本工具集通过将经典的 SPC 控制图、Cpk 能力分析和 MSA 测量系统分析标准化，为制造过程提供确定性评估。在 Lattice 的架构中，用户发起分析意图后，由 LLM 解析数据并调度底层的确定性 Python 计算引擎，严格依照 AIAG 和 NIST 标准执行统计运算（如 ANOVA 法 R&R 计算或 Nelson 准则扫描）。运算完成后，LLM 会调用内嵌的“9 项反幻觉”逻辑检查机制，根据预设的统计旗标对结果进行审视，确保报告直接呈现工艺结论，避免虚假精度或误读统计假设的情况发生。
何时选择这一家族
- 测量装置读数存在偏差，需要判断测量误差是否超过了对零件分类的分辨能力。
- 工艺流程处于运行中，需要通过时序数据判断过程是否受到特殊原因干扰，即处于非稳态。
- 产品已满足设计公差，需要量化过程能力指数以判断长期生产的良品率潜力。
- 新工艺导入或设备维护后，需要确认测量系统与过程控制是否达到满足客户交付要求的水平。
质量工具如何运作
本家族遵循‘MSA → SPC → Cpk’的铁律顺序。首先通过 MSA 验证测量系统，确保数据可信；随后利用 SPC 控制图监控过程稳定性；最后通过 Cpk 分析确认工艺能力。这三者互为基础，缺一不可。
我们的计算引擎采用全确定性算法，不引入随机数。例如，在控制图计算中，使用 NIST 定义的常数表进行限值评估；在能力分析中，严格区分短期与长期变异，以真实反映工艺的潜在漂移。
与其他统计方法的区别
不同于基础统计描述或常规假设检验（如 t-test），质量分析专注于工艺的时序在控状态与规格符合性。我们不处理横截面数据的简单对比，而是通过 Anderson-Darling 检验和 Nelson 8 规则等针对性方法，深入挖掘数据序列中的异常模式。
我们的架构强制将结论与置信度绑定。若数据规模不足（如子组少于 25 组）或违反正态性假设，系统将主动触发反幻觉旗标，提醒用户当前的统计结论存在偏差风险，而非盲目输出计算结果。
常见误区与边界
最常见的误区是直接计算 Cpk 而跳过 MSA 或失控状态判定。如果在测量系统失效或过程失控的情况下输出 Cpk 数值，该指标将毫无意义。
此外，用户常忽视数据采样逻辑。我们的工具要求平衡设计（如 MSA 中每位操作员的重复测量次数必须一致），并要求控制图的子组划分必须符合实际物理采样频率，否则计算结论将偏离工艺真相。
常见问题
- 为什么我的 Cpk 分析总是会报错提示‘过程不在统计控制’？
- 根据工艺铁律，Cpk 的计算前提是过程处于稳定状态。如果 spc_xbar_r_chart 检测到了 Nelson 准则违反或超出控制限，系统会触发 out_of_control_concern 旗标并阻断能力计算，因为失控过程的参数估计没有统计学意义。
- MSA 报告中的 NDC 指数（可分辨类别数）低于 5 意味着什么？
- 这意味着当前的测量装置分辨力不足，无法准确区分不同零件的微小差异。当 NDC < 5 时，系统会触发 low_ndc_concern 旗标，建议您升级测量装置或改善测试方法，否则后续的质量监控数据可能包含过多的测量噪音。