预控制（亦称为彩虹图），应用交通灯的原理，有时可以取代SPC用于生产车间里的流程控制。一直以来，关于预控制取代SPC的争论从来没有结束过，至今这些争论仍然在六西格玛专家和全世界的统计学家之间进行着。对这一说法持支持态度的关键人物有Shainin DOE的发起人——Keki R. Bhote和 Adi K. Bhote[1]，他们认为：“在SPC世界里所展示的、仍广泛应用于西方的控制图已经过时了。这种控制图复杂、费时费力、统计意义差。而预控制正是控制图的一个替代，它简单、有效，统计能力也比控制图要强得多。”

但是，这个观点却遭到了知名的统计学家Douglas C. Montgomery[2]的反对。“虽然预控制有简单这个优势，但是它不能支持不同的操作，在流程上有严重的缺陷。首先，...控制图中所包含的流程诊断信息，在这里丢失了。第二，...样本数小严重降低了对偏移的检测，哪怕是中等到大的偏移。第三，预控制没有提供能够帮助我们使流程得到控制或者减少变动的信息。”对此，你可以有自己的观点，也可以加入争论，但本文并不打算评论谁好或者谁更好，而是要展示车间里流程控制的一个替代解决方案。

预控制是一种用于监控偏移或流程中可能造成不合格品的干扰的技术。这种技术和统计流程控制不同。在统计流程控制中，有传统的控制图来检测流程参数的偏移。从统计意义上来说，这些参数非常重要，而预控制则不需要图像定位，也不需要计算。

让我们假设变量 (Variable) SPC的控制界限是+/-3，图1中依次列出红色、黄色、绿色的预控制区域。

图1与控制交通灯区域划分

每次取两个样本,判断失控的规则列举在表1中。

    表1：变量与控制判断规则

假设研究的样本总体符合正态分布，任一位于红色区域内的样本的α值与SPC中相同，即0.27%。基于正态分布的特性，任一点超出1.5个西格玛的概率是13.4%，有两个样本量在黄色区域的概率是1.80%（13.4 x 13.4%），因此整个α值就是2.07%。我们能接受这个α值吗？或者我们能接受平均每运转48次就出现一次错误吗？事实是这个α值和SPC中所得到的值差异并不大。如果我们应用8条标准规则，SPC中α值约为2.16%。

在属性 (attribute) SPC 中应用的是相同的方法，以P控制图转化为例，控制界限的计算如下：

http://www.1mfg.com/1mfg/filelib-files/200912/227/412//%E6%9D%82%E5%BF%97/%E7%AC%AC%E4%BA%94%E6%9C%9F/%E9%A2%84%E6%8E%A7%E5%9B%BE/%E5%9B%BE%E7%89%873-1mfg.com-35250.png简单的SPC方法" TITLE="预控制图（彩虹图） 简单的SPC方法" />

在  和3之间划出上下限，如图1中所分别划定的红色、黄色、和绿色区域，然后建立定位预控制图。

然而，由于属性数据的样本中包含产量的整体数，因此判断规则可能会有些不同，表2中列举了判断规则。

对于属性预控制图的α值也有类似的讨论，因为我们用+/- 3作为预控制图的上下限，因此α值为2.07%，这和变量控制图一样。

图2 常规的定位预控制彩虹图

图2展示了车间里用于定位预控制的常规手工图。如果你想要同时监管几台机器或者几条产线，将预控制方法电算化是最为推荐的。图3中演示了一个电脑屏幕上所展示的图像。

附图3 属性预控制图电算化

总而言之，以上讨论表明在车间应用预控制进行流程控制的优势不容否认，而预控制图中无趋势判断部分的缺陷也是可以通过在彩虹图中依次标定预控制变量的两个样本（或是属性预控制的1个点）来弥补的。但是，颜色控制易于被产线操作人员理解和执行，这对于成功地将预控制应用于流程控制至关重要。

参考

1.Keki R. Bhote and Adi K. Bhote (2000), “World Class Quality, Using Design of Experiments to Make It Happen”,《世界顶尖质量，利用实验设计来达成目标》，AMACOM, 第6页。

2.Douglas C. Montgomery （2005年，第五版），“Introduction to Statistical Quality Control”《统计质量控制介绍》, John Wiley & Sons, Inc., 第476—474页。