「不良品」和「缺陷」到底有什么区别？——为什么 np 图和 c 图不能互相替代
一、一批货的麻烦：1 件还是 8 处？
某镀膜车间的巡检记录上出现了这样一行：
抽检 10 片，其中 3 片有划伤，合计 14 处划伤、9 个针孔，判为不良 3 片。
质量经理看记录时愣了一下：这批货到底算"3 个不良"，还是算"23 个缺陷"？两个数差着近 8 倍，控制图画出来完全不是一回事。更麻烦的是，检验员上个月记"不良数"，这个月记"缺陷数"，趋势图直接断了。
问题的根子不在记录习惯，而在一句被广泛接受、其实不成立的话——"不良就是缺陷"。
它们计数的对象根本不是同一个东西：一个是"件"，一个是"项"。这就是 SPC 里为什么必须同时存在 np 图（不良数图）和 c 图（缺陷数图）。本文把这个区分讲透，并给出选图的判据。
二、计数对象：件和项
| 不良品（defective、不合格品） | 缺陷（defect、不合格项） | |
|---|---|---|
| 计数对象 | 件（一个产品单元） | 项（一处不符合） |
| 计数方式 | 一件要么合格要么不合格，非此即彼 | 一件上可能有好几处，逐处计数 |
| 取值范围 | 不会超过样本量 n | 可以远大于 n |
| 判定口径 | 必须对整件下结论 | 只数"有几处"，往往不必对整件下结论 |
| 统计模型 | 二项分布（每件是一次成败判定） | 泊松分布（缺陷在表面或空间上随机落点） |
一句话记住：不良品是"件"的计数，缺陷是"项"的计数。 一件不良品至少包含一个缺陷，但一件有缺陷的产品未必是不良品。
三、权威定义：一片晶圆上的两种数法
美国国家标准与技术研究院（NIST）工程统计手册在讲计数型控制图时，专门用一段话拆开了这对概念，并且直说"听起来像抠字眼，但值得捋清"：
要区分 defect 和 defective，等同于区分不合格项和不合格品。拿一片晶圆来说：晶圆是"产品的一个单元"，晶圆上每颗芯片是"一个具体点位"。某片晶圆不满足至少一项规格，它就被判为不合格品；每一颗不满足规格的芯片，就成为一个缺陷。 所以一个不合格品至少包含一个缺陷。 但要指出：一片晶圆即使含有多个缺陷，也可能被判为合格——比如缺陷落在非关键位置。反过来，如果这些"不重要"的缺陷数量变得惊人地多，就有必要调查这批晶圆的生产了。
这段话里最值钱的是最后半句："含有多个缺陷但仍判合格"是真实存在的状态。 它说明——
- 只看不良数，会有一整类过程退化信号被完全隐藏
- 缺陷数是一个比不良率更靠前的指标
这一点在第四节展开。
四、为什么必须两张图，而不是二选一
① 它们回答的问题不同
- np 图 / p 图：有多少件有问题——直接对应交付质量、客户投诉率、批退风险
- c 图 / u 图：每件上平均有多少处问题——直接对应返工工时、内部损失、返修成本
一个不良品上平均挂着 7 处缺陷，企业的返工工时由这个"7"决定，而不是由"有几件不良"决定。
② 缺陷图是领先指标，不良率是滞后指标
过程刚开始恶化时，通常是缺陷先变多、不良品还没出现——缺陷先落在非关键位置，或者还在允收标准的边缘上，整件仍然判合格。等不良率开始抬头，问题已经积累到一定程度了。
所以产线上常见的情形是：c 图先报警，np 图还纹丝不动。 这个时间差就是最便宜的改善窗口。
③ 判定成本不同
- np 图要求对每件做全指标判定（尺寸、外观、功能都判完才能定"合不合格"），检验工作量大，而且判定标准的主观性会被放大
- c 图只要求"数出来有几处"，对外观类缺陷（划伤、麻点、气孔、针孔、污渍、焊点不良）更容易执行，重复性也更好
④ 分布模型不同，控制限公式就不同
np 图（二项分布） UCL = np̄ + 3√(np̄(1 − p̄))
c 图（泊松分布） UCL = c̄ + 3√c̄
五、为什么它们看起来"就是一个东西"
这是这个知识点长期被讲糊的机制性原因：质量水平好的时候，两个数确实几乎一样。
同样是"平均 8"，两种图算出来的控制上限：
| p̄ | np̄ | np 图 UCL | c 图 UCL | 相对差 |
|---|---|---|---|---|
| 0.01 | 8 | 16.44 | 16.49 | −0.3% |
| 0.05 | 8 | 16.27 | 16.49 | −1.3% |
| 0.10 | 8 | 16.05 | 16.49 | −2.6% |
| 0.20 | 8 | 15.59 | 16.49 | −5.4% |
| 0.50 | 8 | 14.00 | 16.49 | −15.1% |
质量水平越高（p 越小），两者数值越接近——因为 p 很小时，泊松分布是二项分布的极好近似。所以现场看着"就不像一个东西会有什么区别"。
但这是数值上的巧合，不是概念上的等同。判断它们是否同一个东西，看的是计数对象，不是算出来的数。
六、同一批数据，两种口径算出完全不同的数
用一个具体例子把差别摊开：
抽检 10 片，共发现 23 处缺陷（14 处划伤 + 9 个针孔），其中 3 片被判为不良品
np 图（数件） np = 3 ← 上限就是 10，不可能超过
c 图（数项，检查单位=整批） c = 23 ← 可以远大于 10
u 图（数项，检查单位=每片） u = 2.30 处/片
并且能得到一个"只有数缺陷才拿得到"的数：
平均每个不良品上的缺陷数 = 23 ÷ 3 ≈ 7.7 处
这个指标直接指向返工工时和内部损失；用不良品数永远算不出它。
七、交付物：两个问题定图
选计数型控制图，只需要问两个问题：
问题① 你数的是"件"还是"处"？
件 → p 图 或 np 图
处 → c 图 或 u 图
问题② 样本量 / 检查单位固定吗？
固定 → np 图（数件） 或 c 图（数处）
可变 → p 图（数件） 或 u 图（数处）
四张图的分工：
| 图 | 统计量 | 检查单位 | 样本量 | 典型场景 |
|---|---|---|---|---|
| p 图 | 不良率 | 件 | 可变 | 批量大小不一，按比例比较 |
| np 图 | 不良数 | 件 | 固定 | 每批抽样数恒定（每班抽 50 件） |
| c 图 | 缺陷数 | 面积 / 长度 / 批量（固定） | 固定 | 每 m² 镀层针孔数、每台整机外观缺陷 |
| u 图 | 单位缺陷数 | 面积 / 长度 / 批量（可变） | 可变 | 零件大小不一、检查面积不等 |
按特性类型选：
- 优先 np / p：尺寸超差、功能不良、装配错误、材质不符——这类是"一件一件判定"的，不存在"这件超差了 2.5 处"这种说法
- 优先 c / u：外观类（划伤、麻点、气孔、针孔、色差、脏污）、点位数（每 100 个焊点几处缺陷）、表面处理（每 m² 几处针孔）——这类特性天然"逐处可数"
最实用的做法是两个都做：缺陷数当领先指标盯过程恶化，不良品数当滞后指标盯交付风险。c 图先动、np 图未动的时候，就是最佳改善时机。
八、⚠️ 一个容易踩的术语陷阱
中文"缺陷"这个词在两个体系里含义完全不同，写文件时容易出事：
| 体系 | 术语 | 含义 |
|---|---|---|
| SPC 计数（AIAG / NIST） | defect（缺陷） | 一处不符合项，可以逐处计数 |
| ISO 9000:2015 | 不合格 nonconformity（3.6.9） | 未满足要求，范围最宽 |
| 缺陷 defect | 与预期或规定用途有关的不合格——是不合格的一个子集，特指影响产品能否按预期用途使用的那些，涉及法律责任 |
也就是说：ISO 体系里的"缺陷"比 SPC 里的"缺陷"重得多。
- 在 8D、客户投诉、法务文件里写"缺陷"，指的是"产品不能按预期用途使用"这个层次的问题
- 在 SPC 控制图里数"缺陷数"，数的是"有几处不符合项"
一个通用的判断尺子：任何一个不合格项都构成不合格，但不是每个不合格都够得上"缺陷"。 写报告时按对象选词，别把 SPC 的计数口径搬进客户沟通文件。
九、三个常见的坑
**① 用 np 图管划伤，等于把信息抹平。**1 件产品上有 8 处划伤，在 np 图里只值"1"，过程已经在恶化了，图还是平的。特性天然是逐处可数的，就该用 c 图或 u 图。
**② 一件有多个缺陷，不能重复计成多件不良。**统计不良品数时，一件产品不管有几处问题，只计 1 件。把"23 处缺陷"记成"23 件不良"，不良率立刻虚高到不可能的水平（超过 100%），后续所有判定都失效。
**③ c 图的检查单位必须统一。**每 m² 和每件的口径不能混着画在同一张图上。检查单位变了，要先换算成 u 图（单位缺陷数）再比较，否则控制限本身就没有意义。
不良品数回答"多少件有问题"，缺陷数回答"一件上有多少问题"。前者管交付风险，后者管返工成本；只看一个，等于只睁一只眼看过程。
知识编号：6.3.1
版本：v20261017
作者：卓越质量智库 卓越质量智库致力于为质量管理从业者提供系统化的专业知识、方法论与实战工具，助力企业质量能力持续提升。