收益：
- 能够利用人工智能监控生产和检验数据，并及早发现缺陷和偏差模式
- 能够在 AI 支持下设置和解释统计过程控制 (SPC)、Cpk 和控制图
- 能够通过NDT结果、验收标准和授权检验确认来验证AI的缺陷分类
冶金和质量工程师的一贯职责是注意通过生产线的数千个零件中哪些零件有缺陷以及工艺在什么时候开始出现问题。质量控制，检查产品是否符合规定要求；缺陷检测，捕获产品中的错误（划痕、气孔、裂纹、尺寸偏差）；统计过程控制（SPC）是一种通过统计监控生产数据来了解过程是否受控的方法。人工智能加速了图像的自动缺陷分类、大型测量数据中的模式捕获以及 SPC 图表的构建和解释。但警报并不是一个自动决定；而是一个自动决定。每个人工智能输出必须由无损检测结果、验收标准和授权检验批准来确认。
SPC的基本概念和AI的作用
- 控制图：显示测量值（例如直径、硬度）随时间变化的图表，带有中心线和控制限（通常为 ±3 个标准差）。跨越极限是过程发生变化的标志。
- 控制限度等。 容差：控制限度来自过程的自然变化；公差（规格限制）是客户想要的。两者不应混淆。
- Cp 和 Cpk（过程能力指数）：衡量过程在公差范围内的容易程度。 Cp评估分布，Cpk一起评估分布+偏心。通常认为 Cpk ≥ 1.33 就足够了。
- 私人原因与共同原因：共同原因是过程的固有噪声；具体原因（例如工具磨损、批次错误）是需要干预的偏差。 SPC的目的是将两者分开。
AI 在教授这些概念、生成根据数据计算控制图/Cpk 的代码以及解释图表模式（趋势、漂移、周期性）方面功能强大。但工程师会确定超出极限的原因并进行正确的干预。
注意：扩大控制限值“以防止报警”是最危险的错误之一。限值是根据过程的实际变化计算得出的；任意扩展它们会使真正的偏差看不见，并将有缺陷的产品转移给客户。
一步一步：人工智能驱动的质量监控
- 选择特征：将监控哪个关键指标（CQ：关键质量特征）？测量系统可靠（Gage R&R）吗？
- 收集数据：定期分组抽样。仪表是否已校准？
- 设置图表：向 AI 询问适当的控制图（X-bar/R、单独移动范围）类型和代码。
- 评论：是否有超调、趋势、批次规则（例如西电规则）？
- 寻找根本原因：报警是触发因素；确认测量，审查流程。
- 决定：根据验收标准和NDT结果；将有偏差的批次分开并采取纠正措施。
探伤和无损检测
基于图像的AI（深度学习分类器）可以快速提取表面缺陷（划痕、毛刺、氧化物、气孔）。内部缺陷需要无损检测（NDT）：射线照相（RT）、超声波（UT）、磁粉（MT）、渗透剂（PT）。 AI 可以预先筛选 RT/UT 图像，但最终评估由经过认证的 NDT 人员和标准验收标准进行。
缺陷类型
典型方法
人工智能贡献
最终决定
表面划痕/毛刺
光学图像
自动分类
验收标准+运算符
内部气孔/裂纹
RT/UT
图像预筛选
经认证的 NDT+ 标准
裂纹（表面开放）
MT/PT
指示标记
无损检测 II/III 级批准
尺寸偏差
三坐标测量机/测量
使用 SPC 跟踪趋势
宽容+决断
三个迷你箱子
案例1——边界扩张陷阱。在线直径测量中经常会超出控制上限。操作员建议扩大限制以减少警报。质量工程师对此表示反对；他让AI分析SPC数据，发现下午班出现系统性偏移（具体原因），可能是由于刀具磨损造成的。当换刀周期缩短时，过程就会恢复到极限范围内。教训：报警是信息源；我们需要的不是让他沉默，而是要找出原因。
案例 2 — 错误的 Cpk 解释。一份报告称该流程“Cpk = 1.8，完美”，但零件给客户带来了问题。工程师让AI检查数据；他发现真正的变化被隐藏了，因为测量系统的分辨率不够（Gage R&R不好），高Cpk来自于测量盲目性。首先，对测量系统进行校正，真实的Cpk为1.1。教训：任何基于不良测量系统的统计数据都会产生误导；首先验证测量结果。
案例 3 — 正确消除 NDT。一家制造商在铸件上使用人工智能支持的 RT 资格预审；标记可疑零件并将其交给经过认证的无损检测人员。人工智能会快速检查大部分干净的碎片，工作人员只关注标记的碎片。然而，在安全关键的系列中，人工智能称为“干净”的部件也会被采样并用NDT检查；因为人工智能是一个筛选工具，而不是招生权威。教训：人工智能提高了效率，但最终验收需要标准无损检测和授权批准。
可复制的提示模板
控制图设置模板“角色：您是 SPC/质量助理。我有以下测量数据：[子组数据]。特征：[直径/硬度]。向我推荐适当类型的控制图（X-bar/R 或 I-MR）并说明理由，并使用 Python 代码计算中心线 + 控制限。强调控制限与公差不同。对超出极限的情况发表评论，但说明应调查原因。”
Cpk 注释模板“Cp = [...]、Cpk = [...]、公差 = [...]、测量分布 = [...]。解释这些值：过程是否充分、是否存在偏心？提醒我首先询问测量系统是否可靠（量具 R&R）。解释高 Cpk 可能来自测量盲目性的陷阱。将坚定的“适当”决定与实验/检查联系起来。”
缺陷分类评估模板“AI图像模型标记了以下缺陷：[列表]。对于每个缺陷：应根据哪些验收标准（标准）进行评估，需要哪种NDT方法进行确认，假阳性/阴性的风险有多大？指定应在经过认证的NDT和授权批准的情况下进行最终验收。将AI输出定位为“预筛选”。”
SPC 模式分析模板“检查以下控制图数据：[数据/时间序列]。是否存在趋势、漂移、周期性或系列规则违规（Western Electric）？对于每个模式，列出可能的过程原因（工具磨损、批次变化、温度）作为假设，并写下如何验证它。不要声明确切的原因。”
弱提示/强提示
弱提示：“这些数据的质量好吗？”
强烈提示：“角色：你是 SPC 助理。我有以下轴直径数据（25 个子组，n=5）：[数据]。公差为 20.00 ± 0.05 毫米。让我：(1) 计算中心和控制限，将结果与验收标准进行比较，但提醒测量系统 (Gage R&R) 需要验证。”
弱提示给出的答案是模糊且没有评论的。强大的提示给出清晰的数据、公差和期望的输出；它规定了控制极限/公差区别、量具 R&R 控制，并且最终决定权仍由工程师决定。
常见错误
- 将控制限值与容差混淆或扩大控制限值，以免发生警报。
- 依赖 Cpk，而不验证测量系统 (Gage R&R)。
- 将超出限制视为自动“根本原因”，并在未确认测量的情况下决定报废。
- 将AI缺陷分类视为最终验收决定；绕过无损检测和授权批准。
- 对每一次波动进行干预，不区分共同原因和特殊原因（过度调整）。
- 在安全关键系列中，完全相信AI所说的“干净”，而不进行抽样验证。
综上所述
质量控制中的人工智能通过缺陷分类、大数据中的模式捕获和 SPC 图/Cpk 计算来提高质量工程师的视野和速度。然而，如果没有正确区分控制极限-公差、测量系统可靠性以及特殊/常见原因，统计数据可能会产生误导。将每个警报视为触发器，确认测量结果，调查根本原因，并将最终验收与验收标准、标准无损检测和授权批准联系起来。人工智能进行初步选择，工程师做出决定。
应用任务
指定真实或虚构的一系列测量值（例如 20-25 个直径/硬度数据子组）和公差。使用“设置控制图”模板，向人工智能询问适当的图表类型和计算代码，并让它计算控制限。然后使用“Cpk COMMENT”模板对流程充分性进行评论，并记下量具 R&R 检查。最后，创建一个超出限制的场景，并在一段中写下您将决定的步骤（测量确认、根本原因、验收标准）。
清单
- [ ] 我已经确定了要监控的关键质量属性和测量系统的可靠性。
- [ ] 我选择了适当的控制图类型并计算了过程的限制。
- [ ]我把控制限和容差分开了；我并没有随意扩大界限。
- [ ] 我将 Cpk 与测量系统可靠性一起解释。
- [ ] 我将警报视为触发因素，确认了测量结果，并调查了根本原因。
- [ ] 我根据验收标准、标准无损检测和授权批准进行最终验收。