ISO 7870-1至ISO 7870-9系列标准文件集-CSDN博客

本文链接：https://blog.csdn.net/weixin_33557333/article/details/147672644

简介：ISO 7870系列标准文件是关于统计过程控制中控制图方法的参考资料，提供九份标准文件（ISO 7870-1到ISO 7870-9），包括设计、实施和解释控制图的指南。控制图用于展示时间序列数据，识别生产过程中的稳定性和质量问题，是质量管理和持续改进的关键工具。控制图的应用包括变量数据和属性数据的监控，以及在制造业和服务行业的广泛使用。掌握这些标准有助于组织通过统计分析和能力评估来提高过程管理能力，推动组织的持续改进和成功。

1. 统计过程控制（SPC）与控制图

1.1 统计过程控制（SPC）基础

统计过程控制（SPC）是通过收集和分析生产过程中的数据来监测和维持质量的一种方法。SPC使组织能够预测和控制生产过程，以减少质量缺陷。控制图是SPC中的一种重要工具，用于监控和分析生产过程的稳定性。它们帮助工程师和质量管理人员判断过程是否受控，并对异常趋势做出反应。

1.2 控制图的作用与重要性

控制图通过历史数据和概率论，为生产过程中的质量特性绘制出一种图形化表示。它们是判断流程是否稳定的关键，能帮助识别可能影响产品质量的因素，并进行预防性维护，从而提高产品的整体质量与效率。

1.3 控制图的类型与选择

根据需要监控的数据类型，有多种控制图可供选择。变量控制图用于监控过程输出的连续数据（如长度、重量），而属性控制图适用于离散数据（如合格与否）。正确的选择控制图类型对于准确识别过程中的问题至关重要。在接下来的章节中，我们将深入探讨如何构建和应用不同类型的控制图，以及如何将统计过程控制有效地整合到ISO 7870标准中。

2. ISO 7870系列标准的全面解析

2.1 ISO 7870系列标准的产生与发展

2.1.1 质量控制的历史背景

自工业革命以来，质量控制的概念就逐渐形成并发展。初期，生产者更侧重于产品的数量和生产效率，而对产品质量关注较少。随着市场竞争的加剧，产品质量问题开始浮现。20世纪初期，美国工程师休哈特提出了统计过程控制（Statistical Process Control，SPC）的概念，这是一种用统计方法对生产过程进行监控和控制的手段。质量控制自此开始向科学管理迈进，各种质量控制工具应运而生。

2.1.2 ISO 7870系列标准的演变过程

1950年代至1960年代，国际间开始寻求质量控制方法的标准化。在这样的背景下，国际标准化组织（ISO）成立，并陆续发布了系列标准ISO 7870，主要包括控制图的应用和解释。这些标准不仅覆盖了控制图的基本原则，还提供了具体的控制图类型和使用指导，如X̅-R图和P图等。

ISO 7870系列标准随着时间的推移不断更新，以反映当前最佳实践。标准的每一次修订，都是基于工业界反馈、技术发展以及市场需求的综合考量。这使得ISO 7870系列标准始终保持与时俱进，为全球企业提供了可靠的质量控制方法。

2.2 ISO 7870系列标准的结构与内容

2.2.1 各部分标准的概览

ISO 7870系列标准由多个部分组成，每个部分针对不同类型的控制图进行详细说明。例如，ISO 7870-2定义了均值-极差图（X̅-R图）的使用和计算方法，而ISO 7870-3则专注于控制图的解释和异常情况的判断。每一个部分标准都是根据特定的统计方法制定的，以确保在不同的应用场合下，能够提供准确的质量控制指导。

2.2.2 标准间的关联与差异

虽然ISO 7870系列标准涉及多种控制图，但是它们之间存在一定的关联性。每个标准都强调了控制图在过程监控中的重要性，并遵循相似的逻辑结构。差异主要体现在控制图类型、数据收集方法、控制限的计算公式等方面。通过理解这些差异，企业可以更灵活地选择适合自己生产线的控制图，并有效地实施ISO 7870系列标准。

2.2.3 修订版带来的新变化

随着生产技术的进步以及质量管理理念的更新，ISO 7870系列标准也在不断地进行修订。最新版本的标准添加了对新工具和方法的描述，例如，对电子数据收集和自动化生产线的控制图应用进行了特别说明。修订版还引入了关于如何处理非常规数据集和多变量过程控制的新信息，确保标准内容与时代同步。

2.3 ISO 7870系列标准的实施与遵循

2.3.1 实施标准的前期准备

实施ISO 7870系列标准之前，企业需要对生产过程进行彻底的分析，确定可能影响产品质量的关键过程变量。然后，对这些变量进行数据收集，包括确定数据收集频率和方法。在前期准备阶段，同样重要的是员工的培训，确保他们理解控制图的目的和使用方法。准备工作还包括对现有质量管理体系的审查，确保与ISO 7870系列标准的要求相兼容。

2.3.2 标准遵循的有效性检验

为了检验标准遵循的有效性，企业需要建立评估机制，定期监控控制图所显示的过程稳定性。这通常涉及比较过程输出与控制限，以及对可能的异常模式进行分析。此外，企业还应当进行内部审核，检查员工是否按照ISO 7870系列标准正确地运用控制图，并评估质量控制过程中的任何偏差。

2.3.3 持续改进与标准更新

持续改进是实施ISO 7870系列标准的重要组成部分。企业应通过数据分析来识别过程中的改进机会，并采取措施减少变异性，提升过程能力。同时，企业需要关注ISO组织发布的标准更新信息，及时引入新的控制图方法和质量控制概念，确保企业的质量管理体系始终保持在最佳状态。

代码块示例

graph TD;
    A[开始实施前的准备] --> B[确定关键过程变量]
    B --> C[数据收集与频率分析]
    C --> D[员工培训与理解]
    D --> E[现有质量管理体系审查]
    E --> F[建立ISO 7870系列标准的遵循检验机制]

在上述代码块中，我们使用了Mermaid语言绘制了一个流程图，以直观展示实施ISO 7870系列标准的前期准备工作。图表中的每个节点代表一个步骤，箭头则指示了流程的顺序。通过这样的流程图，读者能够清楚地理解实施前需要完成的各个阶段任务。

3. 控制图的构建与分析方法

3.1 控制图的基本原理与作用

3.1.1 控制图的定义与目的

控制图，也称为Shewhart控制图，是一种用于监控和分析生产过程中的质量特性的工具。它将过程的输出值随时间的推移以图形的方式表示出来。其基本原理是根据历史数据确定出一个过程的标准工作状态，然后通过收集新的数据，并将其与标准工作状态相比较，判断过程是否发生异常。

控制图的核心目的在于： - 明确过程中的正常变异与异常变异； - 持续监测生产过程，及时发现质量趋势和异常波动； - 为质量管理提供科学的决策依据。

控制图的类型多样，但它们都具有一个共同的结构，即中心线（CL）、上控制限（UCL）和下控制限（LCL）。CL代表过程的平均表现，UCL和LCL则界定了一般预期过程变异的范围，超出此范围通常视为过程失控。

3.1.2 控制图在统计过程控制中的角色

在统计过程控制（SPC）框架内，控制图是至关重要的工具之一。控制图不仅能够帮助我们区分系统性因素和随机因素对过程的影响，还能够揭示过程中潜在的问题和改善的机会。通过定期更新控制图上的数据点，团队能够实时监控过程的稳定性，并做出快速响应。

控制图还起到了文档化的作用，记录了过程表现随时间变化的历史信息。这对于管理层和生产团队来说是宝贵的资源，可用于回顾和分析以往的改进措施，也可以作为未来决策的数据基础。

3.2 控制图设计的关键要素

3.2.1 数据收集与分类

控制图的有效性很大程度上取决于数据的质量和收集方式。数据必须按照特定时间间隔定期收集，例如每小时、每批次或每个工作日。收集数据需要遵循严格的标准化流程，以确保数据的一致性和可重复性。

分类是控制图设计的关键环节之一。数据通常按照以下两种方式进行分类： - 按时间序列分类 ，数据点按照它们被收集的时间顺序排列； - 按变量类型分类 ，数据可以是连续变量数据（如长度、重量）或离散属性数据（如缺陷数量、不合格品比率）。

3.2.2 控制限的确定方法

控制限是控制图中用来判断过程稳定性的关键参考点。控制限的确定依赖于数据的变异性。在实践中，有两种主要方法用于确定控制限： - 基于已知统计分布的方法 ，例如，若数据近似正态分布，可使用标准差计算控制限； - 基于经验法则的方法 ，如“3-sigma”原则，即控制限通常设在平均值两侧的三个标准差位置。

3.2.3 控制图的更新与维护

控制图的更新是持续监控过程的一部分。新数据收集后，必须及时地添加到控制图上。这不仅有助于立即发现过程的异常，还可以根据新的数据点重新评估控制限是否仍然适用。如果过程发生了显著的变化，那么控制限可能需要重新计算。

控制图的维护还包括定期的评审和审查。例如，若控制图显示过程一直很稳定，那么数据收集间隔可能可以放宽；反之，若频繁出现异常，可能需要缩短数据收集间隔或调查引起波动的可能原因。

3.3 控制图的实施与解释

3.3.1 实施控制图的步骤

实施控制图的基本步骤如下： 1. 选择适当类型的控制图 ，根据数据的类型和过程的特性进行选择。 2. 收集初始数据 ，并基于这些数据计算初始的控制限。 3. 绘制控制图 ，将数据点绘制在控制图上，并标出控制限。 4. 持续监控 ，定期添加新的数据点并检查是否超出控制限。 5. 分析过程 ，一旦发现数据点超出控制限，就需要分析原因并采取纠正措施。 6. 改进与复审 ，对过程进行改进，并定期复审控制图以评估改进效果。

3.3.2 异常模式的识别与处理

异常模式指的是在控制图中出现的特殊形态，通常包含单点异常和连续点异常。单点异常可能指示测量错误或过程中的非随机因素影响；连续点异常可能表示过程系统性因素的持续影响。识别异常模式后，通常需要采取以下措施： - 识别原因 ，通过5 Why分析、鱼骨图等方法找出异常的根本原因。 - 采取措施 ，根据识别的原因进行干预，比如调整设备、改进操作流程等。 - 记录并跟踪结果 ，通过连续的跟踪确认采取措施的有效性，并防止问题的再次发生。

3.3.3 控制图在质量改进中的应用

控制图不仅用于监控当前的过程表现，还可以作为质量改进计划中的重要工具。通过分析控制图的数据点，管理层可以： - 识别过程中的可变性 ，通过计算过程能力指数（如Cp、Cpk）评估过程的稳定性。 - 设定质量目标 ，根据控制图数据确定质量目标和过程改进方向。 - 持续改进 ，定期回顾控制图，通过PDCA（计划-执行-检查-行动）循环不断优化过程。

控制图还能够为团队提供视觉化的过程表现，使得过程中的问题更加直观，从而更容易引起团队成员的关注并采取相应的改善措施。

4. ```

第四章：常用控制图的类型与应用

控制图是统计过程控制（SPC）中的核心工具，用于监控过程的稳定性并及时发现过程中的非随机变异。控制图的种类繁多，每种都有其特定的应用场景和分析方法。以下将详细介绍几种常用的控制图类型，并探讨其在实际应用中的具体应用。

4.1 变量控制图：X̅-R图与S图

4.1.1 X̅-R图的理论基础与应用范围

X̅-R图，也称为平均值-极差图，是用于连续数据的控制图之一。其原理是基于样本数据的平均值和极差，来推断整个生产过程的质量状况。X̅-R图主要应用于对过程均值和变异性敏感的过程，尤其适用于样本量较小（一般为2至5）且测量值连续可分的情况。

在X̅-R图中，X̅图用于监控过程均值的变化，而R图用于监控过程变异性的变化。通过对这两张图的同时分析，可以更全面地了解过程的稳定性。

graph TD
    A[开始] --> B{选择变量控制图}
    B -->|连续数据| C[X̅-R图]
    B -->|已知标准差| D[S图]
    C --> E[收集样本数据]
    D --> E
    E --> F[计算样本均值与极差]
    F --> G[绘制X̅-R图/S图]
    G --> H[分析图表识别模式]
    H --> I[确定过程状态]

4.1.2 S图的特点与优势

S图，即标准差图，与X̅-R图类似，但是使用样本标准差而不是极差。S图对于较大样本量的情况更为适用，因为它可以提供更稳定的过程变异估计。与R图相比，S图对于过程的微小变化更敏感，因此在需要对过程稳定性进行细致监控时，S图是一个更好的选择。

4.2 属性控制图：P图与C图

4.2.1 P图的设计与使用场景

P图，也就是比例控制图，主要用于监控生产过程中某一特定事件发生的比例。与X̅-R图不同的是，P图适用于离散数据，并且当样本量不固定时也可应用。常见的使用场景包括产品合格率、缺陷比例等的监控。

P图的设计需要对样本比例进行连续的跟踪和记录。当P图显示出稳定的模式时，表明过程处于受控状态；如果有模式改变或点子出界，则提示过程可能出现了异常。

graph LR
    A[开始] --> B[选择属性控制图]
    B -->|监控比例| C[P图]
    C --> D[收集数据]
    D --> E[计算样本比例]
    E --> F[绘制P图]
    F --> G[分析图中模式]
    G --> H[识别过程稳定性]

4.2.2 C图在计数型数据中的应用

C图，也称为计数控制图，用于监控单位产品中的缺陷数量。它与P图的主要区别在于C图关注的是缺陷计数而非缺陷比例。因此，C图适用于计数型数据，如单位产品中的故障数、错误数等。

C图的使用对于提高产品的一致性和可靠性具有重要作用。它可以帮助管理者识别过程中的特殊原因变异，并采取相应的纠正措施，以达到持续改进的目的。

4.3 其他控制图类型详解

4.3.1 NP图与U图的应用场景

NP图和U图是针对特定类型的属性数据而设计的控制图。NP图是控制不合规品数量的控制图，与P图类似，但是针对的是不合规品数量而不是不合规品比例。U图用于监控单位产品中的缺陷率。

这两种控制图在服务行业和生产制造业中均有广泛的应用。例如，在质量检验过程中，NP图可以用来监控不合格品的数量，而U图则可以用来监控服务过程中的错误率。

4.3.2 移动极差图（MR图）与过程能力分析

移动极差图（MR图）是一种辅助控制图，常用于X̅-R图分析过程中，以监控过程的变异性。通过计算连续数据点间的极差（即移动极差），MR图可以揭示过程在短期内的变异情况。如果MR图显示出稳定的模式，说明过程短期的变异性是稳定的。

过程能力分析则是用来评估一个过程满足其技术规格的能力，它通常结合控制图使用。通过比较过程的性能与规格限，可以确定过程是否具有足够的能力来生产符合规格要求的产品。这一步是持续改进过程和实现质量目标的重要环节。

控制图是质量控制的关键工具，正确理解和应用不同类型的控制图，对于确保产品质量和过程效率具有显著意义。在接下来的章节中，我们将探讨如何将变量数据与属性数据结合起来使用控制图，以及如何根据数据类型的不同选择合适的控制图策略。


# 5. 变量数据与属性数据的控制图运用

## 5.1 变量数据的控制图策略

### 5.1.1 连续数据的收集与处理

变量数据通常是指可以取任何值的连续性数据，比如长度、重量、时间、温度等。在生产过程中，准确地收集和处理这类数据至关重要，因为它可以直接反映过程输出的质量。首先，我们需要确定数据收集的方法，这包括选择合适的测量设备和测量技术，以确保数据的准确性和可靠性。

一旦数据被收集，我们必须进行预处理，以排除可能由于测量错误或设备不稳定性造成的异常数据。这通常涉及对数据进行标准化处理，比如去除异常值、数据转换，以及确保数据分布的正态性。正态分布的验证可以采用Shapiro-Wilk检验、Kolmogorov-Smirnov检验等统计方法。

接下来是对数据进行分组，以便于绘制控制图。分组应考虑到过程的自然变异，并确保每个分组内的数据尽可能具有同质性。分组之后，我们计算每个分组的平均值、标准差或范围等统计量。

### 5.1.2 变量数据控制图的类型选择

选择合适的控制图是变量数据控制图策略的关键。根据变量数据的特性和过程的类型，我们可以选择不同的控制图。常用的变量数据控制图有：

- X̅-R图（均值-极差图）
- X̅-S图（均值-标准差图）

X̅-R图适合于小样本（通常每个样本包含2至5个数据点），而X̅-S图适合于较大样本（样本量大于或等于6）。选择哪种类型的控制图，主要取决于数据的稳定性和可用资源。

选择控制图的过程通常包括：

1. 确定测量数据的类型和分布特性。
2. 了解过程是否稳定，是否需要对过程进行调整。
3. 根据过程的特性以及数据收集的频率，选择合适的控制图。

控制图的选择直接影响到过程监控的有效性。因此，在实际应用中，必须对每种控制图的使用条件、计算方法和解释标准有深入的理解。

## 5.2 属性数据的控制图运用

### 5.2.1 离散数据的分类与统计

属性数据通常指的是只能取有限离散值的数据，如产品合格与否（合格/不合格）、缺陷类型（划痕、凹陷）、返工数量等。与连续数据相比，属性数据的统计分析相对简单，因为它不涉及复杂的计算过程。

在统计属性数据时，第一步是对数据进行分类。通常根据缺陷的严重性或产品的质量特性进行分类，并记录各类数据的数量。接下来，根据收集到的数据，我们可以计算如缺陷率、合格率等属性数据的统计量。

在处理属性数据时，通常会用到如P图（不合格品率图）或C图（缺陷计数图）等控制图。P图适用于记录不合格品的比率，而C图适用于记录单个产品上的缺陷数量。两种控制图在使用中具有不同的假设条件和解释规则，需要根据实际数据的特性和过程的属性进行选择。

### 5.2.2 属性数据控制图的选择与解释

控制图的选择是属性数据控制图运用中的另一个重要环节。对于属性数据，最常见的控制图包括P图和C图，而U图则用于单位产品的缺陷计数。

- P图主要应用于观察过程中的不合格品率是否在受控状态。其在过程控制中的有效性依赖于过程的稳定性，以及样本大小是否足够大。
- C图则是用来观察产品上的缺陷数量，当样本大小相对固定时使用。
- U图用于产品单位缺陷数的监控，比如每米布料上的瑕疵点数，适用于单位产品的缺陷计数。

在解释这些控制图时，主要关注控制限内的点分布。如果所有的点都位于控制限内且没有特定的模式，说明过程在控制之下。如果出现点连续在控制限外或呈现特定模式，则提示过程可能出现了问题。

## 5.3 数据类型的选择对控制图的影响

### 5.3.1 数据类型与控制图的关系

数据类型的选择对控制图的影响很大。在实际应用中，选择错误的控制图会导致控制图无法准确反映过程的性能，从而导致错误的决策和过程控制失效。

选择数据类型应基于生产过程的特点以及质量控制的需求。例如，如果过程输出是某个物理量的连续变化值，如温度、压力等，则应选择变量数据的控制图。而如果关注的是产品特性是否符合规定标准（如尺寸、重量等），则属性数据控制图可能是更好的选择。

数据类型的选择还影响控制图的设计参数，例如，对于变量数据控制图，我们需要计算平均值和标准差；而对于属性数据控制图，我们需要计算比率或缺陷数。这些参数的不同将直接影响到控制图的警戒限和控制限。

### 5.3.2 数据转换的策略与实践

在某些情况下，为了更准确地应用控制图，可能需要进行数据转换。数据转换的目的是将非正态分布的数据转换为更接近正态分布的数据，或者将非线性关系转换为线性关系，以便更有效地应用控制图。

常见的数据转换策略包括：

- 对数转换：适用于指数分布或偏态分布。
- 平方根转换：适用于泊松分布。
- 弧正弦转换：适用于比率数据。

通过数据转换，可以减少过程中的异常变异，使得控制图的效果更加显著。然而，在实际操作中，数据转换需要谨慎使用，因为过度转换可能掩盖过程中的重要信息或引入新的变异源。

在数据转换后，我们还需要重新评估数据的分布特性和过程的稳定性，以确保转换后的数据仍然能够代表原始过程的性能。因此，数据转换不仅是技术问题，更是一个实际操作和管理问题。控制图的最终目的是为了提升过程的稳定性，任何转换都需要符合过程控制的基本原则和目的。

# 6. 实例、案例研究与应用指南

在这一章中，我们将深入探讨统计过程控制（SPC）和控制图在不同行业的实际应用案例，以及如何通过案例研究提炼出应用指南。为了更好地理解和应用这些工具，我们会仔细分析案例，从而揭示数据解读的关键点，并讨论在进行案例分析时可能遇到的问题。

## 6.1 典型案例研究

### 6.1.1 制造业中的应用实例

在制造业领域，控制图被广泛应用于生产过程的质量控制。下面以一个汽车零件制造业的案例来说明变量控制图的运用。

**案例背景：**
一个汽车零件制造厂生产刹车盘，为了保证刹车盘的直径精度，使用了X̅-R控制图。在生产过程的初期，操作员记录了每个批次的刹车盘直径数据，并根据这些数据绘制了X̅-R控制图。

**问题发现：**
在初始的控制图中，发现过程均值（X̅）和范围（R）的点逐渐向外偏离控制限，表明过程可能失控。

**分析与解决：**
通过检查生产记录，发现是由于原材料供应不稳定造成的。及时与供应商沟通，改善原材料的质量后，该问题得到了解决，控制图中的点又重新回到控制限内。

**代码示例（数据分析）：**
```python
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
from statsmodels.tsa.stattools import kpss

# 假设数据
data = pd.Series([12.3, 12.5, 12.7, 12.1, 12.2, 12.4, 12.3, 12.5, 12.8, 12.6])

# 计算均值和范围
xbar = data.mean()
r = data.max() - data.min()

print("X̅ (Mean):", xbar)
print("R (Range):", r)

# 控制图绘制（简化示例）
plt.figure(figsize=(10, 5))
plt.plot(data.index, data.values, 'o')
plt.axhline(y=xbar, color='r', linestyle='--', label='X̅')
plt.axhline(y=xbar+2*r, color='g', linestyle='--', label='UCL')
plt.axhline(y=xbar-2*r, color='g', linestyle='--', label='LCL')
plt.legend()
plt.title('X̅-R 控制图示例')
plt.show()

参数说明： - data ：刹车盘直径数据。 - xbar ：计算刹车盘直径的平均值。 - r ：计算刹车盘直径的最大值和最小值之差。