图”X̄ 图把子组均值做成带标记的折线把 UCL、CL、LCL 三列做成直线数据点少的时候看起来就是三条水平线。能力图用“直方图”功能加“次坐标轴”的散点把规格线和拟合曲线叠上去。Excel 的直方图分箱需要手动设置建议分箱数取 √n 向上取整或者按公差带的 1/10 设箱宽看起来最清楚。提示控制限一旦根据基线数据算定后续监控阶段不要每个月重算。频繁重算会让控制图失去“和标准比”的意义等于自己给自己放水。只有在工艺发生重大变更、或者累计数据量翻倍时才重新评估基线。4.2 Python 版批量化和自动化的场景更适合数据量大、要定期出图、或者要嵌入自动化流程的时候Python 更省事。下面这段代码用模拟数据跑通全流程把控制图和能力图画在一张画布上参数替换成自己的数据就能用。import numpy as np import matplotlib.pyplot as plt from math import erf, sqrt def norm_cdf(z): return 0.5 * (1.0 erf(z / sqrt(2.0))) # ---------- 参数 ---------- USL, LSL 10.05, 9.95 D2_N5, A2_N5, D4_N5 2.326, 0.577, 2.114 # ---------- 数据25 子组 x 5 样本此处用模拟值演示---------- rng np.random.default_rng(7) data rng.normal(loc10.0005, scale0.0075, size(25, 5)) xbar data.mean(axis1) rng_ data.max(axis1) - data.min(axis1) grand_mean xbar.mean() rbar rng_.mean() sigma_within rbar / D2_N5 sigma_overall data.std(ddof1) cp (USL - LSL) / (6 * sigma_within) cpk min((USL - grand_mean) / (3 * sigma_within), (grand_mean - LSL) / (3 * sigma_within)) ppk min((USL - grand_mean) / (3 * sigma_overall), (grand_mean - LSL) / (3 * sigma_overall)) z_usl (USL - grand_mean) / sigma_overall z_lsl (grand_mean - LSL) / sigma_overall dpmo (norm_cdf(-z_usl) norm_cdf(-z_lsl)) * 1e6 print(fσ_within{sigma_within:.5f} σ_overall{sigma_overall:.5f}) print(fCp{cp:.2f} Cpk{cpk:.2f} Ppk{ppk:.2f} DPMO{dpmo:.2f}) # ---------- 画图 ---------- fig, axes plt.subplots(1, 2, figsize(13, 5)) # 左X-bar 控制图 ucl grand_mean A2_N5 * rbar lcl grand_mean - A2_N5 * rbar axes[0].plot(range(1, len(xbar) 1), xbar, markero, lw1) axes[0].axhline(grand_mean, colork, ls-) axes[0].axhline(ucl, colorr, ls--, labelfUCL{ucl:.4f}) axes[0].axhline(lcl, colorr, ls--, labelfLCL{lcl:.4f}) axes[0].set_title(X-bar Control Chart) axes[0].set_xlabel(Subgroup) axes[0].set_ylabel(Mean) axes[0].legend() # 右能力直方图 axes[1].hist(data.ravel(), bins15, edgecolork, alpha0.7, densityTrue) xs np.linspace(LSL - 0.02, USL 0.02, 300) pdf (1 / (sigma_overall * sqrt(2 * np.pi))) * np.exp(-0.5 * ((xs - grand_mean) / sigma_overall) ** 2) axes[1].plot(xs, pdf, lw1.5) for v, c in [(USL, r), (LSL, r)]: axes[1].axvline(v, colorc, ls--) axes[1].axvline(grand_mean, colork, ls:) axes[1].set_title(fCapability Cp{cp:.2f} Cpk{cpk:.2f}) axes[1].set_xlabel(Measurement) plt.tight_layout() plt.savefig(six_sigma_chart.png, dpi150) plt.show()这段代码有几个地方值得说明。第一判异用的控制限是基于 rbar 算的不是规格限这一点千万别改错。第二直方图用了 densityTrue才能和拟合曲线放在同一个纵轴刻度上。第三DPMO 用的是整体 σ如果你要短期口径把 sigma_overall 换成 sigma_within 即可但要在报告里标注口径。4.3 判异规则怎么落地控制图只画三条线是不够的光看有没有点出界灵敏度很低。业界常用的判异规则有八条我挑最实用的四条把判断逻辑写成函数def detect_rules(xbar, cl, sigma): out [] for i, x in enumerate(xbar): # 规则1单点超出 3σ if abs(x - cl) 3 * sigma: out.append((i 1, R1 超3σ)) # 规则2连续 9 点在中心线同侧 if i 8: seg xbar[i - 8:i 1] if all(v cl for v in seg) or all(v cl for v in seg): out.append((i 1, R2 连续9点同侧)) # 规则3连续 6 点单调递增或递减 if i 5: seg xbar[i - 5:i 1] if all(seg[j] seg[j 1] for j in range(5)) or \ all(seg[j] seg[j 1] for j in range(5)): out.append((i 1, R3 连续6点趋势)) # 规则5连续 3 点中 2 点落在 2σ 外同侧 if i 2: seg xbar[i - 2:i 1] hi sum(1 for v in seg if v cl 2 * sigma) lo sum(1 for v in seg if v cl - 2 * sigma) if hi 2 or lo 2: out.append((i 1, R5 3点中2点出2σ)) return out这里的 sigma 用 σ_within 而不是极差。规则 2 的“连续 9 点同侧”是最容易触发也有实际意义的一条它往往对应过程中心发生了小幅度偏移单看点值根本看不出异常但累积起来足以让 Cpk 掉一个档次。规则 3 的连续趋势通常是刀具磨损、模具老化、温度爬升这类渐变型原因抓到了就顺着时间轴去查设备保养记录。4.4 汇报版面怎么排图是给自己看的版面是给别人看的。我给客户做报告一页纸通常这么排左上角放控制图证明过程受控右上角放能力直方图配大的 Cp/Cpk/Ppk 数字左下角放趋势图把过去 6 个月的 Cpk 按月画出来看改善有没有持续右下角放一张小的 DPMO 换算表把当前水平和目标水平的缺陷率换算出来。整页只用红黄绿三色标注状态绿色 Cpk≥1.33黄色 1.0~1.33红色低于 1.0一眼就能看出问题在哪。颜色不要滥用我看过一份报告用了七八种颜色直方图柱子还是渐变的看完完全记不住重点。克制一点用两三种颜色表达状态就够了。5. 常见问题与排查实录5.1 控制限被异常点撑开真正的问题漏掉了这是我在项目复盘里见到最多的问题。某批次出现了一次明显的设备故障数据里留下几个离群点如果直接把这批数据放进去算控制限σ 被拉大UCL 和 LCL 变宽后面的小偏移就完全抓不到了。正确处理是先确认离群点背后的原因有明确原因设备故障、原料错发、量具摔过的记录在案后剔除重新计算控制限再拿新控制限回头检查剩余数据。没有明确原因的离群点不能随便删它可能正是过程失控的证据。我一般要求每条剔除记录都写清楚“时间、点号、原因、处理措施”附在报告后面经得起审。还有一个变种是“控制限阶梯式变化”工艺改造后过程波动明显变小但控制图还在用老的控制限导致新数据全部落在中心线附近看起来“过于完美”。这其实也是异常信号说明控制限该更新了。5.2 数据全部合格Cpk 却低得离谱这种情况我遇到过三次原因各不相同。第一次是规格限填错了图纸上是 ±0.05录入时写成了 ±0.005公差带缩了十倍。第二次是量具分辨率不够公差带 0.02 mm用的卡尺分辨率 0.02 mm所有读数在几个离散值上跳算出来的标准差是假的。第三次最有意思数据本身没问题但它是从三台设备汇总来的三台设备的均值差了两个 σ合并后标准差暴涨单台看每台 Cpk 都有 1.5 以上。对应的排查动作先核对规格限来源再核对量具分辨率是否小于公差带的 1/10最后按设备、班次、批次分层画图看是不是混批导致的“假波动”。分层这一步特别关键我建议所有能力分析在出总图之前先按 2~3 个维度分层各画一次很多问题在这一步就暴露了。5.3 速查表现象、原因、动作现象最可能的原因排查动作直方图双峰两个批次/两台设备数据混合按批次、设备分层重画直方图截断一侧突然没有全检后剔除不合格品再测找回被剔除的数据按原始分布分析Cpk 远高于 Cp计算错误通常是把 min 写成了 max检查公式引用控制图点全部在中心线附近控制限用了整体 σ 或样本量过大核对 σ 估计方法X̄ 图正常但 R 图失控设备精度不稳、夹具松动查设备维护记录、紧固件Cpk 月度波动大子组太小、量具再现性差增加子组量、做 GRRPpk 比 Cpk 低很多过程存在时间漂移查换班、换料、环境温湿度正态检验不通过数据本身偏态或有物理边界用百分位数法算 Ppk5.4 几条踩过的坑送给准备动手的人第一不要为了好看去调分箱数。直方图分箱多一点少一点形状差别很大有人为了让图“更像正态”反复调箱宽这是自欺欺人。分箱规则定死用 √n 或者固定公差带比例之后所有图都用同一个规则。第二能力分析报告里必须写清楚四件事数据采集时间段、子组划分方式、σ 的估计方法、是否剔除过异常点。缺任何一条这份报告就没法被别人复现也就没有说服力。第三Cpk 是一个“快照”不是“身份证”。它只描述采集那段时间的过程表现工艺一改、原料一换就失效。我看到过拿两年前的 Cpk 报告去投标的这种数据在审核眼里一文不值。第四改善的顺序永远是先稳后准。过程还在漂调中心是徒劳的过程稳了但偏离才轮到调参数。这个顺序搞反投入的时间和产出完全不成比例。我个人在实际操作中的体会是6 西格玛图真正的价值不在于算出那个 Cpk 数字而在于逼着你去回答“这个波动是从哪来的”。数字只是结果分层、追溯、验证原因才是过程。我做过的一个项目前后花了六周真正算指标的时间不到两天剩下全在查数据来源、跑现场、比对设备日志。最后 Cpk 从 0.85 提到 1.62靠的不是什么高级算法是把一台冷却水流量不稳的老设备修好了。图只是把问题指出来动手解决问题还得回到现场。