MSA---GRR.ppt

测量系统分析 问题引入 问题引入 课程目的 介绍两种测量系统的分析方法 记数型测量系统的重复性和再现性（ Attribute RR ） 计量型重复性和再现性（Gage RR）： 介绍计量型量具能力的概念 分辨率（Resolution） 准确度（Accuracy）： 偏倚（Bias），线性（Linearity），稳定性（Stability），相关性（Correlation） 精度（Precision）： 重复性（Repeatability），再现性（Reproducibility） 衡量指标（Metrics）：P/T，P/TV，%Contribution 演示和实践针对属性数据的量具研究方法 演示和实践针对连续变量数据的量具研究方法 量具的类型有多少？ 变量型量具 电压仪 卡尺 量杯 反射计 压力计 温度计 属性性量具 测隙规 通止规（Go-no gage) 目测（pass/fail） Attribute RR 属性 RR 的目的 评估过程 对照客户的要求，来评估你的检测和技能标准 确认所有的班次、设备等使用同样的衡量标准来判断好与坏； 量化检验者重复测量的准确性的能力 确认检测者们对“已知基准”（包括用户和生产者偏倚）遵从的程度 改进过程 发现什么地方需要培训，什么地方缺少程序，什么地方标准没有被定义 Attribute RR – 术语 鉴定者的得分%（Appraiser Score）– 操作工对某属性RR的一致性的比例 属性数据（Attribute Data）– 用于记录和分析的质量评价的数据（通/止） 属性测量系统（Attribute Measurement System） – 某一将每一部件与标准件相对比的（若符和标准，则接受）的测量系统 用户偏倚（Customer Bias） – 操作工有将好的产品视为不合格品的倾向 生产者偏倚（Producer Bias）– 操作工有将不好的产品视为好的产品的倾向 有效筛选的得分%（Effective Screen Score） – 所有操作工自己和他们之间对某属性RR的一致性比例 基准值（Master Value） – 用更高准确度的量具所测出的某部件的某一特性的平均值 筛选（Screen） – 100%的产品用检验技术进行评估 筛选的有效性（Screen Effectiveness） – 属性测量系统鉴别好或坏的能力 属性 RR 的方法 设定 从过程中选择30个部件，50%良品，50%不良 若有可能，选择一些介于好与坏分界线之间的样品 选择检验者 – 经过全面训练并合格的 执行 每一个检测者按照随机的顺序检测部件，并确认是通过检验还是不通过检验。每一个检测者重复检测1 分析 可以利用Excel分析（AttributeRR.xls文件） 或者可以利用Minitab分析 评估 结果文件化 若有必要，采取适宜的措施以修正过程 标准没有清晰定义 需要培训 再对测量系统进行研究，以确认修正的有效性 Attribute RR – Excel方法 Attribute RR – Minitab 方法 Attribute RR – 结论 Attribute RR – 结论 属性 RR – 练习 分成小组，每组代表不同班次 你的工作是确认MM巧克力是否符合给用户的交付要求。你的上司告诉你客户希望要外观OK的产品 你们的讲师将给你们样品 20件样品将用该Attribute RR过程来确认，将样品排成4列以便观察样本（它们应该是被随机排列） 确定三位鉴定者，每一位鉴定者需要将每一颗巧克力检查两次。确保试验顺序是随机的。 使用Minitab分析，解释结果并提出建议 你有30分钟完成此练习，结果最好者将会获得奖品 Gage RR 一个好的量具要具备些什么？ 分辨率 数据分级数 准确度（位置） 偏倚 线性 稳定性 相关性 精度（波动） 重复性 再现性 分辨率/ 辨别力 分辨率是指：量具可测量的最小刻度. 准则：量具的分辨率应该是过程?的十分之一 上部刻度的分辨率为多少？ 下部刻度的分辨率为多少 Accuracy vs Precision 准确和精密 Accuracy vs Precision 准确和精密 Accuracy vs Precision 准确和精密 假定参考材料的硬度的“真值”是5.0 方法1得到的读数为： 3.8, 4.4, 4.2, 4.0 方法2得到的读数为： 6.5, 4.0, 3.2, 6.3 哪种方法更准确？ 哪种方法更精密？ 你倾向哪种方法？为什么？ 准确度 – 偏倚 偏倚-Bias：指对同一部件观察测量值的平均值与基准值之间的差异 偏倚常常被用来描述“准确度” 准确度 – 线性 线性-Linearity：在仪器能力范