SPC 判异 AI 归因助手｜工业AI分析工具
这个工具解决什么问题
把数据质量放在算法之前，是工业场景与竞赛场景最大的区别。
> 控制图算得对不对是一回事，出了判异怎么归因是另一回事 —— 前一半本地算，后一半交给 AI。
输入数据格式
数据文件 spc_data.csv，列顺序为：子组名、取样时间、测量1、测量2、测量3、测量4、测量5。
示例首行：第01组,2026-09-01 08:00,9.728,9.716,9.758,9.774,9.764
示例输出（真实运行结果节选）
==============================================================================
SPC 判异 AI 归因报告 2026-10-07 23:00:57
==============================================================================
一、控制图参数（Xbar-R 图，子组容量 n=5）
------------------------------------------------------------------------------
子组总数 ：30
基线期 ：前 15 组（自动探测：最长的无判异前缀）
基线总均值 ：9.7520
基线平均极差 Rbar ：0.0547
过程标准差 σ ：0.0235（= Rbar / d2）
子组均值标准差 ：0.0105（= σ / √n）
基线控制限 ：UCL 9.7835 ／ CL 9.7520 ／ LCL 9.7205
R 图控制限 ：UCL 0.1156 ／ CL 0.0547 ／ LCL 0.0000
规格限 ：LSL 9.62 ／ USL 9.88
⚠ 控制限口径：判异一律使用上面这套「基线控制限」。
若改用全部 30 组重算，控制限会变成 UCL 9.8150 ／ LCL 9.7520 ——
已被位移抬高的数据会把限值一起抬上去，异常反而看不出来。这是控制图最常见的误用。
二、过程能力（用基线 σ，反映稳定期的真实能力）
------------------------------------------------------------------------------
Cp = 1.844 ／ Cpk = 1.815
判读：能力充足（Cpk≥1.33）
中心距上限 0.1280、距下限 0.1320 —— 更近的一侧先出问题（偏上限），调整中心时优先保这一侧。
三、判异规则命中明细（用基线控制限判全部 30 组）
------------------------------------------------------------------------------
· 规则1 单点超控制限（3σ）（该组均值已越出控制限，属明显异常）
命中子组：第19组、第20组、第21组、第22组、第23组、
适用场景
· 开线监控、投诉追溯、月度 SPC 复盘、异常批次的归因会议准备 · 若数据里有位移，别忘了看「最早异常子组」——报告的排查顺序是从那里开始的，不是从末端
怎么用
python spc_ai_attribution.py
首次运行会自动生成示例数据并输出完整报告。 把示例数据换成你自己的（保持列名一致）后重新运行即可。
方式二：环境变量
set DEEPSEEK_API_KEY=你的密钥 # Windows export DEEPSEEK_API_KEY=你的密钥 # Linux / macOS
方式三：命令行临时指定（不落盘，适合共用电脑）
python spc_ai_attribution.py --token 你的密钥
接口根地址与模型名也可用 DEEPSEEK_BASE_URL / DEEPSEEK_MODEL 覆盖， 换供应商时只改根地址即可 —— 请求体会话结构是 OpenAI 兼容格式。
输入数据
spc_data.csv：子组名 / 取样时间 / 测量1~测量5（脚本自带 30 组示例，含已知的缓慢爬坡与一次性台阶）
输出内容
· Xbar-R 控制限；基线期自动探测（避免把位移算进控制限导致异常看不见） · 8 条判异规则逐条命中明细，并给出「最早出现异常的子组」作为排查起点 · 过程能力 Cp/Cpk，并同时给出全量控制限作对照 · AI 段：根因假设（须引用具体子组）、现场核实动作、临时措施、验证计划
没有 Token 也能用（离线模式）
离线也能跑：控制限、判异明细、能力指数全部可用，并给出通用的现场核查清单
配置 Token 后，报告里的 AI 段落会自动补全；调用失败时也不会中断， 本地计算部分照常输出，只是在报告里标注 AI 段失败原因。
依赖
无。仅使用 Python 标准库（urllib / json / csv / math / re 等）， 不需要 pip 安装任何包，Windows / Linux / macOS 均可运行。
可调参数与计算口径
脚本顶部集中了主要阈值与常量：DATA_CSV="spc_data.csv"、CTX_TXT="spc_context.txt"、REPORT_TXT="spc_ai_report.txt"、USAGE_CSV="ai_usage_log.csv"、TEMPLATE_JSON="deepseek_config.json"、DEFAULT_BASE="https://api.deepseek.com"。改完直接重跑即可，不必改动计算逻辑。
会生成哪些文件
运行后除控制台输出外，还会生成：spc_data.csv、spc_context.txt、spc_ai_report.txt、ai_usage_log.csv、deepseek_config.json。
脚本里的主要处理步骤
gen_sample()：30 组示例：1~12 稳定，13~18 缓慢爬坡（已知真值：规则3「连续6点递增」最早在第 16 组成立），read_data()：返回 [(子组名, 取样时间, [测量值...]), ...]detect_baseline()：自动探测基线期：取**最长的「无判异」前缀**作为基线。judge_rules()：8 条常用判异规则（GB/T 4091 风格），用给定控制限判全部子组。
以上步骤在脚本中是分开的函数，可以单独调用或按需替换其中一段，不必整体重写。
工具中出现的字段与提示
- 内置默认值
- 配置文件 %s
- 配置读取失败 %s：%s
- 环境变量 DEEPSEEK_API_KEY
- 输入token
- 输出token
- 合计token
- 估算费用
- 第%02d组
- 取样时间
- 测量%d
- 返回 [(子组名, 取样时间, [测量值...]), ...]
- 8 条常用判异规则（GB/T 4091 风格），用给定控制限判全部子组。
- 规则1 单点超控制限（3σ）
- 该组均值已越出控制限，属明显异常
- 规则2 连续 9 点在中心线同侧
- 过程中心已发生位移
- 规则3 连续 6 点单调递增/递减
其余字段以界面与示例报告为准。
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：spc_ai_attribution.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 7 列：子组名、取样时间、测量1、测量2、测量3、测量4、测量5。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 根因假设（按可能性排序） 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
本工具归在 工业AI与智能分析工具包，全部工具见 工具资源包下载页。
