判异准则有两类:

(1)点出界就判异;

(2)界内点排列不随机判异。

由于对点子的数目未加以限制，故后者的模式原则上有无穷多种，但现场能够保留下来继续使用的只有下列具有明显物理意义的几种，在控制图的判断中要注意对这些模式加以识别。

在本模式中，“接近”这个词是很模糊的，应加以界定，一般规定:在距离控制界限的1σ范围内就称为“接近”。在图13-3中出现最左侧线圈的现象表明质量特性值分布的均值μ上移;出现中间线圈的现象表明质量特性值分布的均值μ下移;出现最右侧线圈的现象表明质量特性值分布的标准差σ增大。请读者在图13-3中画出各种对应的分布即可一目了然。

点子屡屡接近控制界限(指点子落在μ±3σ以内，μ±2σ以外的区域内)

设想:连续N个点子中，至少有n个点子接近控制界限，其概率计算公式为:

表13-2中计算的内容是N= 1～7的概率计算结果。凡P≤0.01的事件都是异常事件，归纳之后总结以下判断准则:

a)连续3个点子中至少有2个点子接近控制界限(如图13-3所示);

b)连续7个点子中至少有3个点子接近控制界限;

c)连续10个点子中至少有4个点子接近控制界限。

通常只应用第一条，因为它点数少，容易判断。

出现图13-4的现象表明质量特性值分布的均值μ向出现链的这一侧偏移。现作如下说明:

(1)在控制图中心线一侧连续出现的点称为链，其中包含的点子数目称为链长。链长≥9，判异。

(2)现分析其α:

由于α ₉= 0.0038与点出界就判异准则的α= 0.0027相近，故确定9点链判异。若链长≥7判异，则α ₇= 0.0153比α= 0.0027约大6倍，偏大，不合适。

过去采用7点链判异，目前国外改为9点链判异，这主要是因为现在推行SPC一般都采用电脑进行，所有判异准则都用电脑来判断，从而整个系统的α _总增大了。不难证明:

式中，α _i为第i条判异准则的显著性水平。为了减少α _总，就需要减少每条判异准则各自的α。

间断链是指链中个别点子跳到另一侧，见图13-5。

判异准则:

(1)连续11个点，至少有10个点在一侧;

(2)连续14个点，至少有12个点在一侧;

(3)连续16个点，至少有14个点在一侧;

(4)连续20个点，至少有16个点在一侧。

根据概率计算可知，上述4条判异准则的显著性水平分别为:

由于上述4条准则的α分别大于0.01，偏大，不适合现在应用电脑推行SPC的情况，应加以改造，增加判异准则中的点子数目，使其显著性水平变小。在未加以改造之前，暂不用为宜。

出现图13-6的下降趋势表明质量特性值分布的均值μ随时间而减少。点子递增或递减的状态称为趋势。注意，如图13-6所示的下降趋势，后面的点子一定要低于或等于前面的点子，否则趋势中断，需要重新算。对于上升趋势也有相应的要求。6点趋势判异。

关于趋势的α的分析，由于

于是

从以上3个式子可见，α ₆与点出界就判异准则的α= 0.0027最为相近，故确定6点趋势判异。

点子呈周期性变化(指点子以一定的时间间隔作相同的上升或下降的重复排列)判异，如图13-7所示。

产生周期性变化的常见原因如下:

(1)操作人员疲劳;

(2)原材料的发送有问题。

消除上述周期性变化可使产品质量更加稳定。

在模式6中“中心线附近”又是个模糊词语，我们规定在中心线±1σ的范围内称为“中心线附近”。出现图13-8的现象表明质量特性值分布的标准差σ减小。注意，碰到这种情况不要高兴过早，首先需要检查下列两种可能性:

(1)是否应用了假数据，弄虚作假;

(2)是否分层不够。

以老师傅车制机螺丝为例，设老师傅与青工早晚两班倒，操作同一台机床，作控制图时两人数据混在一起未分层，即未分类。于是从数理统计知

故

现在若用σ _混(6σ _混为控制图上下控制界限的间隔距离)作控制图，恰好又碰上用老师傅的数据打点，就会出现本模式。

在排除了上述两种可能性之后，这时才能总结现场减少标准差σ的先进经验，并加以推广。

模式6的α为α ₁₅= 0.0033，也与点出界就判异准则的α= 0.0027相近。

注意事项:

(1)这种现象对初学者而言，往往认为是质量改进的结果，在实际工作还应注意分析，因为除此之外还有可能是控制图设计中的错误而导致控制界限过宽。

(2)控制图反映过程异常，应注意有坏的异常，还有可能出现好的异常。无论哪种异常，均应进行质量分析。

坏的异常出现时，应通过质量分析，找出确切的影响原因，采取措施将异常因素消除。

当确认是好的异常(如望目值质量特性的控制图中，点子过多地集中在中心线附近，说明质量数据分布的标准偏差已经减小;望大值质量特性的控制图中点子过多地接近上控制界限，甚至于超出上控制界限，说明质量数据分布的中心值向正向偏移;望小值质量特性的控制图中点子过多地接近下控制界限，甚至超出下控制界限，说明质量特性数据分布的中心值向负向偏移)时，也应通过质量分析，找出确切的影响原因，采取措施将良好的异常因素加以保持，并经生产验证后按新的典型分布重新设计控制图。