SPC 统计过程控制

能力概览

本 Skill 提供端到端的统计过程控制（SPC）分析能力，覆盖从"过程是否稳定"到"过程是否满足规格"的完整判定链：

变量型控制图：Xbar-R（均值-极差，2≤n≤9）、Xbar-S（均值-标准差，n≥10）、I-MR（单值-移动极差，n=1）
属性型控制图：P（不良率，样本量可不等）、NP（不良数，样本量恒定）、C（缺陷数，检验面积恒定）、U（单位缺陷数，检验面积可不等）
判异检测：Nelson 8 条规则（含 Western Electric 等价表述），主图与副图（R/S/MR）均判定
过程能力分析：Cp / Cpk / Pp / Ppk / Cpm / PPM（百万不良率）/ Anderson-Darling 正态性检验

引擎 scripts/spc.py 为纯 Python 标准库实现，零第三方依赖，可随 Skill 在任何装了 Python 3.8+ 的环境直接运行。

触发场景

用户要做质量管控、过程稳定性分析、控制图绘制、过程能力评估
用户提供了一批过程测量数据（CSV），希望判断是否受控、是否达标
咨询交付物需要"控制图 + 判异结论 + 能力指数"的质量分析报告
关键词：SPC、控制图、Xbar-R、I-MR、过程能力、Cp/Cpk、判异、良率、缺陷率

数据格式约定

CSV（UTF-8，首行为表头）。脚本自动识别变量型/属性型、宽表/长表；也可用参数显式指定。

变量型 —— 宽表（推荐，每行一个子组）

每行一个子组，数值列即测量值：

S1,S2,S3,S4,S5
9.94,9.93,9.95,10.28,9.95
...

变量型 —— 长表（value + 可选 subgroup）

subgroup,value
1,50.1
2,49.8
...

单值序列（I-MR）可直接用单列 value 的 CSV，或长表每子组仅 1 个值。

属性型 —— 长表

P/NP：defects（不良数）+ size（样本量，NP 需恒定）
C：defects（缺陷数计数）
U：defects（缺陷数）+ size（检验单位数，可不等）

subgroup,defects,size
1,5,100
2,3,100
...

控制图选型决策

| 数据类型 | 子组容量 n | 推荐控制图 | |----------|-----------|------------| | 连续测量（变量） | n = 1 | I-MR | | 连续测量（变量） | 2 ≤ n ≤ 9 | Xbar-R | | 连续测量（变量） | n ≥ 10 | Xbar-S | | 不良/合格（计件） | 样本量不等 | P | | 不良/合格（计件） | 样本量恒定 | NP | | 缺陷数（计点） | 检验面积恒定 | C | | 缺陷数（计点） | 检验面积不等 | U |

不确定时传 --chart auto，脚本按数据形态自动选择。

工作流

调用 scripts/spc.py，三个子命令：chart（仅控制图）、capability（仅能力分析）、analyze（控制图+能力+判异，最常用）。

1) 控制图 + 判异

python SKILL_DIR/scripts/spc.py chart \
  --input data.csv \
  --chart xbar-r \          # auto|xbar-r|xbar-s|i-mr|p|np|c|u
  --out ./out --prefix rpt \
  --report html             # html|md|json|all

变量型长表需补 --value-col value --subgroup-col subgroup；I-MR 单列 CSV 直接 --chart i-mr。属性型需补 --defects-col defects --size-col size。

2) 过程能力分析（变量型）

python SKILL_DIR/scripts/spc.py capability \
  --input data.csv --chart xbar-r \
  --usl 11 --lsl 9 --target 10 \   # target 可选
  --out ./out --prefix cap

能力指数需规格上下限 --usl / --lsl（必填）。脚本自动用 R̄/d2（或 S̄/c4、MR̄/d2）估计组内标准差。

3) 一键完整分析

python SKILL_DIR/scripts/spc.py analyze \
  --input data.csv --chart auto \
  --usl 11 --lsl 9 --target 10 \
  --out ./out --prefix full --report all

输出说明

每次运行在 --out 目录生成：

{prefix}.html：集成 SVG 控制图 + 判异结论 + 能力表的自包含报告（默认交付物）
{prefix}.md / {prefix}.json：--report all 时附加
{prefix}_1.svg、{prefix}_2.svg…：主图、副图、能力直方图（SVG，可直接嵌入文档/网页）
控制台输出 JSON 摘要：{status, type, ooc_rules, files}

判异结果分主图（ooc）与副图（ooc_secondary），列出触发的 Nelson 规则编号与对应点序号。

一键演示（客户现场）

Skill 内置 examples/ 演示数据集，无需自备数据即可现场演示。每个示例都带"受控 / 失控"对照，便于向客户讲清核心概念。

| 示例文件 | 控制图 | 演示要点 | |----------|--------|----------| | examples/xbar_r_demo.csv | Xbar-R | 含特殊原因（第18子组偏移）→ 失控，讲"判异" | | examples/xbar_r_clean.csv | Xbar-R | 受控 + 能力达标（规格 9~11），讲"正常基线" | | examples/cap_low.csv | Xbar-R | 受控但 Cpk<1.33，讲"受控 ≠ 合格" | | examples/imr_demo.csv | I-MR | 单值序列标准受控对照 | | examples/p_demo.csv | P | 属性型不良率，第10/20子组偏高 → 判异 |

典型演示命令（投屏即用）

# 将 SKILL_DIR 替换为 Skill 实际安装目录，例如：
#   Windows:   C:/Users/Administrator/.workbuddy/skills/spc
#   macOS/Linux: ~/.workbuddy/skills/spc
SKILL_DIR="C:/Users/Administrator/.workbuddy/skills/spc"
SP="$SKILL_DIR/scripts/spc.py"
EX="$SKILL_DIR/examples"

# 1) 失控演示（最抓眼球）：轴承内径 Xbar-R，第18子组异常
python $SP analyze --input $EX/xbar_r_demo.csv --chart auto \
  --product "轴承内径" --line "机加线A-3" --analyst "老黄" --date 2026-08-08 \
  --out ./demo --prefix demo_ooc --report all

# 2) 受控 + 能力达标：同产品正常基线
python $SP analyze --input $EX/xbar_r_clean.csv --chart auto \
  --usl 11 --lsl 9 --target 10 \
  --product "轴承内径" --line "机加线A-3" --analyst "老黄" --date 2026-08-08 \
  --out ./demo --prefix demo_ok --report all

# 3) 受控≠合格：Cpk 不足（演示核心认知）
python $SP analyze --input $EX/cap_low.csv --chart auto \
  --usl 11 --lsl 9 --target 10 \
  --product "轴承内径" --line "机加线C" --analyst "老黄" --date 2026-08-08 \
  --out ./demo --prefix demo_low --report all

# 4) 属性型 P 图（不良率判异）
python $SP analyze --input $EX/p_demo.csv --chart p \
  --defects-col defects --size-col size \
  --product "焊接不良" --line "焊装线B" --analyst "老黄" --date 2026-08-08 \
  --out ./demo --prefix demo_p --report all

生成的 demo/demo_ooc.html 等即带元信息卡 + 综合结论横幅（稳定性 / 能力双维度）+ 改进建议的投屏级报告，浏览器直接打开即可讲解。

关键说明与边界

受控 ≠ 合格：控制图说明"过程稳定"，能力指数说明"是否满足规格"，二者需联合解读。
正态性前提：Cp/Cpk 基于正态假设；若 Anderson-Darling A² ≥ 0.752（α=0.05）提示非正态，结论需谨慎，建议先做数据变换。
属性型不做经典能力指数：P/NP/C/U 输出平均质量水平（p̄/c̄/ū）与不良率，不计算 Cp/Cpk。
控制限基准：基于当前数据估计；量产后宜用历史数据建立控制限，再监控新数据。
详细公式与常数见 references/formulas.md、references/constants.md；判异规则释义见 references/we_rules.md。

交付建议（面向咨询场景）

将 analyze 生成的 HTML 报告作为客户交付物主干，配合一段结论性文字：先陈述"过程是否统计受控"（判异结果），再给出"过程能力等级"（Cp/Cpk 与 PPM），最后给出改进建议（如 Cpk<1.33 需降低变异或调整中心）。