以“AI外观检测缺陷PPM降低”为例。1计数型AI—Kappafrom 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 RRMinitab统计→质量工具→量具研究→量具RR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%GRR10%好、10%—30%条件接受、30%不接受同时看偏倚/线性/稳定性。3SPC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。4ML初筛统计收口from sklearn.ensemble import RandomForestClassifier rfRandomForestClassifier().fit(X_train,y_defect) imppd.Series(rf.feature_importances_,indexX.columns).sort_values(ascendingFalse)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。5DOE确认参数MinitabDOE→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、MSAKappa/GRR/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ImproveDOE方案、参数窗口、验证数据、FMEA/防错按场景ControlSPC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。