CPK很高现场却不稳？从抽样、分层到控制图的排查指南

做质量的兄弟应该都遇到过这种尴尬事：产线上某个尺寸的CPK报告漂亮得很，1.67甚至2.0以上，老板看了点头，客户PPAP审核也顺利通过，结果现场不良率一点没降，客诉该来还是来，甚至越做越乱。我之前在一个汽车零部件供应商做过程审核时就碰到过一模一样的局面，技术员拿着CPK 1.67的报告问我"这指标都这么高了，为什么现场还是不稳？"

这个问题问得非常好，它其实是很多质量工程师从"会算"走向"会分析"的一道分水岭。CPK不是算出来就完事的，它背后藏着抽样、分组、稳态、混合分布这一整套逻辑。如果你只是按计算器把数字折腾出来，那它就是个数字；只有把这些底层逻辑吃透，你才真正看懂了这个指标。今天我就把这几年在现场踩过的坑、查过的原因、用过的排查方法完整梳理一遍，希望能帮到正在被这个问题折磨的朋友。

1. 先弄明白CPK到底在衡量什么

1.1 CPK公式里的"σ"是哪个σ，这才是问题的命门

先看公式。Cpk的计算是取两个值中的较小者：

Cpk = min(USL - x̄, x̄ - LSL) / 3σ

USL是上规格限，LSL是下规格限，x̄是样本均值，σ是过程标准差。这个公式看起来简单，但90%的误解都出在那个σ上。大多数软件（比如Minitab、JMP）默认计算CPK时用的σ是组内标准差，也叫within-subgroup标准差，它只反映了你分组的那个"小窗口"里的波动，比如同一小时内、同一批料、同一台设备连续取的5件产品之间的波动。

这就麻烦了。组内σ小，CPK自然就高，但现场的整体波动可能比这个大得多。举个最直白的例子：两个操作员，一个上午状态好，一个下午状态差，或者一台设备上午温度稳，下午温度漂了，你如果按每小时采样一次、每次5件，那每个小时内数据可能确实很稳定，组内σ算出来很小，CPK能给你算出个1.67来。但实际上从早上到下午，均值可能已经平移了半个公差带，装出来不是松就是紧，现场当然不稳。

所以第一个要记住的认知是：CPK衡量的是"在你采样的那个局部时间段内，过程相对规格限有多么集中"，它并不是对整个过程长期稳定性的总评分。你采样的"局部"越窄、越集中，CPK就越容易虚高。

1.2 CPK能成立，靠的是三个隐藏前提

CPK不是在任何情况下都能直接解读的，它的有效性依赖三个前提条件。第一个前提是过程处于统计受控状态，也就是没有特殊原因变异，没有趋势、没有周期波动、没有突然的跳变。这得靠控制图来判断，不是说"看起来还行"就行。第二个前提是数据近似正态分布，如果数据本身就是偏态的、多峰的，CPK这个指标从数学基础上就失真了。第三个前提是测量系统可靠，如果量具分辨率不够，或者不同人测量手法不一致，你测出来的数据本身就是噪声。

这三个前提哪怕只坏掉一个，CPK就算算出来是2.0，也不等于你的过程真的有那个能力。用句糙理不糙的话讲：CPK像一张驾照，考过了只能说明你在某个特定考试环境下有基础驾驶能力，不代表你在暴雨天的复杂路况上一定不会翻车。

2. 数据收集阶段的"假高"，比想象中普遍得多

2.1 抽样方式本身就是最大的猫腻

我见过太多团队在做初始过程能力研究时，抽样方案是"精心安排"的。比如专门等技术员把设备参数调顺了、连续生产二十个产品确认稳定了，才从中间挑那么几个出来做CPK。这种数据本质上是"最好状态下的快照"，它告诉你的是"这台设备在理想状态下能有多好"，而不是"量产时这台设备实际有多稳"。

PPAP阶段的数据尤其容易出这种问题。提交给客户的CPK普遍要求大于1.33或1.67，为了达标，很多公司会在大批量生产之前先"试制"一批，再从试制件里挑数据。这种CPK对量产几乎没有预测价值。更夸张的还有直接改数据、删异常值的，虽然嘴上不承认，但excel里"筛选删除"一下，CPK立刻变好看，这种操作在行业里并不少见。

正确的做法是：抽样必须覆盖正常生产时的所有波动来源，包括班次变化、原材料批次变化、设备参数微调、操作员轮换。抽样要随机，要有时间跨度，最好连续采集至少25个子组，每个子组5件，覆盖整整几天甚至一两周的生产。只有这样的数据算出来的CPK才勉强能代表过程的真实表现。

2.2 子组分组方式直接影响σ的大小

同样的50个数据，分组方式不同，算出来的CPK能差出一大截。举个例子：假设你一天随机抽了50个产品，如果按时间顺序每5个一组分成10组，组内σ反映的是每个短时间段内的短时波动，CPK算出来可能还行。但如果你把这50个数据当成一组，或者按班次分两组，组内σ就会变大，因为均值漂移被算进了组内波动，CPK自然就下来了。

这里有个很多培训课程没讲透的点：子组的构建方式应该基于你对过程变异来源的判断。如果过程的主要变异来自批次之间，子组应该跨批次；如果主要变异来自设备漂移，子组应该用更短的时间间隔来捕捉，同时用I-MR控制图去监控均值的变化。你分组分得不合理，等于在源头上就把"过程不稳"这个信号给过滤掉了，后面算什么都白搭。

2.3 数据质量与规格限："美化"过的数据毫无意义

除了抽样和分组，数据本身的质量也容易出问题。最典型的是数据修约：量具精度只有0.1mm，你偏要把测量值写成0.001mm精度的数，看起来数据很饱满，实际上那里面的有效信息根本没那么多，组内σ被严重低估。还有一种情况是把边缘数据人为"纠正"，比如一个产品量出来超差了，线长说"这个肯定是量错了，重测一下"，重测三次挑一个合格的记录下来。这种操作一次两次还好，次数多了，你的数据库里全是"修正后"的完美数据，CPK不虚高才怪。

规格限的问题也值得单独说说。有的项目设计规格明明是±0.05mm，但因为供应商能力不足，内部标准悄悄改成了±0.08mm，或者通过"内部工程变更"放宽了公差，CPK自然就上去了。可客户端的装配要求没变，你放宽规格意味着把不合格品也放进合格品里了，现场装不上、投诉自然就来了。所以看到CPK变高，先别高兴，先确认规格限有没有被人动过手脚。

3. 稳态性与混合分布：现场不稳的两大隐形杀手

3.1 过程根本不稳态，CPK就是沙滩上的城堡

很多朋友对"受控"这个概念理解不深，总觉得控制图是SPC教学里的一个形式化工具，实际用得很少。但CPK的计算和解读，本质上都建立在过程受控的基础上。如果过程处于非稳态，比如均值在缓慢爬升、周期性波动、或者时不时来一个突然的跳变，那么CPK就会成为过程历史平均表现的一种"错觉总结"。

我举一个非常常见的注塑案例。某个产品的关键尺寸，模具温度在开机后的前两个小时从80度缓慢升到95度，之后趋于稳定。如果取样只取开机两小时之后的数据，过程看似很稳，CPK算出来1.67。但如果从开机就开始取样，你会发现前两个小时的尺寸均值比后面低了0.02mm，把所有数据放到一张控制图上，I-MR图里均值点明显有上升趋势，R图也会出现失控点。这种过程如果用CPK来评价，你会被它骗得很惨，因为你只截取了过程中最安静的那一段。

正确思路是：先做控制图，判断过程是否受控，再决定能不能用CPK来评价。如果过程失控，第一件事是找特殊原因、消除它，而不是急急忙忙去算CPK。哪怕过程受控了，也要看受控的时间跨度是否足够覆盖所有正常变异来源。有时候过程今天是受控的，明天换了个原材料批次，又失控了，这并不罕见。

3.2 混合分布：多台设备、多腔模具合并算CPK的经典陷阱

这个坑我估计踩过的人不在少数。很多公司算CPK时，喜欢把同一台设备一天生产的所有数据、或者两台并行设备的数据、或者一套模具8个模穴的数据全部合并在一起算一个CPK。表面上看，合并后均值在中心，数据量也大，CPK算出来可能在1.33以上，挺好看。但实际上，这套操作藏着巨大的风险。

举个例子：一套模具8个模穴，各模穴独立成型。其中穴1到穴4的均值在公差中心，穴5到穴8的均值偏向公差带下缘0.02mm。每个穴自己看，波动很小，过程很稳。但把8个穴的数据合并在一起，整体数据会呈现出一种"假正态"——均值和标准差看着都不差，CPK还算不错。可实际上你的产品已经分成了两个群体，穴1到穴4是一种状态，穴5到穴8是另一种状态。到了客户端，如果这些特征与配合件有关，一会儿紧一会儿松，装配不良率就会居高不下。

遇到这种情况，用控制图能看得很清楚：Xbar图里点子分层，或者R图连续偏大，再看直方图，往往能看出双峰或者多峰的迹象。但这些迹象在合并数据的CPK数字上完全体现不出来。所以碰到多腔模具、多机台并列、多供应商来料混用的场景，一定要先分层分析，按模穴、按设备、按料批拆开看，再决定要不要合并。各层分别算CPK，才能真正看出哪一层在拖后腿。

3.3 Cpk和Ppk的差值就是"现场不稳"的体温计

这里必须把另一个指标请出来：Ppk，也就是过程性能指数。Ppk和Cpk的差别在于，Ppk用的标准差是整体标准差（overall standard deviation），它包含了组间漂移和组内波动，反映的是过程长期的实际表现。Cpk用的是组内标准差，反映的是短期能力。这两个指标一对比，很多问题就暴露了。

如果Cpk=1.67而Ppk只有0.9，说明什么？说明短期内过程波动不大，但长期来看均值不稳定，或者在子组之间有显著的漂移。换句话说，设备本身精度可能没问题，但过程稳定性有大问题。这时候如果你只看Cpk，你会觉得过程能力很好；但如果两个指标放一起看，你立刻就知道现场为什么不稳了。

我个人的习惯是：在心能力研究中同时报告Cpk和Ppk，而且特别看重两者之间的比值。如果Ppk和Cpk的差距超过30%，基本可以断定过程存在显著的组间变异。接下来要做的不是争论"到底用哪个指标"，而是去找到组间变异的来源——是换班造成的，还是批次差异，还是环境温湿度的影响。找到根源，把这个变异源消除或控制住，Ppk才能慢慢往Cpk靠拢，那时候现场才真正稳了。

4. 当CPK高而现场不稳，按这个顺序排查

4.1 第一步：先查数据，这一步几乎能排除一半问题

我遇到CPK高但现场不稳的案例，第一件事永远是查数据收集过程。抽样记录还在吗？是谁取的样？在什么时间取的？取的是首件、巡检件还是完工件？用了几天？数据有没有被清理过？如果数据收集本身有偏，后面所有的分析都是在错误的地基上盖楼。

具体操作上，我建议把原始数据要过来，自己亲手重算一遍CPK和Ppk，顺便画两张图：直方图和I-MR控制图。重算的目的不是怀疑同事造假，而是验证一下有没有计算错误、有没有漏掉异常值、有没有把数据分组搞错。直方图看分布形状，是不是偏态、双峰、平顶；控制图看是否受控，有没有超出控制限、连续上升下降、周期性波动。这两张图信息量极大，比看CPK那个数字管用十倍。

4.2 第二步：做分层分析，把混合分布打回原形

如果数据本身没问题，下一步就是分层。把数据按模穴、设备、班次、操作员、料批、日期等维度拆开，分别计算均值和标准差，再画分层直方图或箱线图。这是找出"合并后假象"的最有效手段。

比如我处理过一个电机壳体的案例，尺寸CPK合并算下来有1.45，但现场总装时经常出现"配合过紧"。分层后发现，两台加工中心中A台均值偏中，CPK有1.8；B台均值偏移了0.03mm，CPK只有0.85。两台合并起来，因为A台的数据量大，硬把整体CPK拉到了1.45。找到这个原因后，把B台刀具补偿调回来，再验证数据，问题就解决了。这个过程不需要高深的统计知识，用Excel透视表就能做，关键是要有"先分层再合并"的意识。

4.3 第三步：评估测量系统，量具误差也会制造CPK幻觉

测量系统分析（MSA）在很多公司是墙上的摆设，但测量系统对CPK的影响真的能大到吓人。我见过最夸张的一个例子：一个外径尺寸，量具的分辨率是0.01mm，但操作员测量时定位方法不统一，有人顶着测、有人轻轻搭着测，两个人测同一样品能差出0.05mm。这种测量误差进入到数据里，有时候会掩盖真实的过程问题，有时候又会被误当成过程波动。

尤其要警惕的是量具分辨力不足的情况。如果公差带是±0.1mm，量具分辨率只有0.1mm，那你测得的数据基本就是一个个阶梯值，算出来的组内σ会被严重低估，CPK虚高。反过来，如果量具本身就飘，不同人测量差异比过程波动还大，那控制图和CPK都会失去意义。所以在怀疑CPK不真实之前，先确认一下GR&R有没有做、结果合不合格、量具精度跟公差带配不配。

4.4 第四步：回到控制图，看"失控"到底是哪种失控

最后一步是把整个时间序列拉出来看，别只看计算用的子组，最好能看到一整段时间的生产记录。控制图失控有很多种形态，代表着不同的原因。连续多个点在均值一侧，说明存在系统性偏移；点子在控制限内锯齿状频繁波动，说明可能存在过度调整或测量系统问题；点子呈现周期性的高低起伏，说明可能存在环境因素（比如昼夜温差）或设备周期性磨损。

每种失控形态对应的解决方向完全不同。如果是有趋势，那大概率是刀具磨损、温度漂移或者材料变化；如果是周期性波动，要考虑设备保养周期、环境温湿度；如果是随机跳变，可能要查人员变动、换料、换模时间点。这个分析的意义在于：CPK高和现场不稳不矛盾，它们只是从两个角度描述了同一个现象——局部稳定、整体不稳。找到失控模式，就找到了现场不稳的具体原因。

5. 一个完整案例复盘：CPK 1.67背后的猫腻

5.1 案例背景与第一轮排查

之前服务过一家做精密注塑件的工厂，产品是某电子产品的内部结构件，关键尺寸是一个安装柱的外径，公差±0.05mm。客户那边反馈说有偶尔装配过紧、卡扣难扣上的问题，不良率大概在2%左右，虽然不算高，但客诉不断。工程部很委屈，因为他们提交给客户的初始过程能力报告上CPK是1.67，数据算了很多次，怎么都对得上，客户也承认报告没问题，但现场就是出问题。

我接手后的第一步是拉数据看原始记录。这套数据是连续三天、每天8组、每组5件，看起来抽样方案没问题。但细看之后发现，抽样时间集中在每天上午9点到11点之间，下午和夜班的样本几乎没有。问操作员才知道，下午和夜班的数据经常"漏采"，因为人手不够，巡检频次跟不上，很多样本是后来补填的。而且补填的时候，操作员会倾向于选测量值"好看"的产品来补数据。这一下就明白了：数据只覆盖了设备状态最好的时间段，而且还有人为筛选，CPK不虚高才怪。

5.2 第二轮排查与关键发现

我建议他们重新做一次为期一周的规范抽样，白班、中班、夜班都覆盖，按时随机抽样，而且数据要如实记录，包括超差的点。重新采集后，数据一画控制图就发现问题了：产品的直径均值在每天的下午三点之后开始逐渐变小，到夜间达到最低，第二天早上又恢复。这正好跟车间空调的运行时间段重合——下午三点后车间温度控制开始波动，到夜里温度偏低，注塑件收缩率发生变化，尺寸跟着漂。

更进一步的层分发现，一套模具的8个模穴中，有3个模穴的均值明显偏离整体均值0.02mm左右，单独算CPK，这3个模穴只有0.7左右，另外5个模穴有1.5以上。合并算出来的1.67，实际上是"数据筛选+时间段截取+混合分布"三重因素叠加出来的幻觉。车间里的真实过程，一部分模穴早就能力不足了。

5.3 整改与结果

后来针对这个案子做了三件事。第一，重新梳理抽样计划，要求覆盖全天所有班次，并由质量部独立抽检，不依赖产线报数。第二，对8个模穴分别建立控制图，发现那3个模穴的冷却水道有轻微堵塞，导致模温偏高，修模后模穴之间的差异明显缩小。第三，评估了车间环境温湿度对收缩率的影响，增加了模温机的闭环控制。整改后重新算Ppk，从原来的0.8左右提升到了1.2以上，再也没收到这类客诉。

这个案例最让我感慨的是：整个过程中CPK 1.67从头到尾都没有"算错"，但它就是不反映现场真实状态。数据来源有偏，过程又存在混合分布，任何统计指标都救不了这种数据。

6. 常见问题速查表与个人心得

6.1 问题、原因与验证方法速查

这张表我每次给团队做培训都会贴出来，基本上80%的"CPK高但现场不稳"都能在表里找到对应的排查方向。但要注意，这张表只是起点，真正的原因往往藏在细节里，需要到现场去蹲点、去看操作员怎么干活、去翻设备的点检记录，才能最终确认。

6.2 几点肺腑之言

写了这么多，最后说点我的个人体会。做质量的人最容易犯的毛病就是盯着指数做质量管理，觉得CPK到1.67就万事大吉了。但做了这些年，我越来越觉得指数只是用来沟通和监控的工具，它不是过程本身。过程稳不稳，要看控制图、看现场、看产品在实际使用中的表现，而不是看一个孤零零的数字。

如果你正在被"CPK高但现场不稳"这个问题困扰，我建议你先冷静下来，别急着改计算公式，也别急着换软件，先把数据来龙去脉查清楚。数据是怎么收集的、覆盖了哪些变异源、有没有被筛选、分组合不合理、过程是不是稳态、数据是单峰还是多峰、测量系统是不是可靠——这些问题查清楚，答案基本就浮出水面了。

数据完整性比数据好看重要得多，现场稳定比报告漂亮重要得多。跟大家共勉。