loading控制图分析
0.81 检测图案模式
当一个过程是非随机的，在过程图上就会表现出一定的图案模式。特定的图案模式往 往意味着有特定的外部因素作用于过程。如果这样的因素能够对过程作出改进，那么我们希 望它能继续保持下去。如果不是，我们就希望消除它。因而检测图案模式是寻找波动因素的 第一步。
在正态曲线中大约有 68%的样本落在均值? 1? 的范围内，95%的样本落在均值? 2? 的范围内，99. 73% 的样本落在均值? 3? 的范围内。如果实际情况不是那样，那就说明过程并没有受到正常的过程，我们需要检查一下控制图上的图案模式。一部分的图案模式我们一眼 就能看出。但另一些则需要比较仔细地检查才能发现。我们需要寻找的一些图案模式如下：
· 任意 1 点在控制界限以外
· 连续 7 点在中心线的同一侧
· 连续 7 点呈上升趋势
· 连续 7 点呈下降趋势
· 连续 3 点中有 2 点在二倍标准差控制界限以外且它们在中心线的同一侧
· 连续 3 点中有 2 点在二倍标准差控制界限以外且 3 点都在中心线的同一侧
图 8. 1 列出了一些类似的检验
1 点落在控制界限以外 连续 7 点在中心线的同一侧
连续 7 点呈上升趋势 连续 7 点呈下降趋势
连续 3 点中有 2 点在二倍标 连续 4 点中有 3 点在一准差控制界限以外且它们在 倍标准差控制界限
图 8. 1 非随机情况的检验
我们还可以通过查找控制图上流程的个数来寻找非随机现象。一个流程就是一组在中 心线同侧的点。如果流程比较少的话，就表明波动性比较小，而且也往往暗示着分层结构的 存在。表 8. 1 中的数据可以帮助我们来验证流程的数目是否足够多。当流程数目小于或等于表中所列出的数字时，过程就是非随机的。
表 8. 1
1.82 循环
在控制图中，当总体产出的波动性增加时往往会表现出循环的现象。控制图中的循环 是指那些随时间变化并且影响过程的因素。如果能确定造成循环的诱因，我们就能够准确地 找出哪一部分的循环能够生产出最好的产品。于是我们就可以通过控制这部分循环的诱因来 使产出稳定在这一水平上。图 8. 2 列示了一张控制图上的一些循环。
图 8. 2 控制图中的循环
2.83 趋势
和循环类似，趋势表示的也是一些经常变化的因素。某些解决方法在控制图上也表现 为趋势的形式。如果一种趋势不能够用常规方法来检验是否被控制，我们可以采用像工具磨 损控制图中那样的带有倾向性的控制界限来平衡这个因素。图 8. 3 是一个包含有趋势的控制图。
图 8. 3 控制图中的趋势 3.84 混合
当两个或更多个过程被合在一起分析时，控制图中就往往会表现出混合形式。一张绘 制有两台机器总产出的控制图就是一个例子。在一张绘有两台不同过程机器的图中，它的中 心化可能会表现为中心线上下都存在一些点，但是这些点往往并不很靠近中心线。图 8. 4 就是一张关于混合数据的控制图。
图 8. 4 混合数据的控制图
直方图也能表现出混合。如果存在两个过程，那么直方图的形状通常表现为双峰或是 多峰的。
如果怀疑数据是混合的，我们可以将一个个点单独画下来，注意不要在它们之间连线。 这样做可以帮助我们判断图中是否存在有分层结构。一旦发现了混合数据，我们就需要绘制 单独过程的控制图，它还可以帮助我们来确定混合的诱因。
4.85 分层
如同混合数据一样，分层数据也是两个或更多个过程被一同研究且产生相同的图案模 式时所表现出来的。但是，分层数据的点更倾向于紧靠中心线。这种情况的发生往往是由于 样本的选取方式，第一个样本的第一个点来自第一台机器，然后第二个点来自第二台机器， 第三个点又回到第一台机器，以此类推；而第二个样本的第一个点来自第二台机器，然后第 二个点来自第一台机器，第三个点又回到第二台机器，以此类推。在这样的情况下，每个点 代表的都是两台机器，每一点上都将得到来自同一机器的两个数据。结果就变成图 8.5 中显示的图案模式了。
图 8. 5 分层数据的控制图
分层数据和混合数据一样可以在直方图中表现出来。同时在控制图中画不连线的点也 能清楚地看到分层现象。
5.86 移位
移位过程也能表现出很特殊的图案模式。移位事实上是图案模式的一种突然变化，例 如一个突然的下降或是上跳，造成这种现象的原因往往是由于操作员的变换或是一种新方法 的采用。例如，如果第一个操作员以固定的水平操作机器，而它的继任者以更高的水平操作 机器，你就会在图上看到图案模式的均值有一个明显的移位。由于不同的操作员的操作水平 不尽相同，图案的模式也经常会发生不同程度的反复变化。图 8. 6 显示了一个发生移位的过程。
图 8. 6 过程移位
6.87 不稳定性
控制图中不自然的大规模波动被我们称为不稳定性。此时节点可能会超越中心线两边 的界限。过度拟合的仪器，多种材料的混合以及不同的测量器具都会导致过程的不稳定性。 它甚至还可以是多个变量作用于同一特性的结果。
图 8. 7 不稳定的过程 7.88 聚束
聚束表现为当一组样本中的一些数据点很接近时，它们的读数也很接近。图 8. 8 显示了聚束的情况。这样的图案模式往往代表着引起变异的原因有了突然变化。例如换了另一
个 人来获取读数，或是分布发生了暂时的移位，甚至可能是更换了一种新的测量器具。
图 8. 8 过程的聚束 .89 反常现象
由于反常现象的发生往往是无规律的，所以它也是最难消除的。我们将反常现象定义 为发生了这样的情况：一个点到达了控制界限以外，然后接下来的点又恢复正常重新回到了 控制界限以内。图 8. 9 显示了这样的情况。
图 8. 9 控制图的反常现象
在很短的时间内反常现象至多发生一次，而用仅有的一个失控样本我们是无法进行数 据分析的。尽管在特定的情况下，尤其是当反常点距离控制界限很近的时候，我们可以忽略 个别的反常点。但反常点的存在确实表明了过程中是存在着问题的。因而可以这样说，在你 忽略反常点的同时你也忽略了过程的变化。
反常现象的发生可以是由任何原因造成的，而最为常见的就是测量过程中的误差。其 他的一些原因包括不完善的运作，类似电力过猛或是断电这样的设备问题以及操作上产生的 偶然损坏。一种寻找反常现象原因的方法就是在每一事件发生的时刻作出记录并且随时间的 推移不断进行比较。
当你分析控制图中的图案模式时，你会发现反常点也会显示在极差和均值图中。这时我 们应该先看极差图，在极差图中可以消除的图案模式往往在均值图中也可以被消除。