属性数据(合格/不合格、通/不通、有/无缺陷)照样能算能力,路子是这样的:
一句话:Cpk_等效 = Z_(1−p) / 3。
这么做的目的不是为了凑数字,而是让属性特性和计量特性能摆在同一张报表上比较——不然客户看一列 Cpk、一列百分比,根本没法排优先级。
但这条路有个特别硬的门槛:样本量。 后面会算给你看,想用属性数据证明 Cpk ≥ 1.33,零缺陷的情况下也得抽将近十万件。这才是属性能力真正的难处。
计量数据算能力,靠的是分布宽度和规格限的比值。属性数据没有分布宽度——一个零件要么好要么坏,没有"多好"这一说。
ISO 22514-5 的思路是绕过分布,直接从结果反推:既然计量特性的 Cpk 最终也是为了预测超差比例,那我干脆拿实测的超差比例,倒着推回去一个"等价的 Cpk"。
对照关系记住这几个锚点就够用:
| 等效 Cpk | Z 值 | 单侧不合格率 | 折合 ppm |
|---|---|---|---|
| 0.67 | 2.0 | 2.28 % | 22750 |
| 1.00 | 3.0 | 0.135 % | 1350 |
| 1.33 | 4.0 | 0.00317 % | 31.7 |
| 1.67 | 5.0 | 0.0000287 % | 0.287 |
| 2.00 | 6.0 | 极小 | 0.00099 |
看这张表要注意一件事:Cpk 从 1.00 走到 1.33,看着只涨了 0.33,实际不合格率要从 1350 ppm 干到 32 ppm,降 42 倍。 属性能力的每一小步,背后都是数量级的改善。这也是为啥属性工序的能力提升项目周期长、见效慢。
这两个概念混了,算出来的东西就没意义:
$$DPU = \frac{\text{缺陷总数}}{\text{单位总数}} \qquad DPMO = \frac{\text{缺陷总数}}{\text{单位数} \times \text{每单位机会数}} \times 10^6$$
焊接、装配、涂装这类多机会工序,用 DPMO 才讲得清道理。你拿 p̄ 去评一个有 42 个焊点的总成,等于把 42 个独立机会压成一个是非题,信息全丢了。

老规矩:过程不稳,能力无意义。 属性数据的稳定性判断用 p 图(子组量不等时用变宽控制限)或 u 图。
实践中有个特别常见的坑:属性工序的 p 值本来就小,很多子组的不合格数是 0,画出来的 p 图一堆点趴在 0 上,看着"特别稳"。这不是稳,这是子组量太小、根本没有分辨力。 判据很简单:子组量 n 要保证 n·p̄ ≥ 1(严一点要 ≥5),否则这张 p 图基本不干活。
咱那个检漏工序,p̄ = 0.0015,要让 n·p̄ ≥ 5,子组量得 n ≥ 3333。所以属性 SPC 的子组通常是"一个班次"或"一个批",不是"5 件"。
六西格玛体系里习惯给 Z 值加 1.5,把"长期 Z"换算成"短期 Z"(所谓 4.5σ 长期 ≡ 6σ 短期)。这是一个行业约定俗成的经验修正,不是 ISO 22514 系列的强制要求。 你要用可以,但必须在报告里写明"已采用 1.5σ 偏移,短期 Z = 长期 Z + 1.5"。不写清楚,两家厂的 sigma 水平就没法比。
案例 A:检漏工序(不合格品率路线)
活儿是新能源电池包的水冷板,氦检漏,结果只有"合格/泄漏"两种。取连续三个月的数据:
| 月份 | 检验数 | 泄漏数 | 当月 p (ppm) |
|---|---|---|---|
| 4 月 | 3850 | 6 | 1558 |
| 5 月 | 4120 | 5 | 1214 |
| 6 月 | 4030 | 7 | 1737 |
| 合计 | 12000 | 18 | 1500 |
第一步:判稳。 三个月的 p 分别是 1558 / 1214 / 1737 ppm,画 p 图,控制限按 p̄ ± 3√(p̄(1−p̄)/n) 算,以 n=4000 计:
UCL = 0.0015 + 3×√(0.0015×0.9985/4000) = 0.0015 + 3×0.000612 = 0.00334(3340 ppm) LCL = 0.0015 − 0.001836 < 0,取 0
三个点全在限内,无链无趋势,判为稳态,可以往下算能力。
第二步:算 p̄。
p̄ = 18 / 12000 = 0.0015 = 1500 ppm
第三步:反查 Z。
需要满足 Φ(Z) = 1 − 0.0015 = 0.9985。查标准正态表:Φ(2.96)=0.99846,Φ(2.97)=0.99851,插值得
Z = 2.968
第四步:算等效能力。
Cpk_等效 = 2.968 / 3 = 0.99
第五步:算个置信区间,看看这个 0.99 有多"实"。
p̂ 的标准误:SE = √(0.0015 × 0.9985 / 12000) = √(1.2481×10⁻⁷) = 0.0003533
95% 区间:0.0015 ± 1.96×0.0003533 = 0.000808 ~ 0.002192,即 808 ~ 2192 ppm
换算成等效 Cpk:0.95 ~ 1.05
一万两千件的数据,等效 Cpk 的 95% 区间还有 ±0.05 的宽度。 这个感受很重要——属性数据天生"信息密度低",同样的精度,它要的样本量比计量数据大一两个数量级。
第六步:客户要 1.33,得干到什么份上?
查表,Cpk = 1.33 对应 31.7 ppm。从 1500 干到 32,要降 47 倍。
更扎心的是验证成本。假设我们真的改到了 32 ppm,怎么证明?用"三法则":连续抽 n 件零缺陷时,p 的 95% 置信上限约等于 3/n。要让这个上限压到 31.7 ppm:
n = 3 / 0.0000317 = 94,637 件
近十万件、一件不漏,才够证明 Cpk ≥ 1.33。 所以对这类工序,我给客户的方案从来不是"我们保证 Cpk 1.33",而是"我们把 ppm 目标定在 200,同时上 100% 在线检漏 + 防错,用探测度补能力"。这才是能落地的话。
案例 B:焊接总成(缺陷数路线)
一个电控总成上有 42 个焊点,抽检 800 台,共发现 27 个不良焊点。
DPU = 27 / 800 = 0.03375(平均每台 0.034 个不良焊点) DPMO = 27 / (800 × 42) × 10⁶ = 27 / 33600 × 10⁶ = 803.6
反查:1 − 0.0008036 = 0.9991964 → Z = 3.155 → Cpk_等效 = 1.05
要是按每台整机算不合格品率呢?800 台里有 24 台出现过不良焊点(有 3 台各含 2 个),p̄ = 24/800 = 3.0%,Z = 1.881,Cpk_等效 = 0.63。
同一批数据,一个 1.05,一个 0.63。 哪个对?都对,但说的是两件事:1.05 说的是"每个焊点的工艺水平",0.63 说的是"整机一次交检合格水平"。报告里必须写清楚分母是什么。 这是属性能力最容易吵架的地方。

属性数据能算能力,但算出来的那个数字要配着样本量、置信区间和分母定义一起读,否则很容易变成一个自欺欺人的装饰。真正的价值在于:它让通止规、检漏、目视这些"没有读数"的工序,也能进入同一套能力管理语言里排队、排优先级。
互动提问:你车间里那道全靠通止规判定的工序,最近三个月一共检了多少件、出了几件不合格?按本文的方法算一下等效 Cpk,再用三法则估一下置信上限——这两个数差多少?
如需配套互动练习、培训课件或软件试用,可搜索「东方大易」或访问大易官网 www.eastdayi.com(苏州东方大易管理咨询有限公司,电话 0512-65561989)联系客服获取。