为什么 Cpk 明明有 1.67，客户还是投诉？

一、当传统 Cpk 不再适用于现代制造，你可能一直高估了自己的制程能力

对于很多质量工程师来说，Cpk 是评价制程能力最重要的指标之一。

每天打开 SPC 系统，看一眼 Cpk：

• 1.33，合格；
• 1.67，很优秀；
• 2.00，客户满意。

于是大家自然认为：

Cpk 越高，产品质量越稳定。

但在真实制造现场，你是否遇到过这样的情况？

• SPC 显示 Cpk 很高，客户却频繁投诉尺寸波动；
• 每周能力分析都不错，现场却不断调机；
• Cpk 一直保持在 1.5 以上，产品却越来越接近规格边界。

这到底是过程出了问题？

还是 Cpk 本身已经无法准确反映真实的制程能力？

答案可能是：

你的制程已经发生了时间相关性（Time Dependency），而传统 Cpk 并没有考虑这一点。

二、传统 Cpk 有一个很多人忽略的前提

传统 Cpk 建立在一个重要假设之上：

每一次测量数据都是相互独立的。

换句话说：

今天测出来的数据，不应该受到昨天数据的影响。

前一个产品，也不应该影响后一个产品。

几十年前，这个假设基本成立。

但是今天的智能制造现场已经完全不同。

越来越多的制程都会随着时间发生连续变化，例如：

• 刀具不断磨损；
• 设备逐渐升温；
• 冷却液浓度缓慢变化；
• 模具逐步磨耗；
• 自动补偿不断修正设备。

这些变化都会让连续数据之间产生关联。

今天的数据，会影响下一笔数据。

这就是统计学中的时间相关性（Autocorrelation）。

三、为什么时间相关会让 Cpk “看起来很好”？

举一个最简单的例子。

某台加工中心随着刀具磨损，尺寸每天缓慢上升。

由于尺寸变化非常连续，相邻的数据几乎都十分接近。

传统 Cpk 会认为：

数据波动很小。

于是计算出来：

Cpk = 1.65

看起来非常漂亮。

但事实上，整个平均值却一直朝规格上限移动。

如果继续生产，最终一定会超差。

也就是说：

过程已经在恶化，而 Cpk 却没有及时告诉你。

因此，很多企业看到的是：

Cpk 很漂亮，客户却越来越不满意。

四、Cpk.g：专门针对时间相关制程设计的新能力指数

为了弥补传统 Cpk 的不足，近年来越来越多统计专家开始采用 Cpk.g。

与传统 Cpk 最大的区别在于：

Cpk.g 会把数据之间的时间相关性考虑进去。

如果发现：

今天的数据会影响明天的数据，

它就不会再简单地把所有数据都当成独立样本处理。

因此，在存在刀具磨损、设备漂移、温度变化等连续变化时，

Cpk.g 往往比传统 Cpk 更能真实反映制程能力。

真正值得工程师关注的问题，不再只是：

Cpk 是多少？

而应该是：

这个 Cpk 值，还可信吗？

五、ABCD 模型：先判断过程，再选择能力分析方法

并不是所有制程都需要使用 Cpk.g。

关键在于：先判断制程属于哪一种时间特性。

斌果SPC 引入了 ABCD 时间依赖模型，帮助工程师快速识别不同类型的制程。

1. A 类：独立型制程

数据彼此独立。

传统 Cpk 可以直接使用。

2. B 类：弱时间相关

存在轻微连续性。

传统 Cpk 基本仍然适用，但建议持续观察。

3. C 类：强时间相关

数据之间关联明显。

传统 Cpk 很可能高估制程能力。

建议采用 Cpk.g 进行分析。

4. D 类：高度时间相关

过程已经严重偏离统计假设。

此时，与其继续关注能力指数，不如优先解决制程本身的问题。

相关推文：新版SPC的ABCD分布判断逻辑（导图和表格）

六、一个真实制造案例

某汽车零部件企业长期监控一项关键轴径尺寸。

每周能力分析显示：Cpk 始终保持在 1.50 以上。

按理说，这是一条非常稳定的生产线。

但客户却不断反馈尺寸一致性下降。

工程师使用 斌果SPC 的 ABCD 时间依赖分析 后发现：

该制程属于 C 类时间相关过程。

造成时间相关的原因并不是设备故障，而是刀具持续磨损。

进一步采用 Cpk.g 分析后发现，

实际制程能力明显低于传统 Cpk 的计算结果。

企业随即优化了刀具更换周期，并调整预防性维护策略。

之后，现场能力分析与客户实际质量表现终于保持一致。

问题不是加工设备。

而是一直使用了不适合当前制程的统计方法。

七、为什么现代制造需要新的能力分析方法？

今天的制造业越来越智能。

设备自动补偿。

在线检测。

实时采集。

连续加工。

越来越多的数据都带有明显的时间特征。

如果仍然按照几十年前"数据彼此独立"的统计假设来评价现代制程，

能力分析就可能越来越偏离真实情况。

能力分析真正应该回答的问题，不只是：过程能力是多少？

更应该回答：这个能力值是否真实反映了你的制程？

八、斌果SPC：让能力分析更接近真实制造现场

斌果SPC 不仅支持传统 Cpk、Ppk 分析，还支持面向现代制造的高级能力分析，包括：

• Cpk.g 时间相关能力分析
• ABCD 时间依赖分类
• 自动时间相关检测
• 实时 SPC 过程监控
• AI 智能统计解读

相比只输出一个能力指数，斌果SPC 更关注能力分析背后的统计可靠性，帮助企业在复杂制造环境下做出更准确的质量决策。

相关文章：斌果SPC正式支持CPK.G和时间依赖模型ABCD判定

九、什么时候用Cpk，什么时候用Cpk.g

传统 Cpk 依然是质量管理中最重要的统计指标之一。

但随着制造过程越来越复杂，它已经不一定能够完整反映真实的制程能力。

当数据之间存在时间相关性时，继续使用传统方法，很可能高估制程能力，甚至影响质量决策。

真正科学的能力分析，不是计算一个漂亮的 Cpk，而是选择适合当前制程的统计方法。

因为质量改善，始于对制程的真实理解。