简介航空航天质量管理标准SAE AS9138由国际航空航天质量集团发布专门面向质量工程师、计划人员和审核员规定统计产品验收要求并整合替代了早期ARP9013系列文档。这份资源为完整英文原版PDF共1个文件文件类型为pdf压缩包大小约2.71MB便于存档、检索和打印适合质量部门作为标准文本使用。标准内容突出消费者保护导向对统计抽样计划、接受准则、风险管理、过程监控和持续改进给出了系统化要求同时附带多套统计表格与工具供实际计算和判定采用。2018版也同步更新了与9100/9110/9120质量体系相关术语使语言和现有航空航天管理体系保持一致便于企业直接引用或展开内部培训。已有252人浏览/学习尤其适合正在实施AS9138或需要编写产品验收规范、供应商审核清单的质量团队阅读后可以快速掌握条款重点和变更新点。1. 一份 94 页的标准凭什么决定你要抽多少件货产线检验员拿着一批 2000 件的零件问你要抽多少、允收多少如果你还在凭经验说“抽 125 件吧”那这和 AS9138 的统计产品验收要求就差了一步之遥。SAE AS9138 是航空航天质量管理体系里专门讲“统计产品验收Statistical Product AcceptanceSPA”的标准文件它回答的问题很具体当你不打算做 100% 检验时抽多少样本、允许出现多少不合格品才能让批次的接收判断有统计学依据。AS9100 的审核员在开不符合项时经常引用的就是这类要求。适合的读者是质量工程师、制造工程师、SQE 和体系审核员——你不需要先成为统计学家但至少要看得懂 OC 曲线、AQL 和 α/β 风险这几个词的物理意义才能把标准里的要求落到检验规程里。2. AS9138 的定位统计产品验收管什么不管什么2.1 从 AS9100 到 AS9138SPA 是“放行依据”而不是“过程控制”AS9100 系列标准要求在策划产品实现时确定“监视和测量活动”并特别强调当统计技术用于验证过程能力或产品特性时组织要建立并保持受控的程序。AS9138 就是专门针对“产品验收”这个环节提供统计方法的指导文件它和应用在过程监控的 SPC统计过程控制是两套东西。SPC 盯的是过程随时间的变化目的是预防SPA 盯的是已经生产出来的这批货目的是判断“能不能放行”。这个区别如果不分清很多企业会把控制图上的 Cpk 当作抽检的替代品这是审核中常见的误区。过程能力指数再高也只能说明这个过程在抽样时段内是稳定的不能保证每一个未检验的单元都合格。AS9138 的逻辑是如果你不打算全检至少要保证抽样方案本身的判别力能够覆盖供需双方的风险。2.2 产品验收方法的边界全检、SPA 与过程能力验证的关系在航空航天的供应链里验收往往不是“要么全检、要么抽检”这么简单。首件检验FAI解决的是“首批产品是否按正确的方法制造出来的”它和批次抽样解决的不是同一个问题。AS9138 规范的是“批次/批量产品的统计验收”它不替代首件检验也不替代设计验证或破坏性试验的试验大纲。以下矩阵是常见的验收方法选择逻辑验收方法解决的问题典型适用场景与 AS9138 的关系100% 检验每个单元都满足接收准则高风险特性、关键安全件、数量极少的批次不涉及抽样不需引用 SPA计数抽样验收批次不合格品率低于某个界限大批量、缺陷相互独立、检验成本敏感标准明确要求的关键方法计量抽样验收用样本均值/标准差推断批次均值特性呈正态分布且可测标准允许但对前提条件有要求SPC/过程能力验证确认过程持续受控批量大、自动化程度高不能作为批次放行的唯一依据AS9138 的价值在于把“用一批产品的不合格品数量来判断整批是否可接收”这个行为标准化并要求方案设计时先明确接收质量限AQL和风险承受水平。如果你所在的组织采取的是“抽 5 件若全好就放行”的做法那很遗憾这就不是统计产品验收而是一种没有判别力的惯例——它没有定义误判风险也没有规定批量与样本量的关系出了问题没有追溯依据。3. 抽样方案设计前必须算清的三类风险α、β 和 OC 曲线3.1 为什么 AQL 不等于“允许的不良率”AS9138 引用的核心概念是接收质量限AQLAcceptance Quality Limit。很多人把 AQL 误解为“这批次允许有这么多不良品”这是概念上的硬伤。AQL 是供需双方约定的一种过程平均质量水平当过程平均不合格品率等于或优于 AQL 时抽样方案会以较高概率接收该批。换句话说AQL 是“好的批次被接收的基准”不是“可以放行的不良率”。与 AQL 相对的是极限质量LQ 或 LTPD它表示使用方不愿意接收的更差质量水平。任何一个计数抽样方案都由样本量 n、接收数 AcReceipt number拒收数 ReAc1决定。方案设计的基本矛盾是n 越大方案区分好坏批的能力越强但检验成本越高Ac 越低对不良越严苛但生产方风险越高。3.2 用 Python 把 OC 曲线画出来再决定调 n 还是调 Ac抽样方案的特性可以用操作特性曲线OC 曲线Operating Characteristic Curve来完整描述。横轴是假设的批次不合格品率 p纵轴是该方案接收该批的概率 Pa。一个理想的方案应该在 p 小于 AQL 时 Pa1在 p 超过 LQ 时 Pa0但现实中的曲线是一条平滑的 S 形曲线。下面这段代码可以快速生成一个方案的 OC 曲线并标出你在意的 AQL 点import numpy as np from scipy.stats import binom import matplotlib.pyplot as plt def oc_curve(n, c, p_gridNone): 计算并绘制计数抽样方案的 OC 曲线。 参数 n: 样本量 c: 接收数样本中不合格品数 c 时接收该批 p_grid: 需要计算的点默认根据 n 自动生成 if p_grid is None: p_grid np.linspace(0, 0.15, 300) # 假设批量足够大二项分布近似有效 # 若 n/N 0.1 则更建议用超几何分布。 pa [binom.cdf(c, n, p) for p in p_grid] return p_grid, np.array(pa) def plot_oc(ax, n, c, aql, rql): p, pa oc_curve(n, c) ax.plot(p, pa, labelfn{n}, Ac{c}) ax.axvline(aql, colorgreen, linestyle--, labelfAQL{aql}) ax.axvline(rql, colorred, linestyle--, labelfLQ{rql}) ax.axhline(0.95, colorgreen, linestyle:, alpha0.5) ax.axhline(0.10, colorred, linestyle:, alpha0.5) ax.set_xlabel(不合格品率 p) ax.set_ylabel(接收概率 Pa) ax.legend() if __name__ __main__: fig, ax plt.subplots(figsize(8, 5)) # 示例批量很大时 n125, Ac2 的方案 plot_oc(ax, n125, c2, aql0.65/100, rql3.0/100) plt.title(OC Curve for n125, Ac2) plt.grid(alpha0.3) plt.tight_layout() plt.savefig(oc_curve_test.png, dpi150)代码里的binom.cdf(c, n, p)计算的是在 n 次独立试验中不合格品数不超过 c 的累积概率也就是接收概率。aql0.65/100和rql3.0/100只是示例你可以替换成自己约定的接收质量限和极限质量。参数调整的规律值得记住固定 Ac 增大 n曲线会变陡方案判别力增强固定 n 增大 Ac曲线右移方案变宽松生产方风险下降使用方风险上升。设计方案时我一般会先根据检验成本定一个 n 的上限再用 OC 曲线反查这个 n 是否能同时满足双方对 AQL 和 LQ 的风险要求。3.3 航空航天为什么倾向 Ac0 的零缺陷方案在 AS9138 的语境下很多关键特性会选择 Ac0 的抽样方案。这背后的逻辑不是“不允许任何缺陷存在”的口号而是当样本量小、批量大、缺陷不可能绝对为零时Ac0 的方案对不良品的敏感度更高。举个例子同样是 n50Ac0 的方案在批次不良率 2% 时的接收概率约为 0.36而 Ac1 的方案接收概率约为 0.74。对于后续装配成本极高、返工涉及适航问题的零件多发现一次批次性不良远比承担误判风险更有价值。但这并不意味着所有物料都该用 C0 计划。对于低风险、稳定供应的标准件Ac0 会让生产方风险显著上升供应商可能被迫频繁挑选反而破坏了供应链的稳定性。标准的要求是方案要和被检特性的风险等级匹配而不是一刀切。4. 把 AS9138 落到检验规程AQL、检验水平与转移规则4.1 五个必填参数批量、检验水平、AQL、n、Ac 的确定流程在大多数企业里统计产品验收的实施载体是《进货检验规程》或《产品最终检验规程》。一个可执行的抽样方案必须按下面的顺序来确定任何一步跳过都会导致方案不完整。步骤要确定的参数常见做法注意事项1批量 N按生产批或交付批定义仓库临时拼批会让方案失效2检验水平一般检验水平 II 或特殊水平 S-2/S-3破坏性检验或成本高用特殊水平3AQL 值按特性风险和客户要求定AQL 只适用于连续批孤立批要单独评估4样本量字母由 N 与检验水平查 ANSI/ASQ Z1.4 表与 ISO 2859-1 通用5n 与 Ac由样本量字母和 AQL 交叉查表得出记录方案版本避免换版混淆以一个实际例子来说明某液压阀体批次数量为 2000 件关键尺寸的特性要求 AQL0.65%选择一般检验水平 II。在 ASQ Z1.4 中2000 件落在“1201~3200”的批量范围对应样本量字母 K正常检验的样本量 n125。AQL0.65% 与字母 K 交叉接收数 Ac2拒收数 Re3。也就是说从 125 件中查出 2 件以下不合格则整批接收查出 3 件则整批拒收。这里有个容易踩的坑Ac2 指的是“样本中的不合格品数”而不是“批次中允许有 2 件不良”。批次里到底有多少不良你是不知道的抽样只是以一定的概率对这个未知量做出判断。很多质量工程师把这两个概念混在一起向供应商解释拒收原因时就会出现逻辑漏洞。4.2 用脚本自动产检方案减少人为查表错误查表本身不复杂但在多品种小批量的航天供应链环境里人工查表非常容易出错。常见做法是把抽样表的有效字段录入到系统中用代码按批量范围和 AQL 直接返回方案。下面是一个简化的脚本示例演示的数据结构只覆盖了部分批量区间实际部署时应将 Z1.4 完整表录入# 简化的抽样方案查询示例只覆盖一般检验水平 II正常检验 # 正式实施时需按 ANSI/ASQ Z1.4-2019 的完整主表录入 SAMPLE_CODE_TABLE { (2, 8): A, (9, 15): B, (16, 25): C, (26, 50): D, (51, 90): E, (91, 150): F, (151, 280): G, (281, 500): H, (501, 1200): J, (1201, 3200): K, } # 关键样本字母与 AQL0.65% 的抽样方案示例正常检验 PLAN_FOR_AQL { K: {n: 125, Ac: 2, Re: 3}, } def get_sampling_plan(batch_size: int, aql: float 0.65): 根据批量和 AQL 返回 (n, Ac, Re)。 for (lo, hi), code in SAMPLE_CODE_TABLE.items(): if lo batch_size hi: if code in PLAN_FOR_AQL: plan PLAN_FOR_AQL[code] return code, plan[n], plan[Ac], plan[Re] else: return code, None, None, None raise ValueError(batch_size out of sample code range) if __name__ __main__: code, n, ac, re get_sampling_plan(2000, aql0.65) print(f样本字母: {code}, n: {n}, Ac: {ac}, Re: {re}) if n is None: print(警告当前 AQL 下该样本字母无直接方案可能需要换页或加严检验)脚本中的SAMPLE_CODE_TABLE用批量范围映射到样本字母PLAN_FOR_AQL保存了 AQL 对应的方案。在正式项目里你需要把一般检验水平 II 的正常检验、加严检验、放宽检验的全部交叉项录入并增加inspection_level参数。这样检验员在系统里输入批量和物料号就可以直接得到 n、Ac、Re 三个值而不是抱着一本 PDF 翻表。4.3 转移规则正常、加严、放宽的切换条件是审核重点AS9138 相关的接受抽样体系还包含转移规则这在审核中经常被忽略。转移规则的核心逻辑是历史质量好的供应商可以放宽检验以降低检验成本历史质量差的必须加严检验以保护使用方。简化的转移规则如下正常检验开始时若连续 10 批或按标准规定的批次数量均被接收且过程平均质量优于 AQL可转移到放宽检验加严检验开始后若累计 5 批仍不合格则停止接收检验直到供应商采取纠正措施并重新验证。这里最容易被开不符合项的地方在于企业制定了加严规则但发现供应商质量波动时没有切换到加严方案仍然按正常检验放行。AS9100 审核员在查阅检验记录时会重点看“连续不合格批次”和“是否启动转移”之间的对应关系。4.4 批次不合格的处置闭环挑选与返工不能破坏原始数据当批次被判拒收时最常见的企业做法是 100% 挑选。这个动作本身是被允许的但要在流程中留下两个记录第一原始抽样记录必须保留不能因为挑选后全部合格就把最初的不合格信息抹掉第二挑选后重新提交检验时一般应按加严检验执行而不是再次使用正常检验。很多不良品批次在经过供应商挑选后再次提交时又按正常方案抽一次等于把第一次的拒收信息从统计意义上“清零”了。这个做法和 AS9138 的持续改进逻辑相悖——它忽略了一个基本事实过程已经表现出超过 AQL 水平的波动只是这次抽样又侥幸通过了。5. 文件化与证据链把 SPA 嵌入质量管理体系的四个关键文件5.1 质量手册、程序文件、作业指导书、记录表各写什么统计产品验收不是一句“我们按照 AS9138 执行”就完事了的它必须转化为可审核的文件和记录。根据 AS9100 对成文信息的要求SPA 相关的文件至少要覆盖四个层面这里逐一说明第一层是质量手册中的简要声明写明在采购产品验收和最终产品放行中使用统计抽样并引用 AS9138 作为方法基础。第二层是程序文件《统计产品验收控制程序》必须定义 AQL 的制定权限、检验水平的选择原则、转移规则的触发条件以及批次不合格时的处置流程。第三层是作业指导书要告诉检验员“怎么查表/调系统得到 n 和 Ac”“样本怎么抽取随机性要求”“出现边缘情况时找谁判定”。第四层是记录表单包括抽样记录、拒收通知、复检记录、转移状态记录。很多企业在第二层写得很薄只写了“按 ANSI/ASQ Z1.4 执行”却没说清楚 AQL 由谁定、多久评审一次、与客户要求冲突时以谁为准。AS9100 审核员在文件审查阶段就会对此提出质疑。5.2 SPA 记录的实证要求一组可追溯的数据每个抽样记录至少应该包含以下字段物料号与图号、供应商/内部生产批号、批量 N、当前检验水平与转移状态、样本量 n、AQL 值、接收数 Ac 与拒收数 Re、实际不合格品数、判定结果、检验员签名或系统账号、日期。建议用统一的 CSV 或数据库叶字段来管理这些数据便于在客户审核时快速导出-- 抽样记录的推荐表结构与查询示例SQLite/PostgreSQL 均可 CREATE TABLE sampling_records ( id INTEGER PRIMARY KEY, part_no TEXT NOT NULL, batch_id TEXT NOT NULL, lot_size INTEGER NOT NULL, inspection_level TEXT NOT NULL, sampling_code TEXT, sample_size INTEGER NOT NULL, aql NUMERIC NOT NULL, ac INTEGER NOT NULL, re INTEGER NOT NULL, defect_count INTEGER NOT NULL, verdict TEXT NOT NULL CHECK (verdict IN (accept, reject)), inspection_date DATE NOT NULL ); -- 查询过去 6 个月内拒收次数超过 3 次的物料用于触发加严检验 SELECT part_no, COUNT(*) AS reject_count FROM sampling_records WHERE verdict reject AND inspection_date date(now, -6 months) GROUP BY part_no HAVING COUNT(*) 3 ORDER BY reject_count DESC;这段 SQL 展示了如何把抽样记录结构化并自动识别需要加严的物料。verdict字段的 CHECK 约束可以避免录入歧义。实际项目中我的习惯是在检验工序的扫码终端上直接录入这些字段而不是事后录入 Excel否则统计转移规则时往往缺数据。第 5.3 节还要提醒一个边界SPA 不能取消首件检验FAI。AS9102 规定首件检验的目的是确认生产过程能持续生成符合要求的产品而 SPA 是对已生产批次的接收判断。两者的证据链都必须独立留存。审核时若发现企业用“供应商有进货抽检记录”来替代首件报告这会是一个严重不符合项。6. 三个进阶技巧让 AS9138 从“写了文件”变成“用得上”6.1 把 OC 曲线画到检验站看板上让“抽多少”不再靠解释方案设计完了检验员常常不理解为什么 AQL0.65% 时 125 件里允许 2 件不合格。把当批方案的 OC 曲线打印张贴在检验站加上两个标记点AQL 点Pa≈95%和 LQ 点Pa≈10%。检验员一眼就能明白这个方案不是允许 2 件不良而是“批次不良率 0.65% 时有 95% 概率被接 收不良率 3% 时只有 10% 概率被接收”。这比训斥式的“照章执行”有效得多。6.2 样品量超批量 10% 时改用超几何分布验证方案当抽取样本量 n 与批量 N 的比值超过 0.1 时二项分布近似的误差会明显变大尤其在小批量、大样本的航天场景里经常遇到。此时建议用超几何分布重新计算接收概率不要在 Excel 里硬套BINOM.DIST。Python 的scipy.stats.hypergeom可以直接给出精确值。方案是否成立应以超几何分布的计算结果为准。6.3 审核前自我检查三连问内部审核前对照 AS9138 检查这三个问题第一是否所有未 100% 检验的物料/工序都有明确定义的 AQL 和检验水平有没有“默认抽 5 件”的灰色地带第二转移规则是否自动执行连续不合格批次是否触发了加严检验有没有人为跳过第三抽样记录能否追溯到当时的方案版本标准换版后表单是否同步更新。这三个问题覆盖了文件、执行、记录三层证据链也是外部审核员最常切入的角度。把这三个问题变成你们的月度质量例会固定议题SPA 就从“纸面程序”变成了持续改进的抓手。本文还有配套的精品资源点击获取 AS9138统计产品验收指南：用AQL和OC曲线设计科学抽样方案
简介航空航天质量管理标准SAE AS9138由国际航空航天质量集团发布专门面向质量工程师、计划人员和审核员规定统计产品验收要求并整合替代了早期ARP9013系列文档。这份资源为完整英文原版PDF共1个文件文件类型为pdf压缩包大小约2.71MB便于存档、检索和打印适合质量部门作为标准文本使用。标准内容突出消费者保护导向对统计抽样计划、接受准则、风险管理、过程监控和持续改进给出了系统化要求同时附带多套统计表格与工具供实际计算和判定采用。2018版也同步更新了与9100/9110/9120质量体系相关术语使语言和现有航空航天管理体系保持一致便于企业直接引用或展开内部培训。已有252人浏览/学习尤其适合正在实施AS9138或需要编写产品验收规范、供应商审核清单的质量团队阅读后可以快速掌握条款重点和变更新点。1. 一份 94 页的标准凭什么决定你要抽多少件货产线检验员拿着一批 2000 件的零件问你要抽多少、允收多少如果你还在凭经验说“抽 125 件吧”那这和 AS9138 的统计产品验收要求就差了一步之遥。SAE AS9138 是航空航天质量管理体系里专门讲“统计产品验收Statistical Product AcceptanceSPA”的标准文件它回答的问题很具体当你不打算做 100% 检验时抽多少样本、允许出现多少不合格品才能让批次的接收判断有统计学依据。AS9100 的审核员在开不符合项时经常引用的就是这类要求。适合的读者是质量工程师、制造工程师、SQE 和体系审核员——你不需要先成为统计学家但至少要看得懂 OC 曲线、AQL 和 α/β 风险这几个词的物理意义才能把标准里的要求落到检验规程里。2. AS9138 的定位统计产品验收管什么不管什么2.1 从 AS9100 到 AS9138SPA 是“放行依据”而不是“过程控制”AS9100 系列标准要求在策划产品实现时确定“监视和测量活动”并特别强调当统计技术用于验证过程能力或产品特性时组织要建立并保持受控的程序。AS9138 就是专门针对“产品验收”这个环节提供统计方法的指导文件它和应用在过程监控的 SPC统计过程控制是两套东西。SPC 盯的是过程随时间的变化目的是预防SPA 盯的是已经生产出来的这批货目的是判断“能不能放行”。这个区别如果不分清很多企业会把控制图上的 Cpk 当作抽检的替代品这是审核中常见的误区。过程能力指数再高也只能说明这个过程在抽样时段内是稳定的不能保证每一个未检验的单元都合格。AS9138 的逻辑是如果你不打算全检至少要保证抽样方案本身的判别力能够覆盖供需双方的风险。2.2 产品验收方法的边界全检、SPA 与过程能力验证的关系在航空航天的供应链里验收往往不是“要么全检、要么抽检”这么简单。首件检验FAI解决的是“首批产品是否按正确的方法制造出来的”它和批次抽样解决的不是同一个问题。AS9138 规范的是“批次/批量产品的统计验收”它不替代首件检验也不替代设计验证或破坏性试验的试验大纲。以下矩阵是常见的验收方法选择逻辑验收方法解决的问题典型适用场景与 AS9138 的关系100% 检验每个单元都满足接收准则高风险特性、关键安全件、数量极少的批次不涉及抽样不需引用 SPA计数抽样验收批次不合格品率低于某个界限大批量、缺陷相互独立、检验成本敏感标准明确要求的关键方法计量抽样验收用样本均值/标准差推断批次均值特性呈正态分布且可测标准允许但对前提条件有要求SPC/过程能力验证确认过程持续受控批量大、自动化程度高不能作为批次放行的唯一依据AS9138 的价值在于把“用一批产品的不合格品数量来判断整批是否可接收”这个行为标准化并要求方案设计时先明确接收质量限AQL和风险承受水平。如果你所在的组织采取的是“抽 5 件若全好就放行”的做法那很遗憾这就不是统计产品验收而是一种没有判别力的惯例——它没有定义误判风险也没有规定批量与样本量的关系出了问题没有追溯依据。3. 抽样方案设计前必须算清的三类风险α、β 和 OC 曲线3.1 为什么 AQL 不等于“允许的不良率”AS9138 引用的核心概念是接收质量限AQLAcceptance Quality Limit。很多人把 AQL 误解为“这批次允许有这么多不良品”这是概念上的硬伤。AQL 是供需双方约定的一种过程平均质量水平当过程平均不合格品率等于或优于 AQL 时抽样方案会以较高概率接收该批。换句话说AQL 是“好的批次被接收的基准”不是“可以放行的不良率”。与 AQL 相对的是极限质量LQ 或 LTPD它表示使用方不愿意接收的更差质量水平。任何一个计数抽样方案都由样本量 n、接收数 AcReceipt number拒收数 ReAc1决定。方案设计的基本矛盾是n 越大方案区分好坏批的能力越强但检验成本越高Ac 越低对不良越严苛但生产方风险越高。3.2 用 Python 把 OC 曲线画出来再决定调 n 还是调 Ac抽样方案的特性可以用操作特性曲线OC 曲线Operating Characteristic Curve来完整描述。横轴是假设的批次不合格品率 p纵轴是该方案接收该批的概率 Pa。一个理想的方案应该在 p 小于 AQL 时 Pa1在 p 超过 LQ 时 Pa0但现实中的曲线是一条平滑的 S 形曲线。下面这段代码可以快速生成一个方案的 OC 曲线并标出你在意的 AQL 点import numpy as np from scipy.stats import binom import matplotlib.pyplot as plt def oc_curve(n, c, p_gridNone): 计算并绘制计数抽样方案的 OC 曲线。 参数 n: 样本量 c: 接收数样本中不合格品数 c 时接收该批 p_grid: 需要计算的点默认根据 n 自动生成 if p_grid is None: p_grid np.linspace(0, 0.15, 300) # 假设批量足够大二项分布近似有效 # 若 n/N 0.1 则更建议用超几何分布。 pa [binom.cdf(c, n, p) for p in p_grid] return p_grid, np.array(pa) def plot_oc(ax, n, c, aql, rql): p, pa oc_curve(n, c) ax.plot(p, pa, labelfn{n}, Ac{c}) ax.axvline(aql, colorgreen, linestyle--, labelfAQL{aql}) ax.axvline(rql, colorred, linestyle--, labelfLQ{rql}) ax.axhline(0.95, colorgreen, linestyle:, alpha0.5) ax.axhline(0.10, colorred, linestyle:, alpha0.5) ax.set_xlabel(不合格品率 p) ax.set_ylabel(接收概率 Pa) ax.legend() if __name__ __main__: fig, ax plt.subplots(figsize(8, 5)) # 示例批量很大时 n125, Ac2 的方案 plot_oc(ax, n125, c2, aql0.65/100, rql3.0/100) plt.title(OC Curve for n125, Ac2) plt.grid(alpha0.3) plt.tight_layout() plt.savefig(oc_curve_test.png, dpi150)代码里的binom.cdf(c, n, p)计算的是在 n 次独立试验中不合格品数不超过 c 的累积概率也就是接收概率。aql0.65/100和rql3.0/100只是示例你可以替换成自己约定的接收质量限和极限质量。参数调整的规律值得记住固定 Ac 增大 n曲线会变陡方案判别力增强固定 n 增大 Ac曲线右移方案变宽松生产方风险下降使用方风险上升。设计方案时我一般会先根据检验成本定一个 n 的上限再用 OC 曲线反查这个 n 是否能同时满足双方对 AQL 和 LQ 的风险要求。3.3 航空航天为什么倾向 Ac0 的零缺陷方案在 AS9138 的语境下很多关键特性会选择 Ac0 的抽样方案。这背后的逻辑不是“不允许任何缺陷存在”的口号而是当样本量小、批量大、缺陷不可能绝对为零时Ac0 的方案对不良品的敏感度更高。举个例子同样是 n50Ac0 的方案在批次不良率 2% 时的接收概率约为 0.36而 Ac1 的方案接收概率约为 0.74。对于后续装配成本极高、返工涉及适航问题的零件多发现一次批次性不良远比承担误判风险更有价值。但这并不意味着所有物料都该用 C0 计划。对于低风险、稳定供应的标准件Ac0 会让生产方风险显著上升供应商可能被迫频繁挑选反而破坏了供应链的稳定性。标准的要求是方案要和被检特性的风险等级匹配而不是一刀切。4. 把 AS9138 落到检验规程AQL、检验水平与转移规则4.1 五个必填参数批量、检验水平、AQL、n、Ac 的确定流程在大多数企业里统计产品验收的实施载体是《进货检验规程》或《产品最终检验规程》。一个可执行的抽样方案必须按下面的顺序来确定任何一步跳过都会导致方案不完整。步骤要确定的参数常见做法注意事项1批量 N按生产批或交付批定义仓库临时拼批会让方案失效2检验水平一般检验水平 II 或特殊水平 S-2/S-3破坏性检验或成本高用特殊水平3AQL 值按特性风险和客户要求定AQL 只适用于连续批孤立批要单独评估4样本量字母由 N 与检验水平查 ANSI/ASQ Z1.4 表与 ISO 2859-1 通用5n 与 Ac由样本量字母和 AQL 交叉查表得出记录方案版本避免换版混淆以一个实际例子来说明某液压阀体批次数量为 2000 件关键尺寸的特性要求 AQL0.65%选择一般检验水平 II。在 ASQ Z1.4 中2000 件落在“1201~3200”的批量范围对应样本量字母 K正常检验的样本量 n125。AQL0.65% 与字母 K 交叉接收数 Ac2拒收数 Re3。也就是说从 125 件中查出 2 件以下不合格则整批接收查出 3 件则整批拒收。这里有个容易踩的坑Ac2 指的是“样本中的不合格品数”而不是“批次中允许有 2 件不良”。批次里到底有多少不良你是不知道的抽样只是以一定的概率对这个未知量做出判断。很多质量工程师把这两个概念混在一起向供应商解释拒收原因时就会出现逻辑漏洞。4.2 用脚本自动产检方案减少人为查表错误查表本身不复杂但在多品种小批量的航天供应链环境里人工查表非常容易出错。常见做法是把抽样表的有效字段录入到系统中用代码按批量范围和 AQL 直接返回方案。下面是一个简化的脚本示例演示的数据结构只覆盖了部分批量区间实际部署时应将 Z1.4 完整表录入# 简化的抽样方案查询示例只覆盖一般检验水平 II正常检验 # 正式实施时需按 ANSI/ASQ Z1.4-2019 的完整主表录入 SAMPLE_CODE_TABLE { (2, 8): A, (9, 15): B, (16, 25): C, (26, 50): D, (51, 90): E, (91, 150): F, (151, 280): G, (281, 500): H, (501, 1200): J, (1201, 3200): K, } # 关键样本字母与 AQL0.65% 的抽样方案示例正常检验 PLAN_FOR_AQL { K: {n: 125, Ac: 2, Re: 3}, } def get_sampling_plan(batch_size: int, aql: float 0.65): 根据批量和 AQL 返回 (n, Ac, Re)。 for (lo, hi), code in SAMPLE_CODE_TABLE.items(): if lo batch_size hi: if code in PLAN_FOR_AQL: plan PLAN_FOR_AQL[code] return code, plan[n], plan[Ac], plan[Re] else: return code, None, None, None raise ValueError(batch_size out of sample code range) if __name__ __main__: code, n, ac, re get_sampling_plan(2000, aql0.65) print(f样本字母: {code}, n: {n}, Ac: {ac}, Re: {re}) if n is None: print(警告当前 AQL 下该样本字母无直接方案可能需要换页或加严检验)脚本中的SAMPLE_CODE_TABLE用批量范围映射到样本字母PLAN_FOR_AQL保存了 AQL 对应的方案。在正式项目里你需要把一般检验水平 II 的正常检验、加严检验、放宽检验的全部交叉项录入并增加inspection_level参数。这样检验员在系统里输入批量和物料号就可以直接得到 n、Ac、Re 三个值而不是抱着一本 PDF 翻表。4.3 转移规则正常、加严、放宽的切换条件是审核重点AS9138 相关的接受抽样体系还包含转移规则这在审核中经常被忽略。转移规则的核心逻辑是历史质量好的供应商可以放宽检验以降低检验成本历史质量差的必须加严检验以保护使用方。简化的转移规则如下正常检验开始时若连续 10 批或按标准规定的批次数量均被接收且过程平均质量优于 AQL可转移到放宽检验加严检验开始后若累计 5 批仍不合格则停止接收检验直到供应商采取纠正措施并重新验证。这里最容易被开不符合项的地方在于企业制定了加严规则但发现供应商质量波动时没有切换到加严方案仍然按正常检验放行。AS9100 审核员在查阅检验记录时会重点看“连续不合格批次”和“是否启动转移”之间的对应关系。4.4 批次不合格的处置闭环挑选与返工不能破坏原始数据当批次被判拒收时最常见的企业做法是 100% 挑选。这个动作本身是被允许的但要在流程中留下两个记录第一原始抽样记录必须保留不能因为挑选后全部合格就把最初的不合格信息抹掉第二挑选后重新提交检验时一般应按加严检验执行而不是再次使用正常检验。很多不良品批次在经过供应商挑选后再次提交时又按正常方案抽一次等于把第一次的拒收信息从统计意义上“清零”了。这个做法和 AS9138 的持续改进逻辑相悖——它忽略了一个基本事实过程已经表现出超过 AQL 水平的波动只是这次抽样又侥幸通过了。5. 文件化与证据链把 SPA 嵌入质量管理体系的四个关键文件5.1 质量手册、程序文件、作业指导书、记录表各写什么统计产品验收不是一句“我们按照 AS9138 执行”就完事了的它必须转化为可审核的文件和记录。根据 AS9100 对成文信息的要求SPA 相关的文件至少要覆盖四个层面这里逐一说明第一层是质量手册中的简要声明写明在采购产品验收和最终产品放行中使用统计抽样并引用 AS9138 作为方法基础。第二层是程序文件《统计产品验收控制程序》必须定义 AQL 的制定权限、检验水平的选择原则、转移规则的触发条件以及批次不合格时的处置流程。第三层是作业指导书要告诉检验员“怎么查表/调系统得到 n 和 Ac”“样本怎么抽取随机性要求”“出现边缘情况时找谁判定”。第四层是记录表单包括抽样记录、拒收通知、复检记录、转移状态记录。很多企业在第二层写得很薄只写了“按 ANSI/ASQ Z1.4 执行”却没说清楚 AQL 由谁定、多久评审一次、与客户要求冲突时以谁为准。AS9100 审核员在文件审查阶段就会对此提出质疑。5.2 SPA 记录的实证要求一组可追溯的数据每个抽样记录至少应该包含以下字段物料号与图号、供应商/内部生产批号、批量 N、当前检验水平与转移状态、样本量 n、AQL 值、接收数 Ac 与拒收数 Re、实际不合格品数、判定结果、检验员签名或系统账号、日期。建议用统一的 CSV 或数据库叶字段来管理这些数据便于在客户审核时快速导出-- 抽样记录的推荐表结构与查询示例SQLite/PostgreSQL 均可 CREATE TABLE sampling_records ( id INTEGER PRIMARY KEY, part_no TEXT NOT NULL, batch_id TEXT NOT NULL, lot_size INTEGER NOT NULL, inspection_level TEXT NOT NULL, sampling_code TEXT, sample_size INTEGER NOT NULL, aql NUMERIC NOT NULL, ac INTEGER NOT NULL, re INTEGER NOT NULL, defect_count INTEGER NOT NULL, verdict TEXT NOT NULL CHECK (verdict IN (accept, reject)), inspection_date DATE NOT NULL ); -- 查询过去 6 个月内拒收次数超过 3 次的物料用于触发加严检验 SELECT part_no, COUNT(*) AS reject_count FROM sampling_records WHERE verdict reject AND inspection_date date(now, -6 months) GROUP BY part_no HAVING COUNT(*) 3 ORDER BY reject_count DESC;这段 SQL 展示了如何把抽样记录结构化并自动识别需要加严的物料。verdict字段的 CHECK 约束可以避免录入歧义。实际项目中我的习惯是在检验工序的扫码终端上直接录入这些字段而不是事后录入 Excel否则统计转移规则时往往缺数据。第 5.3 节还要提醒一个边界SPA 不能取消首件检验FAI。AS9102 规定首件检验的目的是确认生产过程能持续生成符合要求的产品而 SPA 是对已生产批次的接收判断。两者的证据链都必须独立留存。审核时若发现企业用“供应商有进货抽检记录”来替代首件报告这会是一个严重不符合项。6. 三个进阶技巧让 AS9138 从“写了文件”变成“用得上”6.1 把 OC 曲线画到检验站看板上让“抽多少”不再靠解释方案设计完了检验员常常不理解为什么 AQL0.65% 时 125 件里允许 2 件不合格。把当批方案的 OC 曲线打印张贴在检验站加上两个标记点AQL 点Pa≈95%和 LQ 点Pa≈10%。检验员一眼就能明白这个方案不是允许 2 件不良而是“批次不良率 0.65% 时有 95% 概率被接 收不良率 3% 时只有 10% 概率被接收”。这比训斥式的“照章执行”有效得多。6.2 样品量超批量 10% 时改用超几何分布验证方案当抽取样本量 n 与批量 N 的比值超过 0.1 时二项分布近似的误差会明显变大尤其在小批量、大样本的航天场景里经常遇到。此时建议用超几何分布重新计算接收概率不要在 Excel 里硬套BINOM.DIST。Python 的scipy.stats.hypergeom可以直接给出精确值。方案是否成立应以超几何分布的计算结果为准。6.3 审核前自我检查三连问内部审核前对照 AS9138 检查这三个问题第一是否所有未 100% 检验的物料/工序都有明确定义的 AQL 和检验水平有没有“默认抽 5 件”的灰色地带第二转移规则是否自动执行连续不合格批次是否触发了加严检验有没有人为跳过第三抽样记录能否追溯到当时的方案版本标准换版后表单是否同步更新。这三个问题覆盖了文件、执行、记录三层证据链也是外部审核员最常切入的角度。把这三个问题变成你们的月度质量例会固定议题SPA 就从“纸面程序”变成了持续改进的抓手。本文还有配套的精品资源点击获取