在快速变化的制造业中，数据已成为制造质量和效率的关键驱动力。随着技术的进步，数字化数据收集系统为企业提供了前所未有的数据访问能力。然而，拥有大量数据并不自动转化为更好的过程控制或质量改进。这里就需要引入统计过程控制（SPC）——一种历史悠久且经过验证的方法，专注于使用数据来监控和控制生产过程。
本文将探讨如何将SPC的原理与数字化数据收集技术相结合，以优化制造过程、提升产品质量、并最终推动业务增长。我们将介绍三种策略，它们不仅提高了数据分析的有效性，还确保了过程控制的精准性。通过这种协同作用，制造企业可以实现更高的运营效率和更佳的市场竞争力。
01 One
数字化数据收集的挑战
数字化数据收集系统，比如数字化数据库，是一种强大的工具。它们可以收集和存储工业数据，比如测量数据，形成时间序列数据库应用程序。这些系统的优势在于能够随时追踪所有数据值（如速度、进给量、温度），从而推动制造业的卓越。
然而，当我们尝试使用控制图来评估这些数字化数据时，常常会遇到问题。控制图本身设计用于从采样数据中提供有洞察力的过程控制信息，专注于分析定期采集、经过深思熟虑的数据。但它们并不适用于分析几乎实时收集的数据，例如每秒收集一次的情况。
这并不意味着控制图无效，而是我们需要聪明地使用它。关键在于深思熟虑地收集和使用可用数据：我们的目标是什么？我们想回答哪些问题？
合理的抽样计划应该允许我们定期、重复地收集少量数据，并在控制图上表示，以指示正常和非正常的操作行为。这些数据点可能代表单个值、平均值或范围，采样频率则根据过程特性和希望发现的变异来源而变化。
现在，考虑这样一个问题：你认为烤箱的温度在一秒半内会变化多少？很可能几乎没有变化。如果我们在控制图上以一秒为单位绘制温度变化，可能会看到的是一系列“块状”的数据点，因为连续的点值可能是相同的。这不仅看起来不自然，而且可能导致控制限计算过于严格或紧密。
例如，如果我们在控制图上绘制了100个点，其中12个点落在控制限之外，这并不一定是值得关注的流程变化。更重要的是，如果数据采样过于频繁，使用控制图可能会导致过多的误报，因为数秒之间的数据变化无法真实地捕捉到过程中正常和异常的变化。
02 Two
将控制图与数字化数据流结合使用的三种策略
数字化数据库和统计过程控制 (SPC) 系统是互补的技术。不应将其中一个视为另一个的替代品。数字化、智能化的工厂软件系统为我们提供了的大量数据，我们还可以利用 SPC 系统来准确控制流程并改进产品，解决问题，降低成本，提高效益。
策略一：制定合理的抽样计划
首先，重要的是要明确“合理”这个概念。在决定最适合的数据采样方法时，流程专家（包括操作员、工程师、质量专业人员）需要达成共识。在制定抽样计划时，您需要考虑以下几个关键问题：
1.我们应该收集多少数据？
2.数据应该多久采集一次？
3.我们的样本量应该是多少（例如，每次抽样收集两个或三个结果）？
4.应该多久审查一次控制图？
5.绘制图表的参数有多重要（例如，对于关键的质量特性）？
尽管存在许多确定抽样计划的方法，我们的建议是简单而有效的：以适当的频率收集适量的数据。这个建议看似笼统，但背后的理念是，制定抽样计划是一个需要讨论、不同观点和最终的理性决策的过程。一个好的抽样计划应该恰到好处，既不过多也不过少。
一旦达成抽样计划的共识，利益相关者便可以在约定的时间从数字化数据库（或其他来源）中选取数据，然后手动输入到SPC程序中。这种策略虽然技术含量不高，但良好的抽样计划与高效、洞察力强的控制图相结合，其好处是显而易见的。
抽样计划应该是动态的，即不应该因为一开始就达成了一致就认为它是固定不变的。相反，应该根据第一个抽样计划的经验教训来创建第二个计划，并利用从第一个计划中获得的信息进行迭代改进。通过优化抽样计划，组织能更快地了解关键流程、如何更好地控制它们，以及如何从中获得最大利益。
策略二：直接从数字化数据库中获取数据样本
在实施策略一中提到的合理抽样计划后，许多SPC系统能够直接从历史数据流中自动进行数据采样。这个功能极大地简化了数据收集过程。
以我们之前提到的烤箱温度为例，假设专家预测加热过程会在几个小时内逐渐增加。为了保持温度的一致性，团队可能会同意每15分钟从历史数据流中自动收集一个温度数据点。这样的抽样计划允许团队追踪温度的显着变化，同时避免了数据过载。
例如，一个控制图可能显示，随着时间的推移，温度逐渐上升。这种趋势可以通过记录初始阶段低于控制限的点和最后阶段的点来观察。最终，大部分点可能都位于中心线之上，从而清楚地描绘了温度的整体趋势。
这种策略通过自动从历史数据中抽取少量但有代表性的数据点，有助于实现过程控制和成本效率。自动化和简化的过程确保了易理解性和操作的便捷性。然而，重要的是要记住，随着时间的推移和对过程的深入了解，抽样计划应该是可调整的。根据所获得的洞察，团队可能会选择增加或减少采样频率。并且，当SPC系统与其他软件系统电子连接时，调整抽样计划应该是一个简单的过程。
策略三：确定数据模型，选择数据建立控制图
在策略二中，我们看到了每15分钟收集一次温度数据的例子。但有时，管理层或其他利益相关者可能会要求利用更多的数据，例如每小时使用超过四个温度数据点。虽然这种需求可能看起来过分，但在SPC软件中可以编程修改抽样计划的情况下，这是可行的。
假设团队决定每分钟收集一次温度数据，这样每小时就会有60个数据点。如果直接在控制图上使用这些单个数据点，可能会导致信息过载，并增加误报的风险。
解决方案是，继续收集数据，但不是在控制图上绘制每一个单独的数据点，而是基于收集的数据计算统计数据，然后绘制这些统计数据。
实施这一策略的方法如下：
1.创建15个数据点的子组，即每个一分钟时间段提供一个数据点。
2.计算每15个数据点中的平均温度。每个子组的平均值将代表那15分钟内的平均温度。
3.在控制图上绘制这些平均值，将每个平均值视为单个数据点。这个图表将基于每15分钟时间范围内的平均温度变化。
4.同样，计算每个子组的15个数据点的样本标准偏差，表示该时间段内温度的变异性。
5.在另一个控制图上绘制每个子组的标准偏差值。这个图表将展示温度变异性如何随时间变化。
这种方法的结果是两个控制图，每个图表在五个半小时内有22个绘图点。
这两个图表都提供了有价值的信息：
平均值图表：描绘出预期的温度逐渐升高的趋势。
标准偏差图表：展示了运行开始时温度的较大波动，以及第二、第三和第四小时内较小的温度变化。
此外，使用这种策略，而不是传统的X-bar和R图或X-bar和S图，可以避免一分钟内数据自相关性过高而无法正确计算控制限的问题。这种方法允许根据收集到的数据来验证或调整原有假设。
这种方式，不仅可以有效地管理大量数据，同时保持控制图的清晰性和实用性。这种方法允许团队更准确地监控和理解数据，同时避免了由于过多数据点而导致的混乱和误解。
03 Three
结论
全球的制造企业已经在广泛地从数字化数据收集系统中受益，而SPC（统计过程控制）技术的应用也在不断显现其价值。事实上，SPC和数字化数据收集不仅可以并存，它们实际上是相互补充的。结合使用这两种技术可以更好地挖掘和利用数据的潜力。
为了确保SPC能够提供最有价值和最相关的信息，关键在于从数字化数据收集系统中以合理的方式进行数据采样。通过这种方法，组织可以有效地利用SPC的智能功能来控制其流程，从而提高效率和生产质量。
最终的好处是显而易见的：在降低成本的同时提高产品质量，也增强了企业的市场竞争力。在今天这个数据驱动的时代，有效地结合SPC和数字化数据收集系统，无疑是向前迈进的关键一步。