统计过程控制（Statistical Process Control，简称SPC）是一种用于监测和控制生产过程中产品质量的统计方法，通过收集和分析数据，以确保生产过程稳定并达到预期的质量标准。它旨在识别和减少生产过程中的异常波动，从而提高产品的质量和一致性。
SPC主要关注两个方面的质量：设计出来的质量和生产出来的质量。设计出来的质量涉及到产品的性能参数定义、零部件和工艺过程对产品的影响，以及可能的失效模式分析。例如，质量功能展开（QFD）、价值工程（VE）、公差分析、实验设计（DOE）和田口方法都是用来优化设计和预防潜在问题的工具。而生产出来的质量则侧重于控制实际生产过程中的波动，以避免不良品的产生。
在生产过程中，波动分为两类：正常波动和异常波动。正常波动是由于随机因素引起的，通常不会导致产品质量问题；而异常波动则是由系统性原因造成的，可能严重影响产品质量。SPC通过使用统计控制图来区分这两种波动，并采取相应措施消除异常波动。控制图是SPC的核心工具，它能够实时显示生产过程的状态，帮助管理者及时发现和解决质量问题。
SPC中，数据通常被分为计量型数据和计数型数据。计量型数据包括尺寸、温度等连续的、带有量纲的数据，它们通常接近正态分布。而计数型数据如合格率、缺陷数等，往往没有量纲，可能遵循泊松分布或其他分布。例如，在一个生产过程中，某产品的测量值f0284311349286294312273304326304299286340298310292280316314293276328301300317296303286297301333324272271307299304300294307306286303303332309324303263319303277302330304257282283295313297297294313269318295333298306353338318286288314309284284325347293295297310266299325322261286312328276305319300321347300325340286296318264269273289326，可以绘制直方图进行分析，如所示，其分布中心大约为300，形状接近正态分布，宽度大致在255到355之间。
正态分布具有对称、连续的特点，是生产中常见计量型数据的理想模型。其数学表达式为：f(x) = (1/(σ√2π)) * e^(-((x-μ)^2)/(2σ^2))，其中μ是样本空间的均值，σ是样本分布的均方差。在统计分析中，可以使用正态分布来估算样本均值和均方差，以及计算过程能力指数（如Cpk和Ppk）。
过程能力指数Cpk和Ppk是衡量工序满足工程技术规范能力的重要指标。Cpk代表了过程在长期稳定性下的能力，而Ppk则考虑了短期的波动。Cpk计算公式为(CUSL - LSL)/(3σ)，其中CUSL和LSL分别是工程规格上限和下限，σ是过程标准偏差。当Cpk和Ppk值较高时，表明过程在工程规范范围内运行良好，产生的不合格品较少。
通过Cpk和Ppk，可以估算超出工程规范的概率，这对于过程控制和质量改进至关重要。在QS-9000等质量管理体系中，通常要求Cpk和Ppk大于或等于1.33，以确保生产过程的稳定性和质量水平。
总结来说，统计过程控制（SPC）是一种利用统计学原理监控和改进生产过程质量的方法，通过对数据的收集和分析，识别并消除异常波动，以实现稳定、高质量的生产。在实际应用中，SPC涉及了数据分类、正态分布的理解、控制图的使用以及过程能力指数的计算等多个关键概念，这些都是确保生产过程质量和效率的重要工具。
