关于SPC分析中的子组大小，看这一篇足够

我们在做SPC分析的时候，需要收集数据，就会遇到一个子组大小的问题，有时候子组大小是1（单值），有时候是5或者更大的。那么子组大小我们如何确定，又如何使用呢？子组大小可以随意的吗？

一、什么是子组

子组是指在同一组条件（包括人、机、物、法、环、测）下产生的一组单元。子组代表了在过程中的一个 “片段“，所以，子组内的数据，必须在时间上相近的期间进行测量而取得。通过对比不同子组的特性变化来评估过程的稳定性。

比如：

• 对某个批次的一个取样，分别测量5次（用同一设备测试5次或者用5个设备分布测试），子组大小是5

• 对某个批次取样5个，分布测试一次，子组大小是5

• 如果每小时从生产线上抽取 5 个样品，子组大小就是 5

• 一台模切机每小时生产100个塑料零件。质量工程师每小时测量五个随机选择的零件。每五个零件的样本就是一个子组

二、子组大小=1（单值）

每次只抽取一个样本，这种情况通常适用于单值控制图（I-MR控制图），通过逐个样本的数据来监控过程的稳定性和一致性。

子组大小为 1 的情况通常出现在以下场景：

• 检测成本较高：抽取多个样本可能浪费资源，或每次检测费用较高，比如破坏性测试或成本昂贵的分析。

• 过程本身波动较小：对于一些高度自动化、精确的过程（例如高精度装配工艺），个体的波动性可以直接反映过程状态。

一般生产现场设备运行数据或者在线实时检测设备，采集的数据一般来说都是单值类型的，如固定间隔的设备温度、压力、电流，如固定检测的在线检测SKU的重量、透明度等。

三、子组大小>1

每次采集多个样本，这种方式更适合用于检测和区分过程的随机变异和系统变异。在子组大小大于 1 的场景中，常见的控制图类型是Xbar-R 图（均值-极差图）和Xbar-S 图（均值-标准差图），适用于过程波动的监控和分析。

子组大小 > 1 的应用场景

• 批量生产：在一些制造或装配工序中，每小时或每批次产出大量产品，采集一个包含多个样本的子组可以更准确地反映过程的整体波动。

• 过程波动分析：当需要识别系统性问题时，多个样本可以区分出过程的特殊原因变异（可控制的异常）和普通原因变异（随机波动）。

• 频繁检测：在自动化程度较高的生产环境中，检测设备能够快速采集多个样本，以便于实时监控和调整工艺。例如，在电子元件生产线上，机器可以每隔几分钟自动抽取 5 个样本进行测量。

• 成本较低的检测：当检测费用相对较低时，可以更频繁地采集多个样本以增加分析的准确性。例如，质量检测成本不高的组装件，可以每次抽取 4-5 个样本来判断工艺稳定性。

• 过程稳定性和能力评估：多个样本的子组有助于更准确地计算过程能力指数（如 Cp、Cpk），使得对过程是否在控制范围内和是否满足规范范围的判断更可靠。

一般子组大小用什么？

常见的子组大小为 3 到 5 个样本。例如：

• 子组大小为 4 或 5：适用于批量或连续生产，平衡了检测成本和数据准确性。

• 子组大小为 10 及以上：用于更严格的质量控制场景，例如航空航天或医疗设备行业的关键部件制造。

更大的子组大小？

当子组大小进一步增大，例如达到 20 或 50 时，虽然可以获得更为详细的数据，但也会带来一些问题。子组大小太大可能导致以下几方面的问题：

1. 灵敏度降低

平滑效果过强：当子组大小太大时，子组的均值会变得过于平滑，掩盖掉一些过程中的小幅变化。这会导致较小的异常难以检测，降低了控制图的敏感性。

异常检测滞后：较大的子组需要积累更多数据，因此在出现异常情况时，图上反映的响应速度较慢，可能错过及时纠正过程的机会。

2. 检测成本增加

采集和检测大子组会消耗更多的原材料和检测成本，尤其在检测费用较高的行业中（如生物医药、精密仪器制造），可能带来较大的经济压力。处理大样本量可能需要更长时间和更多人力，这在需要频繁检测的生产线上尤为不便，可能影响生产效率。

3. 影响统计性质

子组内一致性假设失效：SPC 假设每个子组内的数据代表相同条件下的样本，然而，子组越大，子组内的样本可能覆盖更长时间或更多批次，导致条件变异增大，违背了 SPC 的假设。大子组会导致控制图的控制限变窄，这会让过程看起来比实际更稳定，掩盖潜在的异常。

通常来说，子组大小为 3~5 是最常用且推荐的，因为它们能够平衡灵敏度、检测成本和数据复杂性。当子组需要更大时（例如超过 10 个），可以考虑分组采样或多阶段控制图的方式，以提高控制图的检测效果和灵敏度。

因此，子组大小过大一般会削弱 SPC 的控制效果，且成本与管理压力显著增加，通常并不推荐。