田口方法信噪比与质量损失函数分析器｜SPC实战工具
这个工具解决什么问题
在半导体/制造工艺调参中，工程师常面对多因子多水平的工艺窗口选择，靠逐次试错既慢又烧钱。本工具面向已采集或计划安排的正交实验数据，把「因子到底哪个重要、该取哪个水平、换方案能省多少成本」三件事一次算清。它先按田口望目特性计算每次试验的信噪比 SN，再用 SN 均值表与极差做因子贡献排序，给出最优水平组合及其 SN 预测值；同时套用质量损失函数 L=k·(y−m)² 把波动换算成单件期望损失，并按年产量折算年化可节省的成本。输出结论可直接用于工艺固化决策与改善汇报，无需任何第三方库，单文件即可跑。
输入数据格式
数据文件 taguchi_experiment.csv，列顺序为：run、A、B、C、D、y1、y2、y3。
示例首行：1,1,1,1,1,81.7408,85.3386,88.6499
示例输出（真实运行结果节选）
========================================================================
田口方法信噪比(SN)与质量损失函数分析器 · 示例输出报告
========================================================================
配置口径: 望目特性 m=74.0 公差±Δ=8.0 超差损失费用A=10.0元/件 k=A/Δ²=0.1562
年产量=200,000件 正交表=L9(3^4) 每试验3次重复测量
【一、各试验统计量、信噪比与质量损失】
号 A B C D 均值ȳ 标准差s SN望目 SN望小 SN望大
1 1 1 1 1 85.243 3.456 27.84 -38.62 38.60
2 1 2 2 2 83.073 1.874 32.93 -38.39 38.38
3 1 3 3 3 78.055 1.825 32.62 -37.85 37.84
4 2 1 2 3 77.177 0.945 38.24 -37.75 37.75
5 2 2 3 1 74.370 0.393 45.55 -37.43 37.43
6 2 3 1 2 78.412 1.047 37.49 -37.89 37.89
7 3 1 3 2 75.526 1.840 32.27 -37.56 37.56
8 3 2 1 3 80.596 3.085 28.34 -38.13 38.11
9 3 3 2 1 78.370 1.191 36.36 -37.88 37.88
说明: 本报告主口径为「望目」SN=10·log10(ȳ²/s²)，SN越大越好；
望小/望大仅作对照，望目特性在最大化SN时已同时兼顾均值与波动。
【二、因子水平 SN 均值、极差 R 与贡献占比】
因子 水平1 SN 水平2 S
一句话
用正交实验的 SN 比与质量损失函数，自动找出关键因子、锁定最优水平组合并折算年化质量成本。
运行环境与快速开始
Python 3.8+，零第三方依赖。首次运行会自动生成 taguchi_experiment.csv 示例数据并输出报告；之后可用你自己的正交实验 CSV 覆盖同名文件再运行。
python taguchi_sn_loss.py
逐列说明（表头必须一致）
· run：试验号（1~9，对应 L9 正交表） · A、B、C、D：四个因子的水平，取值 1 / 2 / 3 · y1、y2、y3：每个试验的 3 次重复测量值（噪音因子的重复，用于估计波动） · 目标值 m、公差 Δ、超差损失费用 A、年产量写在脚本顶部 CONFIG 常量里
输出说明
控制台与 示例输出报告.txt 同步输出：① 各试验均值 ȳ、标准差 s、SN 望目/望小/望大；② 各因子水平 SN 均值表、极差 R 与贡献占比、因子影响力排序；③ 最优水平组合与 SN 预测值；④ 质量损失系数 k、基准工艺与最优组合的单件期望损失、按年产量折算的年化成本差额；⑤ 关键/次要因子判定与验证试验建议。
算法口径（关键公式）
· 望目 SN = 10·log10(ȳ² / s²)，SN 越大越好（同时兼顾均值与波动） · 对照：SN 望小 = −10·log10(mean(y²))；SN 望大 = −10·log10(mean(1/y²)) · 质量损失 L = k·(y−m)²，其中 k = A / Δ²（A=超差损失费用，Δ=公差） · 最优 SN 预测 = 总平均 SN + Σ(各因子最优水平 SN − 总平均 SN) · 因子贡献占比 = 各因子极差 R 的平方 / Σ(所有因子 R²)
参数与调整点
CONFIG['M'] # 目标值(望目特性)，例如 58.0 CONFIG['DELTA'] # 公差 ±Δ，例如 8.0 CONFIG['A_LOSS'] # 超差损失费用(元/件)，用于 k = A/Δ² CONFIG['ANNUAL'] # 年产量(件)，用于年化成本折算
常见误判与注意事项
1. 望目特性用 SN 最大化已同时兼顾均值与波动，不要再用均值表单独二次优化而自相矛盾。 2. 因子贡献占比基于极差 R 的平方，只反映本批实验的相对影响，不能外推到未做过的水平。 3. 最优水平组合往往不在已做过的 9 次试验里，必须用确认试验验证后再固化工艺标准。 4. 重复测量 y1~y3 不可省略，SN 比正是靠它区分「均值差异」与「波动差异」。
附赠
见「附赠提示词.txt」，含 3 条配套 AI 提示词，用于把分析结果落到工艺改善与汇报中。
可调参数与计算口径
脚本顶部集中了主要阈值与常量：CONFIG={、FACTORS=['A', 'B', 'C', 'D']、LEVELS=[1, 2, 3]、BASE_MU=74.0、EFF_MEAN={、EFF_SD={。改完直接重跑即可，不必改动计算逻辑。
工具中出现的字段与提示
- 田口方法信噪比(SN)与质量损失函数分析器 · 示例输出报告
- 年产量={:,}件 正交表=L9(3^4) 每试验3次重复测量
- 【一、各试验统计量、信噪比与质量损失】
- 标准差s
- SN望目
- SN望小
- SN望大
- 说明: 本报告主口径为「望目」SN=10·log10(ȳ²/s²)，SN越大越好；
- 望小/望大仅作对照，望目特性在最大化SN时已同时兼顾均值与波动。
- 【二、因子水平 SN 均值、极差 R 与贡献占比】
下载与文件清单
压缩包内包含：主程序脚本、示例数据文件、示例输出报告、中文说明文档，以及同主题 AI 提示词一套。解压后按说明运行即可，示例数据可直接试跑。
主程序文件：taguchi_sn_loss.py。
本站工具免费下载，无需注册。工具为 Python 脚本，Python 3.8 及以上环境可直接运行，核心功能尽量不依赖第三方库。
常见问题
输入数据要准备成什么样？
按 示例首行中的列顺序准备即可，共 8 列：run、A、B、C、D、y1、y2、y3。列为空或格式不符时结果会失真，建议先用示例数据试跑一遍。
跑完最该关注哪几项？
报告按 一、各试验统计量、信噪比与质量损失、二、因子水平 SN 均值、极差 R 与贡献占比 等部分组织，其中判定结论与建议部分直接对应下一步动作。
阈值可以改成我们自己的标准吗？
可以，脚本顶部已把主要阈值与常量集中声明，按自己产线的标准修改后重跑即可，不需要改计算逻辑。
附赠的提示词怎么用？
把提示词与自己的数据一起交给大模型，可以让它按同一套口径帮你改写分析流程或扩展报告字段。
同分类的其它工具
分类归属：SPC与质量分析工具包；完整清单在 工具资源包下载页。
