以“AI外观检测缺陷PPM降低”为例。

1）计数型AI—Kappa

from sklearn.metrics import cohen_kappa_score y_std=[1,0,1,1,0,1,0,0,1,1,0,1] # 标准判定 y_ai_a=[1,0,1,0,0,1,0,0,1,1,0,1] # 正常光照 y_ai_b=[1,0,1,1,0,1,0,1,1,1,0,1] # 斜射/不同时段 print(cohen_kappa_score(y_std,y_ai_a)) print(cohen_kappa_score(y_std,y_ai_b))

属性MSA参考：Kappa≥0.75可接受，0.60—0.75条件接受，<0.60重做样本库、光照、成像和标注；边界缺陷单独建灰区集。

2）计量型视觉尺寸—Gage R&R

Minitab：统计→质量工具→量具研究→量具R&R交叉，输入零件/操作员/重复测量。Python用双向ANOVA分解部件、操作员、交互方差；AIAG常规参考%GRR<10%好、10%—30%条件接受、>30%不接受，同时看偏倚/线性/稳定性。

3）SPC与过程能力

分组Xbar-R，单值I-MR；能力分析输出Cp/Cpk/Pp/Ppk。AI只做异常预测，不替代控制限判定。一般工序Cpk参考≥1.33、关键/安全特性≥1.67，具体按产品规格。

4）ML初筛+统计收口

from sklearn.ensemble import RandomForestClassifier rf=RandomForestClassifier().fit(X_train,y_defect) imp=pd.Series(rf.feature_importances_,index=X.columns).sort_values(ascending=False)

Top因子进入：连续Y用t检验/ANOVA/回归，属性Y用卡方/Logistic，多因子用全因子→显著项做响应曲面。

5）DOE确认参数

Minitab：DOE→因子→2水平全因子/部分因子→分析主效/交互→响应曲面；Python用pyDOE2生成矩阵、statsmodels拟合。现场小批验证后再写控制计划。

6）中质协项目材料技术验收清单

• Define：章程、SIPOC、VOC→CTQ、Y基线、COPQ四分类

• Measure：数据收集计划、MSA（Kappa/GR&R/偏倚/稳定性）、Cpk/DPMO基线

• Analyze：假设检验/ANOVA/回归/多变量；ML仅作附件初筛说明

• Improve：DOE方案、参数窗口、验证数据、FMEA/防错按场景

• Control：SPC控制图、控制计划、SOP、点检、AI预警规则、财务签字收益

欧拉大师可用于生成Minitab/Python脚本框架、整理文献、做NLP客诉聚类，但MSA、假设、DOE结论必须由统计结果和工程师确认。