MSA分析技能

辅助完成测量系统分析(MSA)，支持Gage R&R、偏倚、线性、稳定性分析；当用户需要进行测量系统评估、了解测量系统准确性、生成MSA分析报告时使用

MSA测量系统分析

任务目标

• 本Skill用于：帮助用户完成完整的测量系统分析(MSA)流程，从需求识别到报告输出
• 能力包含：Gage R&R分析、偏倚分析、线性分析、稳定性分析、交互式需求引导、数据收集指导、HTML报告生成
• 触发条件：用户提到"MSA"、"测量系统分析"、"量具分析"、"R&R"等关键词，或需要评估测量系统准确性时

前置准备

• 依赖说明：以下Python包已预先安装

  text

  pandas==2.0.3
  numpy==1.24.3
  matplotlib==3.7.2
  openpyxl==3.1.2
  

操作步骤

步骤1：识别用户场景（智能体处理）

通过交互式问答确定用户需求：

问题清单：

1. 您的测量系统是什么类型？（例如：卡尺、天平、显微镜、测试设备等）
2. 您需要进行哪种类型的MSA分析？
   • Gage R&R（重复性和再现性）
   • 偏倚分析
   • 线性分析
   • 稳定性分析
   • 综合分析
3. 您对MSA熟悉程度如何？
   • 不熟悉，需要完整指导
   • 了解基本概念，需要分析支持
   • 熟悉，直接开始分析

根据用户响应分路径：

• 路径A：用户不熟悉MSA → 进入步骤2（方案设计和数据收集指导）
• 路径B：用户熟悉MSA → 进入步骤3（直接数据确认和分析）

步骤2：方案设计和数据收集指导（智能体处理）

2.1 推荐实验方案

根据测量类型和分析类型推荐参数：

Gage R&R标准方案：

• 样本数：10个
• 操作员数：3个
• 测量次数：3次
• 总测量点：10×3×3=90个

偏倚分析方案：

• 样本数：1个（已知参考值）
• 测量次数：≥15次
• 操作员数：1个

线性分析方案：

• 样本数：5个（覆盖测量范围）
• 测量次数：每个样本≥12次
• 操作员数：1个

稳定性分析方案：

• 样本数：1个
• 测量间隔：按天/周/月
• 测量次数：≥20次

提供详细的测量注意事项和随机化要求。

2.2 提供数据收集模板

向用户说明数据格式要求：

• 参考 references/data_template.md 中的详细格式说明
• 提供Excel/CSV模板示例
• 说明必需字段：样本编号、操作员、测量次数、测量值

步骤3：数据确认和解析（脚本处理）

用户上传数据文件后：

3.1 调用数据解析脚本

python

python scripts/parse_data.py --data_file <文件路径> --analysis_type <分析类型>

该脚本将：

• 验证数据格式
• 提取基本信息（样本数、操作员数、测量次数）
• 返回解析后的数据结构

3.2 确认参数

向用户确认：

• 分析类型
• 样本数量
• 操作员数量
• 测量次数
• 测量单位

步骤4：执行分析（脚本处理）

根据分析类型调用相应脚本：

Gage R&R分析：

python

python scripts/gage_rr.py --data <解析数据> --alpha 0.05

偏倚分析：

python

python scripts/bias_analysis.py --data <解析数据> --reference_values [值列表]

线性分析：

python

python scripts/linearity_analysis.py --data <解析数据> --reference_values [值列表]

稳定性分析：

python

python scripts/stability_analysis.py --data <解析数据> --time_points [时间点列表]

步骤5：生成图表（脚本处理）

python

python scripts/generate_charts.py --analysis_results <分析结果> --chart_type <图表类型>

支持的图表类型：

• 均值图（mean_chart）
• 极差图（range_chart）
• 贡献占比图（contribution_pie）
• 偏倚线性图（bias_linearity）
• 稳定性控制图（stability_control）

步骤6：生成HTML报告（脚本处理）

python

python scripts/generate_report.py --analysis_results <分析结果> --charts <图表> --metadata <元数据>

报告包含：

• 分析摘要和结论
• 详细统计指标
• 可视化图表（Base64内嵌）
• 判定标准和改进建议

步骤7：结果解读（智能体处理）

基于分析结果，向用户说明：

• 测量系统是否可接受
• 主要问题在哪里（重复性、再现性、偏倚等）
• 改进建议
• 下一步行动

资源索引

• 数据解析脚本：见 scripts/parse_data.py（用途：解析Excel/CSV数据，验证格式）
• Gage R&R分析：见 scripts/gage_rr.py（用途：计算EV、AV、GRR、%GRR、ndc等指标）
• 偏倚分析：见 scripts/bias_analysis.py（用途：计算偏倚及其显著性）
• 线性分析：见 scripts/linearity_analysis.py（用途：分析偏倚与测量范围的关系）
• 稳定性分析：见 scripts/stability_analysis.py（用途：分析测量系统随时间的变化）
• 图表生成：见 scripts/generate_charts.py（用途：生成各类统计图表并返回Base64编码）
• 报告生成：见 scripts/generate_report.py（用途：组装HTML报告，内嵌图表）
• MSA概念：见 references/msa_concepts.md（何时读取：需要向用户解释MSA概念时）
• 数据模板：见 references/data_template.md（何时读取：指导用户准备数据时）
• 分析方法：见 references/analysis_methods.md（何时读取：需要解释计算原理时）
• 报告模板：见 assets/report_template.html（用途：HTML报告的基础模板）

注意事项

• 交互式引导时，保持友好的沟通风格，避免使用过多专业术语
• 数据格式验证严格，确保用户数据符合要求后再进行分析
• 分析结果要结合实际业务场景进行解读，避免仅给出数字
• HTML报告为单文件，可直接在浏览器中打开
• 所有图表均为内嵌Base64编码，无需外部文件

使用示例

示例1：用户不熟悉MSA

用户："我需要做MSA分析，但是不太清楚怎么做"

流程：

1. 智能体通过问答了解：测量卡尺、需要Gage R&R分析
2. 智能体推荐：10个样本、3个操作员、每个样本测3次
3. 提供Excel数据模板
4. 用户完成测量并上传数据
5. 调用 parse_data.py 解析数据
6. 调用 gage_rr.py 执行分析
7. 调用 generate_charts.py 生成图表
8. 调用 generate_report.py 生成HTML报告
9. 智能体解读结果：%GRR=8.2%，测量系统可接受，建议定期复查

示例2：用户熟悉MSA

用户："我有Gage R&R数据，直接帮我分析一下"（上传Excel文件）

流程：

1. 调用 parse_data.py 解析数据，确认参数
2. 调用 gage_rr.py 执行分析
3. 调用 generate_charts.py 生成图表
4. 调用 generate_report.py 生成HTML报告
5. 返回报告并简要说明关键结论

TRACE 测评

维度	评分	说明
T — 可信任度	9/10	纯文档/脚本技能，无外部依赖风险，支持中文交互
R — 可靠性	9/10	有异常处理说明; 输出格式明确
A — 适用性	9/10	有适用范围声明; 触发条件明确
C — 规范性	10/10	frontmatter 完整; 文档结构清晰; 内容充分
E — 有效性	10/10	输出明确; 含使用示例; 文档详尽
总分	47/50	通过