AI来料检验定制：供应商批次差异与抽检策略

来料检验的难点不在单件判定，而在供应商批次之间的波动。同一物料，A 供应商尺寸稳定但表面偶有划痕，B 供应商外观一致却硬度偏低，用同一套固定抽检方案，很容易出现漏判或过度拦截。AI 来料检验定制的核心，是把检验策略从静态规则改成按批次动态调整。 落地时通常分三步。第一步是数据对齐：把 IQC 的测量值、供应商代码、批次号、到货时间和历史不良记录打通，形成按「供应商—物料—批次」组织的数据表。第二步是建基线：对每个供应商的每个物料，用近 6~12 个月数据估计均值、方差和不良率，作为该批次的先验。第三步是动态抽检：当某批次的前若干件测量值偏离基线超过阈值时，自动加严抽样量；连续稳定则回到正常或放宽水平。 两个容易被忽略的细节： 1. 测量系统要先过关。量具重复性再现性（GR&R）不达标时，AI 学到的“批次差异”可能只是测量噪声，建议先做一次 GR&R 再上模型。 2. 阈值不能只按统计显著性设。要结合后道工序的实际容忍度，把误判成本和漏判成本分开估算，再确定加严与放宽的触发点。 典型收益是把检验资源从稳定供应商挪到高风险批次，减少停线争议；典型风险是数据量不足导致基线不稳。若某物料历史批次少于 20 批，建议先用规则兜底，AI 只做辅助提示，等数据积累后再逐步接管决策。