SPC控制产品良率新高招——分位数法

分位数的计算其实很简单，除了像直方图外，根据自己数据库的数据结构，你可以通过简单拖拽的方式，这样就可以快速得到想要的结果了。

这里有一点需要注意，产品良率和报废率根据个人需要而选择，因此分位数的选择是需要注意的。下图中就是计算报废率的分位数，因此计算时选用了99.5%的分位数作为控制限。

为什么使用分位数法？

那么，为什么要使用分位数法呢？和传统方法相比，它又有哪些让人欢喜让人忧的地方呢？

1可以分析样本结构不符合某种特定分布的情况

当收集的样本数据并不符合特定分布时，强制计算控制限而得到的结果会存在偏差。在使用传统的控制图时，第一步都是对样本数据进行分布拟合，判断数据是正态分布、二项分布或是泊松分布。如果分布拟合差异很大，则需要转化数据或增大样本量后继续分析，而分位数法可以根据大数据的水平直接指定你需要的标准，从而弥补了传统方法的缺陷。

2计算控制限的方法简单，途径多样

使用分位数法可以得到一个唯一的值作为控制标准，计算起来非常简单而且有多种途径进行计算。可以用专业的统计分析软件实现，如JMP中的“分布”（Distribution）、“制表”（Tabulate）功能，也可以使用Excel进行计算（将一组数据从大到小排列，通过数据总量计算出所需分位数的序号直接进行选择）。

3控制标准唯一，执行便利

由于采用分位数法计算，每个项目的控制限是唯一的。现场的QC可以根据控制表轻松地查询出控制标准，进而确认是否需要暂停产品并通知工程师进行下一步的分析。（如果公司有生产管理系统，可以尝试将控制表电子化，并与生产管理系统链接，实现自动化控制产品和通知的功能）。

一段时间过后，当控制限更新时，可以由工程师下发新表，回收旧表进行管理（有自动管理系统的话可以刷新DB）。

而传统的比率型控制图，每个批次都需要计算控制规范，并记录每个批次的结果是否符合规范。这样的操作流程对于现场生产的QC要求很高。因此带来人员管理上更高的要求，比如人员流动后所面临的招聘和培训工作，不利于现场管理和产品控制。

尽管分位数法控制图亮点众多，但它在应用时也存在一定的限制，比如：

1对样本量有要求 

由于分位数法是基于大数据的拟合方式，所以根据选取的标准对于样本量是有要求的。例如10%的分位数最少就需要10个批次才能达到最少分辨率。0.5%分位数就需要最少200个批次才区分。

2不适合做新项目的管理

新产品、新项目的良率控制应该遵循设计良率的要求，根据标准制造能力和公差管理预测基本良率指标，随后分析改善切入点，调整后提高产品批次质量，待项目正式放行后才开始收集数据并计算控制限。

而分位数法需要大样本做基础，不适合试产阶段，并且试产阶段时NPI（或类似部门）经常会调整设计或参数，因此结果会有较大的变化。观测所有试产数据时会发现分层（如数据双峰或多峰），不适合用任何一种控制图管理。建议直接设定阶段性目标管理，待新产品量产放行后，再做SPC的管理。

控制限是否一成不变？

通过以上说明，我们明白了分位数法控制SPC的思路。那么，控制限设定后是否一成不变了呢？答案显然是否定的。

控制限应该基于实际的水平进行定期的更新。例如，生产线对于一个产品的生产经验累积越来越多，产品良率自然会向好的方向发展，那么控制限就应该选取一定周期的样本重新计算。

当重新回顾并计算现有产品的控制限后，如何判断是否需要更新控制限呢（因为样本不同时，新的控制限多多少少会与原来的控制限有区别）？这里因人而异，可以根据自身情况设定一个阈值。个人经验是根据生产的长期波动水平制定阈值。如图4，笔者就通过编辑公式得到阈值后自动判断是否需要更新控制限。