收益：
- 能够解释控制图（X-bar/R、p、c）和过程能力指数（Cp、Cpk）
- 能够利用人工智能加速失控信号的扫描和报告（西电规则）
- 能够利用原始数据和物理过程现实来验证人工智能的统计解释
质量不是通过检验“排序”的，而是通过过程“生产”的。统计过程控制 (SPC) 的目的就是做到这一点：实时监控过程并在错误成为产品之前捕获信号。 SPC 的优势在于区分自然（常见原因）变异性和异常（特殊原因）变异性。在这一领域，人工智能加速了控制图解释、规则扫描和能力报告；但人类的工作是将统计解释与物理过程的现实相结合。在本单元中，我们将介绍控制图、Cp/Cpk 熟练指数以及人工智能在 SPC 中的适当作用。
变化的两个方面
每个过程都涉及可变性。 SPC 将这种可变性分为两部分：
- 常见原因：过程中固有的随机、可预测的波动。该过程“处于受控状态”。
- 特殊原因：外部可分配事件（刀具破损、原材料批次变更、设置偏移）。该过程“失控”。
控制图的唯一目的是将两者分开。响应常见原因波动（过度调整/“篡改”）实际上会增加变异性。戴明经典的“漏斗实验”表明了这一点：对每一个偏差进行干预都会让事情变得更糟。
提示：切勿将控制限值 (UCL/LCL) 与公差（规格）限值混淆。控制限值是过程的“声音”（根据数据计算）；公差限度是客户的“声音”（来自设计）。人工智能有时会混淆这些；明确你在每条评论中谈论的是哪一个。
控制图类型
根据数据类型选择图表。
图形
数据类型
例子
X-杆/R
连续（测量），子组
轴平均直径和间隙
X-bar/S
连续的大子群
填充重量
磁共振成像
连续、单次测量
每天单次测量
p/np
离散的缺陷率/数量
不良零件率
坐标/坐标
离散的缺陷数量
每单位缺陷数
在 X-bar/R 图表上，控制限是根据子组平均值和跨度计算的：
UCL_xbar = X-双条 + A2 × R-barLCL_xbar =
失控信号（西电规则）
出界并不是唯一的信号。 Western Electric (Nelson) 规则也捕捉到了模式：
- 某个点位于 3σ 之外（超出范围）。
- 连续2/3个点超过2σ（在同一侧）。
- 4/5 个连续点超过 1σ。
- 中心线同侧的 8 个连续点（移位）。
- 6 个点不断增加/减少（趋势）。
角色：您是一位在 SPC 方面经验丰富的质量工程师。任务：根据给定的UCL/LCL和中心线，用西电规则扫描下列X-bar值。对于每个失控信号：规则编号、点、可能的物理解释以及建议的调查步骤。 Center=50.2 UCL=52.1 LCL=48.3 σ=0.63数据（有序）：{{values}}规则：不产生杂散信号；标记不完全满足规则的点。将可能的原因作为“假设”提出，不要用精确的语言来写。
人工智能使这种筛选变得更快，但请记住：规则提供是一种统计警报；现场调查发现真正原因。 AI 可能会说“可能是工具磨损”；工具测量证实了这一点。
过程能力：Cp 和 Cpk
即使过程受到控制，它是否满足客户的容忍度？充分性指数说明了这一点。
Cp = (USL − LSL) / (6σ) → 仅测量分布Cpk = min[ (USL − μ)/(3σ) , (μ − LSL)/(3σ) ] → 包括中心
示例：USL = 10.5； LSL=9.5； μ=10.1； σ = 0.1。
Cp = (10.5 − 9.5) / (6 × 0.1) = 1.0 / 0.6 ≈ 1.67Cpk = min[ (10.5 − 10.1)/0.3 , (10.1 − 9.5)/0.3 ] = min[ 0.4/0.3 , 0.6/0.3 ] = min[1.33 , 2.0] = 1.33
Cp = 1.67 表明分布良好，但 Cpk = 1.33 告诉我们该过程偏离中心（平均值 10.1，比目标 10.0 更接近 USL）。 Cpk < Cp 始终表示存在居中问题。如果居中不正确，即使分散性良好的工艺也会生产出有缺陷的产品。
弱提示/强提示
弱提示：
这个过程好不好？
“好”没有标准； AI只能做出一般性的猜测。
强力提示：
使用以下测量数据（USL=10.5，LSL=9.5）计算Cp和Cpk。根据数据计算 σ 和平均值，显示公式和每个步骤。如果Cpk < Cp，询问是居中还是散布，评论。还要估计过程的近似错误率 (ppm) 并写下您的假设。数据：{{ ... }}
迷你案例：好CP，烂产品
在灌装线上，大多数瓶子都不符合规格，但过程在控制图上显得“稳定”。工业工程师 Yağmur 将数据提供给 AI，并让它计算 Cp 和 Cpk：Cp = 1.5（分布良好），但 Cpk = 0.7（不足）。不同之处在于平均值与目标存在显着偏差。 AI指出居中问题；他检查了雨水填充阀的设置，确实发现了偏差。更正设置后，Cpk 会增加到 1.4，浪费会减少。重要的教训：过程可以是“稳定的”（受控），但仍然是“有缺陷的”（不符合规范）。人工智能用数字证明了这种区别；亚穆尔在现场找到了根本原因。
常见错误
- 混淆控制和容忍限度：将控制限度与客户容忍等同起来。
- 常见原因篡改：针对每次波动进行调整并增加变异性。
- 忽略 Cpk：只关注 Cp，而忽略了居中问题。
- 误将AI信号当证据：没有在现场验证西电信号的原因。
- 错误的图表选择：将连续数据图表（X 条）应用于缺陷率数据。
综上所述
- SPC的本质是区分常见原因变异性和特殊原因变异性；干扰共同事业是有害的。
- 控制限度来自过程，公差限度来自设计；两者永远不应该混淆。
- 选择适合数据类型的图表（X-bar/R、p、c...）并查找符合 Western Electric 规则的模式。
- Cp衡量分散度，Cpk衡量集中度； Cpk < Cp 表示存在居中问题。
- AI快速生成统计信号；现场检查确认原因后，由工程师决定。
应用任务
从一个过程（真实的或虚构的）中进行至少 20 次连续测量，并确定 USL/LSL 值。让AI用这些数据计算Cp和Cpk；根据数据计算 σ 和平均值并显示每个步骤。关键验证：自己在Excel或Python中重新计算σ、Cp和Cpk值，并与AI输出进行比较。然后用西电规则扫描数据并询问“我如何在现场验证这一点？”对于找到的每个信号。回答问题。最后，如果Cpk < Cp，则决定先校正居中还是分散。