Minitab教材4.ppt

MSA测量系统分析 MSA的目的 了解测量系统是否有足够的能力来侦测出产品或制程参数的变更。 MSA分析的对像 只要控制计划当中所提出的测量系统就必须进行分析。 包含产品特性 包含过程特性 MSA分析方法的分类 计量型MSA 计数型MSA 破坏性MSA 偏移 Bias 重复性 Repeatability 再现性 Reproducibility 稳定性 Stability 线性 Linearity 线性 Linearity Case study 你喜欢什么类型仪器 稳定性分析的做法 稳定性分析的做法 稳定性分析的做法 稳定性分析的做法 稳定性分析的做法 稳定性分析的做法 稳定性分析的做法 范例 结果判定 可以利用Xbar-MASTER来评估其偏差程度。 可以利用Rbar/d2来评估其EV，例用EV/TV可以了解其相应的EV%。 示例 Master的值为48 产品的公差为48+-2 所以偏差为影响百分比为 48.48-48 /4，当然也可以进行相应的统计t检定看是否有显著差异 利用Rbar/d2来估计其标准差，也可以评估其相应的EV%。 Minitab的做法 偏倚分析的做法 偏倚分析的做法 偏倚分析的做法 偏倚分析的做法 偏倚分析的做法 偏倚分析的做法 偏倚分析的做法 偏倚分析的做法 偏差练习 数据解析结果 将数据输入minitab 设定检定对像及检定值 绘图选检定直方图 置信区间选0.95 结果输出 One-Sample T: 偏差 Test of mu 0 vs mu not 0 Variable N Mean StDev SE Mean 偏差 15 0.0067 0.2120 0.0547 Variable 95.0% CI T P 偏差 -0.1107, 0.1241 0.12 0.905 t Histogram of 偏差 图形输出 线性分析的做法 线性分析 线性分析 线性分析 线性分析 线性分析 线性分析 线性分析 线性示例 一名工厂主管希望对过程采用新测量系统。作为PPAP的一部份，需要评价测量系统的线性。基于已证明的过程变差，在测量系统操作量程内选择了五个零件。每个零件经过全尺寸检测测量以确定其基准值。然后由领班分别测量每个零件12次。研究中零件是被随机选择的。 示例 输入数据 输入参数 结果输出 Regression Analysis: bias versus m The regression equation is bias 0.737 - 0.132 m Predictor Coef SE Coef T P Constant 0.73667 0.07252 10.16 0.000 m -0.13167 0.01093 -12.04 0.000 S 0.2395 R-Sq 71.4% R-Sq adj 70.9% Analysis of Variance Source DF SS MS F P Regression 1 8.3213 8.3213 145.02 0.000 Residual Error 58 3.3280 0.0574 Total 59 11.6493 Unusual Observations Obs m bias Fit SE Fit Residual St Resid 13 4.0 1.1000 0.2100 0.0379 0.8900 3.76R 16 4.0 1.0000 0.2100 0.0379 0.7900 3.34R R denotes an observation with a large standardized residual 判定 图形分析显示特殊原因可能影响测量系统。基准值4数据显示可能是双峰。 即使不考虑基准值数据4，作图分析也清楚的显示出测量系统有线性问题。R2值指出线性模型对于数据是不适合的模型。即使模型可以接受，”偏倚 0”线与置信交叉而不是被包含其中。 此时，主管应该开始分析和解决测量系统的问题，因为数据分析不会提供任何其它的有价值的线索。然而，为确保所有书面文文件都已作标记，主管还是计算了在此斜率和截距情况下的t统计量。 ta -12.043 tb 10.158 判定 采用默认值α 0.05，t表自由度 gm-2 58和0.975的比率，主管得出关键值t58,0.975 2.00172。 因为ta t58,0.975，从作图分析获得的结果由数据分析得到增强─测量系统存在线性问题。 在此种情况下，因为有线性问题，tb与t58,0.975的关系如何无关紧要。引起线性问题可能的原因也可以在前面中找到。 如果测量存在线性问题，需要通过调整软件