作者：國工智能實施團隊—姜亦可

前言
      隨著消費者對產品個性化和品質升級的發展需求，制造業的復雜性大大增加，質量檢測環節已成為制造業中不可或缺的一部分，目前市面上絕大多數的LIMS系統僅實現或部分實現規范操作，保證質量。而大量的質檢數據對研發生產所起的指導作用十分有限，海量數據參數間的相互關系很難被操作人員解讀，這也使得杜絕風險，提高交付效率以及為企業創造最大的經濟效益成為空談。

國工智能實驗室管理系統融合了國工智能數據大腦平臺，平臺內提供上百種統計學相關算法及機器學習算法。通過這些算法對質檢數據進行分類分析、聚類分析、關聯分析、預測分析等，挖掘數據潛在價值，探索人力無法探知的規律，真正實現提高企業產品附加值及行業競爭力，助力企業快速發展。

案例
      某醫療用品生產企業，對生產的醫用防護手套外觀有一定要求，要求手套寬度符合≥80mm的標準。抽取10只手套，若有8只寬度都小于80mm，那么我們就會認為實際生產寬度小于80mm，不可采用目前設定的參數進行生產。若抽取10只，僅有1只小于80mm，那么我們并不會認為手套的實際寬度均小于80mm。因為，機器制造手套不可能100%保證每次都是完美的，個別小于80mm是正?，F象。所以，我們就可以通過單樣本率檢驗來判斷手套的實際生產寬度是否符合外觀標準。該手套生產企業一天能生產1萬只手套，將一天生產的手套作為整體，通過一定的方法抽樣得到50只手套，并對這50只手套的寬度進行檢測，寬度小于80mm的記作不合格（本案例需要每隔一段時間抽樣5只，共抽樣10次來形成樣本，以確保抽樣的涵蓋率），得到50次試驗手套寬度的檢驗結果，如表1所示。

表1 手套寬度抽檢結果

分析過程

國工數據大腦組件會定時對國工實驗室系統數據進行讀取，直接訪問數據庫獲取數據集，如圖1所示。

圖1  RDBMS讀取組件

使用集成好算法的單樣本率檢驗分析組件（One-proportion）進行數據的單比率分析處理，根據單樣本率假設檢驗的檢驗流程：首先確定檢驗的問題為“手套的實際生產寬度是否符合外觀標準”。所以我們將零假設H0設定為手套的實際生產寬度不符合外觀標準，那么備擇假設H1即可設定為手套的實際生產寬度符合外觀標準。我們可以設想，若手套的實際生產寬度≥80mm，則在抽取的50只手套中應只有少量幾只手套的寬度小于80mm，如果出現大量手套寬度小于80mm，則我們有理由懷疑手套的實際生產寬度小于80mm。所以，我們假設在抽取的50只手套中僅有2 只不合格的概率為0.01，即設定實驗數為50，不合格事件發生數量為2，目標概率為0.01，如圖2所示。當然，即使該企業使用當前生產參數生產的手套寬度≥80mm，因為偶然因素導致我們剛好抽取了很多寬度小于80mm的手套的情況也不可避免，此時按照我們的邏輯要拒絕零假設，也就是我們判斷錯了，我們可以將顯著性水平（判斷錯誤的概率）設定為0.05，如圖2所示。

圖2  單樣本率檢驗分析組件及參數配置

 圖3 系統分析結果

通過圖3的系統分析結果，我們可以看到，在上述參數下分析得到的零假設成立概率P為0.014，顯然小于顯著水平0.05，即原假設（0假設）成立的概率小于判斷失誤的概率，拒絕原假設，備選成立，該企業手套的實際生產寬度符合外觀標準。

與實驗室系統（LIMS）相融合

 國工數據大腦平臺可直接獲取實驗室LIMS系統中的實驗數據并將其對接到創建好的單樣本率檢驗分析模型中，根據得出的分析數據自動對檢驗結果進行判定，快速直接給出判定結果，規避人工審核過程中層層審核的等待時長和判定誤差；并將存在顯著性差異的報告重點推送給相關領導，系統可根據領導對存在顯著性差異報告的處理，自動觸發二次檢驗流程等操作。

含義
實驗室系統中的單樣本率檢驗是針對于樣本的單一特征，判斷樣本與樣本、樣本與總體的差異是由抽樣誤差引起還是本質差別造成的統計推斷方法。其基本原理是先對總體的特征做出某種假設，然后通過抽樣研究的統計推理，對此假設應該被拒絕還是接受做出推斷，也就是說假設檢驗的核心思想是小概率事件不易發生。

參數說明

1.試驗數：抽取的樣本數，如本例中的50只手套。

2.事件數：設定抽取的樣本中指定事件發生的次數，如本例中抽取的手套中不合格的有2只。

3.目標比率：設定抽取的樣本中指定事件發生某確定次數的理想概率，如本例中抽取的手套中僅有2只不合格的概率為0.01。

4.顯著性水平：原假設（0假設）為真時拒絕原假設的概率，通常設定為0.01或0.05，即為小概率事件。

適用范圍
使用單比率檢驗可以估計二項總體比率，并將該比率與目標值或參考值進行比較?？梢栽跀祿膯我惶匦詢H包含兩個類別（如合格/不合格）時執行使用此分析，確定總體比率是否不同于指定的假設比率和計算可能包括總體比率的值范圍。