在线分析仪管理中真正困难的问题，不是“分析仪有没有数据？”，而是“这个数据现在还能不能相信？”
在炼油、石化、化工装置中，在线分析仪每天都在产生大量数据。气相色谱仪、氧分析仪、水分分析仪、硫分析仪、近红外分析仪等设备的测量结果，会直接进入 DCS、先进控制 APC、优化系统甚至产品质量控制流程。判断这些数据还能不能相信，正是 SQC（Statistical Quality Control，统计质量控制）在 AMADAS（Analyzer Management and Data Acquisition System，在线分析仪管理与数据采集系统）中的核心价值。
为什么在线分析仪不能只看实时数值？
假设一台汽油辛烷值在线分析仪显示 RON = 92.3。从 DCS 的角度看，这只是一个正常的模拟量：PV 在量程范围内，没有 Bad Quality，没有仪表故障报警，通讯也完全正常。那么，这个 92.3 就一定准确吗？答案是否定的。
在线分析仪可能出现很多“设备没有报警，但是测量已经不可靠”的情况，例如：分析仪长期缓慢漂移；样品预处理系统发生变化；色谱柱性能逐渐下降；标准气体变化；光学系统污染；样品压力、温度或流量发生变化；校准模型逐渐失配；分析仪与实验室之间出现长期系统性偏差。这些问题往往不会马上产生一个明确的 Instrument Fault。
因此，对于在线分析仪而言，设备正常 ≠ 测量正确（Device OK ≠ Measurement OK）。AMADAS 必须进一步回答：这台 Analyzer 的测量性能是否仍然处于统计受控状态？SQC 就是解决这个问题的重要工具。
什么是 SQC？
SQC 全称 Statistical Quality Control。在 AMADAS 场景中，它不是一般制造业意义上的生产质量统计，而主要针对 Analytical Measurement System——分析测量系统本身。ASTM D6299 专门针对分析测量系统的持续性能监控，关注的核心包括测量系统的 Stability（稳定性）、Precision（精密度）和 Bias（偏倚）。ASTM 明确指出，这类统计质量控制方法可以持续监控分析测量系统的 Precision 和 Bias，并帮助识别测量系统需要改进的区域。该标准也明确适用于已经完成验证的在线过程分析仪。截至 2026 年 10 月，ASTM 列出的现行版本为 ASTM D6299-26a。
因此，可以把 SQC 简单理解成：通过长期的数据和统计规律，判断一台分析仪是否正在“悄悄变差”。
SQC 不是替代 Validation，而是 Validation 之后的持续监督
这一点非常重要。在 AMADAS 中，Validation 和 SQC 不是一回事。
| 环节 | 它回答的问题 |
|---|---|
| Validation（ASTM D3764） | Analyzer 和基准方法相比，性能是否满足要求？ |
| SQC（ASTM D6299） | Analyzer 在后续运行过程中，性能是否一直保持稳定？ |
ASTM D3764 专门针对在线过程分析仪性能验证，对 Analyzer 与 Primary Test Method 等参考测量结果之间的 Precision 和 Bias 进行评价；当前 ASTM 列出的有效版本为 D3764-23。因此一个比较完整的体系是：
Analyzer Commissioning → Validation → 确认 Analyzer 可以投入使用 → 正常运行 → 周期 Validation / Lab Comparison → SQC 持续统计分析 → 发现 Drift / Bias / Precision deterioration → Maintenance → 重新 Validation。
D3764 更像“准入考试”，D6299 更像“持续体检”。成熟 AMADAS 要把两者串起来。
SQC 到底分析什么数据？
最典型的数据来源有两类。
第一类：Reference / Validation Sample
例如使用标准气体或标准样品：
| 项目 | 数值 | 说明 |
|---|---|---|
| Reference | 10.00 ppm | 已知标准值 |
| Analyzer | 10.18 ppm | Analyzer 测量 |
| Deviation | +0.18 ppm | 本次误差 |
一次 +0.18 并不可怕。真正重要的是：如果最近 20 次结果分别是 +0.03、+0.05、+0.06、+0.08、+0.09、+0.11、+0.13、+0.14、+0.16、+0.18……那么虽然每一次可能都还没有达到报警限，但已经出现非常明显的 Drift——漂移趋势。
SQC 的价值，就是在人还没有明显感觉到问题之前，把这种趋势识别出来。
第二类：Analyzer 与 Laboratory 对比
例如：
| 项目 | 数值 | 说明 |
|---|---|---|
| Analyzer Sulfur | 9.6 ppm | Analyzer |
| Laboratory Sulfur | 10.0 ppm | 实验室结果 |
| Deviation | −0.4 ppm | Analyzer − Laboratory |
如果只是偶尔一次，很难说明 Analyzer 有问题。但如果连续几十组数据都是 −0.3、−0.4、−0.5、−0.4、−0.5……那么虽然重复性很好，却存在明显的 Systematic Bias——系统偏差。反过来，如果平均 Bias 接近 0，但是结果不断是 +0.1、−0.9、+0.8、−0.2、+1.1、−0.7……则更可能反映 Precision / Repeatability 出现问题。
这两种问题的维护方向完全不同。因此，SQC 不只是判断“合格 / 不合格”，它是在帮助工程师判断：到底是什么性能在恶化。
SQC 最重要的三个概念
1. Bias——偏倚
例如连续 N 次验证，用 Analyzer Value − Reference Value 得到一系列 Deviation。其平均值可以反映分析仪是否长期偏高或偏低。如果平均偏差长期明显偏向一侧，就可能存在系统性 Bias。
2. Precision——精密度
即使平均 Bias 很小，如果每次测量结果波动特别大，这台分析仪同样不可靠。因此必须观察数据的离散程度。SQC 的核心不只是“平均值对不对？”，还有“每次测量是否稳定？”
3. Stability——稳定性
一台分析仪今天可能非常准确。但真正优秀的 Analyzer，应当：今天准确，下周准确，下个月仍然准确。所以 SQC 最有价值的部分恰恰是 Time Series：把 Validation Result、Lab Comparison Result 和 Statistical Limit 按时间放在一起观察。这样就能够识别：
| 模式 | 含义 |
|---|---|
| Shift | 突然偏移 |
| Drift | 缓慢漂移 |
| Increasing Variation | 波动逐渐增大 |
| Outlier | 异常点 |
以及某些持续性的非随机模式。
一张真正有价值的 SQC 图应该是什么样？
一个 AMADAS 的 SQC 页面，不能只是普通 Trend。最基本应该包含：
| 要素 | 内容 |
|---|---|
| X 轴 | 时间 / Validation 序号 |
| Y 轴 | Analyzer 与 Reference 的差值 |
| 同时显示 | Center Line、Upper Control Limit、Lower Control Limit |
| 每个数据点保存 | Analyzer Tag、Stream、Component / Property、Analyzer Value、Reference Value、Deviation、Validation Type、Sample Time、Lab Time、Operator、Validation Result、Maintenance Event |
这样工程师点击一个异常点时，不只是看到“2026-09-18 超限”，而应该能够继续 Drill Down：当时使用什么标准样品？Analyzer 状态是什么？样品流是哪一路？谁执行了 Validation？当时有没有 Alarm？前一天有没有 Maintenance？后来采取了什么措施？
这时 SQC 就不再是一张“漂亮的统计图”。它开始变成 Analyzer Diagnostic Tool。
为什么 AMADAS 一定要自动做 SQC？
传统工厂经常是这样：实验室做完分析，把数据记录在 Excel。仪表工程师再去找 Analyzer 数据。然后手工计算偏差。再画一个趋势图。最后判断是否需要维护。整个过程涉及 DCS + Analyzer + Laboratory + Excel + 人工判断。最大的问题并不是计算困难，而是：数据分散、时间不同步、过程不可追踪，而且严重依赖个人经验。
AMADAS 应该把这套工作自动化：Analyzer Data + Validation Result + Lab Result + Maintenance Data → Automatic Matching → Statistical Calculation → SQC Chart → Abnormal Pattern Detection → Maintenance Recommendation。
这也是成熟 Analyzer Management 系统的重要价值。
SQC 与 KPI、Maintenance 结合以后，价值才真正体现出来
假设 AMADAS 发现一台 Analyzer 的 Availability 是 98%。从传统仪表管理角度看，非常不错，因为一年大部分时间设备都是“Running”。但是 SQC 显示：过去三个月 Bias 持续增加。这意味着：设备虽然在线，但数据质量正在下降。
所以 Analyzer KPI 不能只看 Availability。真正完整的 Analyzer Health 应该综合：Availability、Validation Pass Rate、Bias、Precision、Reproducibility、Problem Frequency、Maintenance Frequency、SQC Status。
| 指标 | 它回答的问题 |
|---|---|
| Availability | 仪表有没有工作 |
| SQC | 仪表工作得对不对 |
这两个概念必须同时存在。
未来 AMADAS 的 SQC 应该进一步走向预测性维护
传统系统的逻辑是等超限再报警，下一代 AMADAS 应该进一步做到趋势异常就提前预警：
| 系统 | 逻辑 |
|---|---|
| 传统系统 | 超限 → 报警 → 人员处理 |
| 下一代 AMADAS | 趋势异常 → 提前预警 → 给出可能原因 |
例如：连续几次 Bias 同方向增长，但还没有达到 Control Limit。AMADAS 可以提示 Analyzer Drift Suspected，并进一步关联：最近一次 Calibration；标气有效期；Sample Conditioning System 状态；Analyzer 内部诊断信息；温度、压力、流量；历史 Maintenance；同型号 Analyzer 历史故障。
最终系统提示的不应该只是 SQC Warning，而应该越来越接近：“Analyzer AI-101 Bias has increased continuously during the last six validation cycles. Check calibration, reference material and sample conditioning system.” 这才是真正从 Monitoring 走向 Predictive Maintenance。
SQC 其实是 AMADAS 区别于普通 SCADA 的关键
如果一个所谓的 AMADAS 只有：实时数据显示、Alarm、Trend、历史数据库和报表，它本质上仍然很接近 SCADA + Historian。真正让 AMADAS 具有专业价值的是：Validation + SQC + KPI + Maintenance。其中 SQC 是连接这几个模块的核心。
它把原来一句依赖经验的话，变成一句依赖数据的话：
| 依据 | 工程师怎么说 |
|---|---|
| 依赖经验 | “这台分析仪最近感觉不太准。” |
| 依赖数据 | “过去 10 次 Validation 显示 Bias 持续向正方向漂移，Precision 开始下降，系统已经出现统计异常，需要安排 Maintenance。” |
而工业数字化真正需要做的，就是把工程师脑子里的经验判断，逐步转变成：可计算、可追踪、可审核、可复制的工程逻辑。这也是为什么，在未来的 Analyzer Management System 中，SQC 不应该只是一个附属图表。SQC 应该是 AMADAS 的核心计算引擎之一。
因为 AMADAS 最终要解决的，并不是“有没有 Analyzer Data”，而是一个更重要的问题：Can we trust the data? 这才是在线分析仪管理真正的核心。
依据标准
| 标准 | 全称 |
|---|---|
| ASTM D6299-26a | Standard Practice for Applying Statistical Quality Assurance and Control Charting Techniques to Evaluate Analytical Measurement System Performance |
| ASTM D3764-23 | Standard Practice for Validation of the Performance of Process Stream Analyzer Systems |
标准版本以 ASTM 官网为准，本文核对日期 2026-10-07。
相关：AMADAS 在线分析仪管理系统。