质量管理QC技能

质量管理QC手法辅助工具；支持柏拉图、鱼骨图、直方图、控制图、散布图等图表自动生成；用户需进行质量分析、问题诊断或数据可视化时使用；覆盖QC七大手法

QC手法辅助工具

任务目标

• 本Skill用于:质量管理人员进行数据分析、问题诊断和可视化展示
• 能力包含:5种常用QC图表自动生成、操作指南、预设模板、数据导出
• 触发条件:用户需要进行质量分析、问题根因分析、数据分布查看、过程控制分析或相关性分析

前置准备

• 依赖说明:Python 3.x环境已就绪
• 非标准文件/文件夹准备:无特殊要求，脚本直接可用

操作步骤

1. 确定分析目标

根据用户需求确定使用的QC手法：

• 柏拉图(Pareto):质量问题排序、识别关键少数（80/20法则）
• 鱼骨图(Ishikawa):问题根因分析、人机料法环测分类
• 直方图(Histogram):数据分布查看、过程能力分析
• 控制图(Control Chart):过程稳定性监控、异常检测
• 散布图(Scatter):两变量相关性分析

2. 数据准备

方式一：用户直接输入数据

• 柏拉图:提供缺陷类别和数量
• 直方图:提供一组数值数据
• 控制图:提供子组数据和子组大小
• 散布图:提供两组数值数据

方式二：使用预设模板

• 调用脚本时指定模板名称，自动填充示例数据
• 模板列表见资源索引

3. 生成图表

选择对应脚本执行：

text

python scripts/qc_chart_generator.py --chart-type <类型> --data <数据> --output <输出路径>

详细参数见各脚本使用说明。

4. 结果解读

根据生成的图表，按照QC手法指南进行结果解读：

• 柏拉图:识别累计占比80%的问题
• 鱼骨图:分析各分类可能原因
• 直方图:判断分布形态和过程能力
• 控制图:识别超出控制限的点
• 散布图:判断相关性强弱和方向

5. 数据导出

图表数据和分析结果可导出为CSV/JSON格式便于存档。

使用示例

示例1：柏拉图分析

• 场景/输入:某工厂一周内发现5类质量问题，数量分别为：外观缺陷30件、尺寸偏差25件、装配不良20件、表面划痕15件、功能故障10件
• 预期产出:柏拉图图表，显示问题排序和累计占比
• 关键要点:数据格式为"类别:数量"，用户可补充工厂名称或时间段信息

示例2：控制图分析

• 场景/输入:生产线连续25个班次的产品的直径数据（子组均值），以及每个子组的测量次数
• 预期产出:X-bar控制图，显示UCL、CL、LCL及数据点
• 关键要点:可选择X-bar、R图或单值-移动极差图

示例3：鱼骨图分析

• 场景/输入:质量问题为"产品不良率高"，需要从人机料法环测6个维度分析
• 预期产出:鱼骨图框架，帮助系统思考根因
• 关键要点:可指定某个维度进行深度展开

资源索引

• 脚本:见 scripts/qc_chart_generator.py(用途:生成5种QC图表，支持数据导入和模板；参数见脚本内说明)
• 预设模板:见 assets/templates/(用途:提供各QC手法的示例数据模板)
• 参考:见 references/qc_guide.md(何时读取:需要了解具体QC手法操作步骤和结果解读时)

注意事项

• 数据输入请严格按照脚本要求的JSON格式
• 控制图参数(UCL/LCL)可由脚本自动计算，也可手动指定
• 图表默认输出PNG格式，可通过参数指定PDF/SVG格式
• 大量数据建议分批处理以提高性能

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