传统观念把检验作为质量保证的手段，只能事后判断，而应用统计过程控制（Statistical Process Control）能够把握先机，预防不合格品的出现，降低成本，提高企业运行效率。
统计过程控制（SPC)是应用统计技术对过程中的各个阶段进行评估和监控，建立并保持过程处于可接受的且稳定的水平，从而保证产品与服务符合规定的要求的一种质量管理技术。
SPC强调全过程监控、全系统参与，并且强调用科学方法（主要是统计技术）来保证全过程的预防。SPC不仅适用于质量控制，更可应用于一切管理过程（如产品设计、市场分析等）。正是它的这种全员参与管理质量的思想，实施SPC可以帮助企业在质量控制上真正做到"事前"预防和控制，SPC可以：1）对过程作出可靠的评估；2）确定过程的统计控制界限，判断过程是否失控和过程是否有能力；3）为过程提供一个早期报警系统，及时监控过程的情况以防止废品的发生；4）减少对常规检验的依赖性，定时的观察以及系统的测量方法替代了大量的检测和验证工作。
单变量统计过程控制
单变量统计过程控制是对一个变量的实时数据进行监控和评估，保持过程处于可接受的且平稳的水平，从而保证产品符合规定的要求。统计过程控制常用的分析工具主要有直方图、控制图和工序能力指数。
直方图大家都很熟悉了，它可以描绘质量分布状况，反应质量分散程度，得出数据是否服从正态分布，上图里的P=0.503>0.05，服从正态分布。
控制图是SPC中最重要的工具，它是对生产过程某一变量过程进行监测是否处于控制状态，可以利用控制图分析过程的稳定性，对过程存在的异常因素进行预警。
若控制图中的点落在UCL与LCL之外或点在UCL和LCL之间的排列不是随机的（根据异常点判别八条准则），则表明过程异常，需要查明原因并予以消除。
判别异常点的准则：
①有一个点在3σ的外部；
②连续5个点中有4个点在中心线同一侧的1σ以外；
③连续3个点中有2个点在中心线同一侧的2σ以外；
④连续9个点在中心线的一侧；
⑤连续6个点稳定的上升或下降；
⑥连续15个点在中心线的上方或下方；
⑦连续14个点交互上升下降；
⑧连续8个点在中心线两侧，但未在1σ内。
工序能力是指工序处于控制状态下的实际加工能力，工序能力指数客观定量地反映了工序能力满足技术要求的程度，因此可以根据工序能力指数的大小及其评定分级表，分析稳定的过程能力满足技术要求的程度，并对过程质量进行评价。
传统的统计过程控制是基于单变量统计控制的方法。单变量统计控制只能检测单一测量变量的变化，而不能有效地提供关于多个变量相互作用的信息。而在现代生产过程中，往往需要测量大量的过程变量。单变量统计过程控制难以在这类过程中有效地发挥作用。另外，单变量统计过程控制也不适用于间歇过程。随着快捷制造技术的推广，适用于生产小批量高附加值产品如医药和精细化工产品的间歇过程已被越来越多地应用于工业生产中。多变量统计过程控制正是在这些应用需求的驱动下逐渐发展起来的。
多变量统计过程控制
在实际生产过程中，往往是很多因素共同影响生产的效果，这些因素变量之间往往是相互关联的，传统的单变量已经不能满足现代的需求，需要对许多的性能指标和过程变量进行监视，随着技术的发展，多变量统计过程控制（Multivariate Statistical Process Control,MSPC）出现了。
多变量统计过程控制通过统计量及控制限实时监测样本的异常状态来异常检测，并根据贡献图来判断出现异常的原因来实现故障诊断。
多变量统计过程控制可以分解为两个步骤，第一步选取正常运行的数据当训练集，离线建模；第二步，选取异常发生前后的数据当测试集进行在线检测。
在离线建模中，需要建立一个反映生产过程正常运行的主成分模型。先把运行正常的数据收集起来作为训练集，对这些数据进行主成分分析。由于主元分析的结果受到数据量纲尺度的影响，所以需要先将数据进行标准化。然后对标准化矩阵进行主成分分析，求出标准化矩阵的协方差矩阵，再对协方差矩阵进行特征值分解，得到特征值和特征向量，将特征值从大到小排序，根据累计方差贡献率大于85%，选出前k个特征值及所对应的特征向量，根据k的值确定主成分模型。当显著性水平为α时，根据公式计算生产系统正常情况下的SPE和T2统计量的控制限。
第二步在线检测需要选取实际异常发生前后的数据当测试集，利用SPE和T2统计量结合其控制限对过程进行监控。SPE是采用的后15%主成分，反映了此时刻测试集上的测量值对主成分模型的偏离程度，T2是采取的前85%的主成分，通过主成分模型内部的主成分向量模的波动来反映多变量变化的情况。
将每一时刻的统计量与所对应的控制限进行比较，如果某一时刻的SPE或者T2统计量超过了它的控制限，就可以认为生产过程中出现了不正常的情况。上图中分别是T2统计量和SPE统计量的控制图，蓝线分别是SPE和T2统计量，红线是其各自的控制限。由T2控制图可知，大概在第730个样本点T2统计量检测出生产系统出现了异常，由SPE控制图可知，大概在第570个样本点SPE统计量检测出生产系统出现了异常。
最后利用贡献图中各个变量对此次异常发生的贡献程度去判断是系统的哪些变量导致的异常的出现。由上图可知生产系统本次出现异常主要是由第39个变量所导致的。
多变量统计控制的成功应用能提高产品质量的一致性，提高生产过程的灵活性和能力，进而提高企业资产的有效利用率。通过对过程进行有效的监控，可以提高合格品率，从而降低由于再加工所引起的原材料和能源的消耗。通过对过程进行有效的监控，也能及早发现过程中的故障隐患，从而提高过程运行的安全性。
多变量统计过程控制在西方工业界的应用也刚刚开始，但它已被作为一种提高产品质量和过程运行能力，从而提高企业竞争能力的新技术而得到工业界的高度重视。随着我国改革开放的不断深入，国内企业所面临的竞争也会加剧，提高产品质量，保持产品质量的高度一致性，提高过程的运行能力和灵活性，将是企业在竞争中得以存活和发展的保障。
参考资料
1.多变量统计过程控制[M].化学工业出版社，张杰，阳宪惠编著，2000
2.https://baike.baidu.com/item/SPC/722?fr=aladdin
3.https://wenku.baidu.com/view/de128ae8b1717fd5360cba1aa8114431b80d8e67.html
,
