SPC统计分析与判异助手

这类问题为什么难啃

车间或实验室里常见场景：子组数据已经攒在 Excel 里，质量工程师要画 Xbar-R 管制图、对照 八大判异原则 找异常，还要在有规格限时算 Cpk 写进月报或 8D。手工算 X̄̄、R̄、上下管制界，再逐条核对 Nelson 规则，既容易抄错数，也难把「哪一点、违反了哪条规则」说清楚。

技能在做什么

本技能把流程收成「数据校验 → 脚本计算 → 结构化报告」三步，而不是让模型凭空估算统计量。

• 数据准备：引导你提供 CSV/Excel 过程数据（建议至少 20 组子组）、USL/LSL，并按 references/data_format.md 核对格式与子组完整性。
• SPC 计算：通过 scripts/spc_analyzer.py（参数含 --data-file、--usl、--lsl、--format raw）输出 JSON，包括基础统计量（如 Xdbar、Rbar、标准差估计）、Xbar 图与 R 图的 UCL/LCL/CL，以及判异命中规则与对应点位。
• 报告生成：在脚本结果上整理 基础统计汇总、管制界限表、判异结果列表；若有双向规格限，给出 Cpk 及能力等级（充足 / 尚可 / 不足），并结合判异情况写 改进建议，便于直接贴进正式文档。

适用边界与注意点

• 子组不足 20 组时应先补数据，否则分析可靠性不足，技能会明确提示。
• Cpk 需要完整的 USL 与 LSL；若暂无规格限，可只做管制与判异，跳过能力指数。
• 判异依据为 Nelson Rules 标准的八大原则；输入数据若含明显录入错误或未处理的离群点，会放大误判风险，分析前宜先做数据质量检查。