我们不直接说SPC的数学原理，用更通俗的说法来说明SPC是什么意思，相信你会对SPC有了更深入了理解。

自适应移动端浏览器， 客户本地部署，安全可控， 和业务系统实时同步数据，SPC控制图实时反馈， 全面支持SPC各种控制图， 全面支持标准SPC的异常判断规则

基于B/S架构，用户端无需安装软件，用浏览器即可， 自适应移动端浏览器， 客户本地部署，安全可控， 和业务系统实时同步数据，SPC控制图实时反馈， 全面支持SPC各种控制图， 全面支持标准SPC的异常判断规则

详细介绍了SPC的统计学原理、SPC各个判异规则的事件概率的计算，和自定义SPC判异规则的设计和事件概率，让SPC判异更敏感。

np 控制图用于监测工艺过程中的不合格品数的变化是否处于可控状态，一般用于每批样本数 n 固定不变的情况。由于受监测的不合格品数等于每批样本大小 n 与不合格品率 p 的乘积 np ，因此不合格品数控制制图也叫做 np 控制图。

缺陷数控制图（C控制图）用于监控工艺过程中产生的缺陷数的变化情况，特别适用于每批检测对象数目相同的情况。 确定缺陷数控制图（C控制图）的控制限的原则是3σ方法

如何SPC控制图的选择，介绍一种可以遵循参考的路径，并且考虑到自相关再给出另一个SPC控制图选择的参考路径，同时罗列各类SPC控制图的应用场景，以帮助大家选择你需要的控制图。

在开展一个数据分析的时候，我们一般要探索一下数据的基本情况。一般我们看看各个变量的平均数、变量之间的相关性、变量是否有因果性、变量的分布情况等。看到那么多要探索的东西，通常情况下需要做很多工作。我们介绍一种直接从业务系统就完成一键分析，分析上述的所有内容的工具。

回归分析在各行各业的数据分析中有很重要的作用，可以确定自变量和因变量之间的关系，我们设计一个和业务系统整合的回归系统实现方案，解决回归分析的人工处理效率问题，大量回归分析效率问题，人员统计学能力不高问题。

SPC 理论已经非常成熟，其实现工具也经历了从纸质绘图到自动化、电子化软件系统的巨大转变，市面上能见到的SPC却五花八门。如何选择一个适合自己的SPC软件呢？这篇文章应该能帮到你。

现在大数据、机器学习应用越来越广泛，而机器学习算法的一个常见应用就算异常检测，本文介绍机器学习中的支持向量机算法来进行异常检测，包括算法基本原理、系统实现和应用。通过机器学习中的支持向量机算法进行异常检测，并把异常结果整合到SPC控制图上。

将当代计算机科学、工业统计与大数据技术、行业质量管理及持续改进最佳实践完美融合、洞察质量与流程数据，从而提高效率、降低成本、预测未知、科学决策，提高持续盈利能力。可以实时质量风险预警平台、质量大数据分析平台、智能质量报告平台、自动化分析程序及报告。

可以通过一个在线网页通过LIMS/QMS的接口录入数据到LIMS/QMS中，在录入的过程中调用我们的SPC控制台，将最新的数据点加入控制图中，看看是否有异常点产生，这样就满足是实时录入数据的时候查看SPC功能。

iForest （Isolation Forest）孤立森林 是一个基于Ensemble的快速异常检测方法，具有线性时间复杂度和高精准度，是符合大数据处理要求的state-of-the-art算法。其可以用于网络安全中的攻击检测，金融交易欺诈检测，疾病侦测，和噪声数据过滤等。 作为传统SPC异常检测中的一个非常不错的补充，特别是针对有子组的情况下异常检测更灵敏。

发明了几十年的SPC控制图，基本上没有什么创新的了，大家都是用minitab慢慢的去做分析图，效率低下也没有任何新的东西。 最近一直在想，一个异常点，它可能同时满足多个异常判定规则，如它是一个远离3倍标准差的点，又是连续8个在平均数一侧的点，但传统控制图不能看出来这个，甚至一个点它满足了8个判异规则我们也不知道，但这种异常点确非常的重要，如何能直观的看出来这样的判异规则呢。

现在大数据、机器学习应用越来越广泛，而机器学习算法的一个常见应用就算异常检测，本文介绍机器学习中的K均值（K-Mean）算法来进行异常检测，包括算法基本原理、系统实现和应用。

传统SPC应用存在单机使用、无系统对接、无法随时随地、无法移动访问、无监控面板（控制台）等功能，这些严重制约了SPC的应用，难以达到全面质量管理的目的。这里强力推荐一个基于web浏览器的多SPC控制台，可以实现：可以实时系统对接、时刻在线、随时随地移动访问、动态SPC异常标记、多个SPC监控、可做SPC监控大屏（SPC控制台）

当采样的数量接近无穷大时，我们的抽样分布就会近似于正态分布。这个统计学基础理论意味着我们能根据个体样本推断所有样本。结合正态分布的其他知识，我们可以轻松计算出给定平均值的值的概率。在理论上保证了我们可以用只抽样一部分的方法，达到推测研究对象统计参数的目的。

随着样本量n的增大，控制限会变得越来越窄，这意味着过程稍微有一点波动，就可能会有点落在控制限外，也就是说控制图会变得越来越敏感。小的样本量会降低控制图敏感度，也就是存在过程已经发生偏移却不能被发现的风险。

SPC控制图就是一个预警系统，预警系统都存在两类风险：第一类风险是误报警风险（第一类错误）α，第二类风险是漏报警风险（第二类错误）β。本文详细说明为什么常规控制图的异常判定准则有两类，即：点超出控制限就判异和控制限内点排列不随机判异两类。

SPC 理论已经非常成熟，其实现工具也经历了从纸质绘图到自动化、电子化软件系统的巨大转变，市面上能见到的SPC却五花八门。如何选择一个适合自己的SPC软件呢？

简单说说SPC，SPC控制图建立在数理统计学的基础上，把统计学中的“发现异常”作为控制生产过程中的一种工具。因此，“发现异常”成为SPC控制图的基础。它利用有效数据建立控制界限，一般分上控制限（UCL）和下控制限（LCL），上控制限通常设为控制中心线CL+3σ，σ为标准偏差，下控制限设为CL-3σ。如果该过程不受系统原因影响，那么，得到的观测数据将不会超出控制界限。