面对第三方审核，很多质量工程师都被问过的一个经典问题：“你们的控制图为什么没有把 8 条判异规则全部用上？”意思是好像是说规则开得越多，代表质量管理越厉害。

新版手册的逻辑极其清晰：当你不管数据分布的把所有规则应用到控制图的时候，你不是在提升质量，而是在摧毁质量。

在实施 SPC 时，不管数据分布同时开启所有 8 条判异规则是一个错误。新版 AIAG-VDA 手册明确指出，规则叠加会呈指数级放大“第一类错误”（即虚假警报）。

判异规则必须基于过程的真实物理模型（如区分理想的正态 A1 模型与存在刀具磨损的趋势模型）进行精准匹配，且每条规则必须对应明确的 OCAP（失控反应计划）。

可以套用一句话，Less is more，在SPC领域中，也是挺巧当的。

虚假警报的灾难

统计学中的每一条判异规则，都带有固有的“第一类错误”（即过程本来没有异常，但系统发生了误报警，即虚假警报）。

如果只开启“1个点超出 3sigma 控制限”这一条基本规则，假报警率大约是 0.27%。但如果你同时开启 8 条规则，假报警率会迅速飙升至 2% 甚至更高。

在高速运转的生产线上的连续实时采集的数据中，意味着每天都会产生大量的无效报警。现场操作员对此只有两种反应：

• 要么过度干预（频繁调机导致过程更加混乱）
• 要么直接“狼来了”，对所有报警视而不见。

这两种行为都在实质性地破坏制程的稳定性。

停止误判物理规律

更深层的原因在于底层统计模型。经典的 八大规则（如连续 9 点在中心线同侧、连续 6 点递增或递减），其本质是基于 A1 模型推导出来的——即假设这是一个理想的正态且均值绝对稳定的过程。

但真实生产现场很很复杂的，并不都是完美的A1模型，甚至说大部分都不是A1模型。以数控（CNC）加工为例，刀具的自然磨损会导致加工尺寸缓慢的漂移。如果在这个过程中强行开启“连续 6 点递增/递减”的趋势规则，系统就会疯狂报警。请注意，这根本不是发现了异常，而是在误判正常的物理规律。

新版标SPC强调：必须先识别时间相关的过程模型，再决定使用哪些规则，而不是默认全开。规则必须与真实的物理过程相匹配。

没有 OCAP 支撑的规则，都是形式主义

多不代表专业。现代质量体系要求，系统开启的每一条判异规则，都必须在 OCAP（Out-of-Control Action Plan，失控反应计划）中有明确对应的、可落地的纠正动作。

如果触发了“连续 14 点相邻交替上下”的规则，但现场工程师和操作工完全不知道该去检查夹具松动、还是核对两台不同设备的参数差异，那么这条规则就是形式主义。未来审核真正该问的问题是：“你为什么选这些规则？它们对应的现场动作是什么？”

用结构化数据在OCAP的体现

如果仅仅是一串数字而没有每一个数字背后的意义，即使我们发现了异常，即使你有 OCAP，你也很难去找到里面的原因，因为你不知道异常的点是哪个机台、哪个班次、哪个班组、用的是什么原材料、加工机器用的是什么参数产生的。

实施SPC失败的根源往往不是统计方法错误，很多是因为底层数据结构问题导致的。孤立的测量值毫无工业价值。合格的SPC是必须在检测发生时，将零件测量值、设计公差与制造追溯信息（如工单、设备、模具）进行都进行记录，SPC系统才能实现异常追溯、维度分析。否则SPC软件固然能画出精美的图表，但统计过程控制却始终游离于核心业务之外。

现在你知道怎么回答审核时的质疑了吧？