AI + SPC 统计过程控制

导入：AI时代，SPC如何进化？  （09:00--09:30）

• 传统SPC的痛点：Excel公式复杂、Minitab门槛高、报告耗时
• AI重塑SPC工作流：从"手动计算"到"对话式分析"的范式转移
• AI在SPC中的五大应用场景：计算、绘图、判异、报告、教学

模块一：新版AIAG & VDA SPC框架与核心变化    （09:30--10:30 ）

• SPC手册新架构解析：统计过程管理→应用要求→方法概要→机器性能→过程能力→控制图→数字化
• 与核心工具的集成：SPC如何串联FMEA、控制计划、MSA
• 五大关键变化：

①时间分布模型

②Cp/Cpk与Pp/Ppk按稳定性重新定义

③Cw/Cwk组内能力指数

④动态能力门槛（样本量-置信水平联动）

⑤分析用控制图 vs SPC控制图两阶段架构

• AI辅助：用AI蒸馏技术，快速对比新旧版差异，生成学习笔记

模块二：AI赋能过程能力分析实战    （10:45 -- 12:00）

• 数据收集策略与分布模型识别：AI辅助正态性检验与变换建议
• 机器性能研究：Pm/Pmk计算流程、预验收方法（1件/5件法则）
• 过程性能与能力指数：Pp/Ppk（不稳定过程） vs Cp/Cpk（稳定过程）— 公式统一后的新逻辑
• Cw/Cwk组内能力：隔离固有变异，诊断组间偏移（Cwk ≈ Ppk的实战判读）
• 动态能力门槛：样本量、置信水平与能力目标的联动计算（AI替代查表）
• 实战演练：提供真实数据集，学员使用AI完成完整的过程能力分析报告（含判定结论）

模块三：AI赋能计量型控制图实战     （ 13:00 -- 14:30 ）

• 两阶段架构：分析用控制图（retrospective，≥25组/125个数据）→ SPC控制图（real-time监控）
• 计量型控制图选择决策树：（AI辅助根据样本量、分布类型自动推荐）
• X̅-R控制图：AI计算UCL/LCL/CL、绘制控制图、标注异常点
• X̅-s控制图：大样本场景（n>10）的AI计算与判定
• I-MR控制图：单值移动极差图的AI全流程分析
• 控制图判异准则：西方电气规则 / 纳尔逊规则（AI自动判异并解释原因）
• 实战演练：用AI完成X̅-R控制图从数据录入、界限计算、异常识别到OCAP的全套输出

模块四：计数型控制图与高级应用  [（AI实操）      （14:45 -- 16:00 ）

• 计数型控制图：P图（不合格品率）、NP图、C图（缺陷数）、U图（单位缺陷数）— AI计算与判定
• 数字化SPC：实战演练--用AI完成计数型控制图分析并生成客户审核级报告

模块五：AI生成全套SPC报告与课程总结  （AI报告）      （16:00 -- 17:00）

• SPC报告标准化格式：按SPC手册要求，涵盖数据汇总、控制图、能力指数、判定结论、改进建议
• AI报告生成技巧：Prompt工程、数据格式规范、输出模板定制
• 综合实战：独立完成一份“从原始数据到客户交付”的全套SPC报告（AI辅助）
• 课程知识盘点：SPC核心概念快速复盘（AI生成个人学习总结）
• Q&A与最佳实践分享