CH4工质量控制.ppt

工序质量控制 第一节 质量变异的统计观点 第二节 生产过程的质量状态 第三节 工序能力 第四节 工序质量控制图 统计质量控制源于1924 年美国的名为贝尔电话研究所（Bell Telephone Laboratories）的企业，首次在产品质量管理上应用数理统计图表。经过这70 多年的实践和发展，概率论和数理统计是工序质量控制的重要内容，也是研究质量波动理论的主要工具。 第一节 质量变异的统计观点 一、质量的变异性 人们早就发现，在生产制造过程中，生产出绝对相同的两件产品是不可能的。无论把环境和条件控制得多么严格，无论付出多大努力去追求绝对相同的目标，也是徒劳的。它们总是或多或少存在着差异，正象自然界中不存在两个绝对相同的事物一样。这就是质量变异的固有本性——波动性，也称变异性。 二、质量变异的原因 有针对性地控制才能达到控制质量的目的，故要研究质量变异的原因。 研究变异的原因，就是寻找变异的根源，确定控制的对象。 质量变异的原因可以从来源和性质两个不同的角度加以分析。 1.引起质量变异的原因按来源划分通常概括为“4MIE”，即： 材料 materials 设备 machincs. 方法 methods 操作者 man 环境 environment 2.引起质量变异的原因按性质可以分为偶然性原因和系统性原因两类。 （1）偶然性原因（chance cause of variatiOn） 偶然性原因是一种不可避免的原因，经常对质量变异起着细微的作用，这种原因的出现带有随机性，其测度十分困难，因此不易消除。例如，同批材料内部结构的不均匀性表现出的微小差异，设备的微小振动，刀具的正常磨损，以及操作者细微的不稳定性等。显然，它们是不容易识别和不容易消除的。在产品的制造过程中会遇到大量偶然性因素的影响，因为现实中不可能有绝对完全相同的条件，那么，微小的变化就是不可避免的。所以，也称偶然性原因为正常原因。 （2）系统性原因（assignable cause of variation） 系统性原因是一种可以避免的原因。在生产制造过程中，出现这种因素，实际上生产过程已经处于失控（out of control）状态。因此，这种原因对质量变异影响程度大，但容易识别，可以消除。例如，使用了不合规格标准的原材料，设备的不正确调整，刀具的严重磨损，操作者偏离操作规程等。这些情况容易被发现，采取措施后可以消除，使生产过程恢复受控状态。所以，也称系统性原因为异常原因。 说明： 应该说，偶然性原因和系统性原因也是相对而言的，在不同的客观环境下，二者是可以互相转化的。例如，科技的进步可以识别一些材料的细微不均匀性，那么这种可以测度的差异超过一定限度就被认为是系统性原因，视为异常，不再是正常的偶然性原因了。于是便可以在识别后加以纠正。这当然要根据实际需要而划分二者的界限。 三、质量变异的规律 1.质量变异的统计规律 我们在研究问题的时候，要善于应用统计的观点和统计的思考方法。例如，在观察个别的质量特性值的时候，它往往带有随机性，没有规律性。正如我们在加工前无法预测某根螺栓的准确长度一样，也只有在加工完之后才能最后确定下来。但值得注意的是，当我们加工了110 根（或者更多）螺栓，在加工之后将它们的长度一一记录下来，如表5.1.1 所示，并整理成表5.1.2的形式。但是，还看不出有什么规律性。继续将表5.1.2 的数据由小到大进行分组，就明显地看出了质量特性值分布的规律性，分组后整理统计形成的频数分布表如表5.1.3 所示。然后，再根据表5.1.3 绘制成直方图去描述这一规律性，如图5.1.1 所示，就使这种规律性更加直观了。 如果我们把每根螺栓长度的出现作为随机现象来研究，那么这种大量（110 根或无穷多根）随机现象呈现的集体性规律就称为统计规律。 质量特性值作为随机变量客观上服从统计规律。 统计规律不仅描述了质量变异的波动性，同时更重要的是描述了它的规律性，或者说是某种稳定性。 例如，我们仅从11O 根螺栓的长度统计分析中看出（参见表5.1.3）螺栓的长度大量集中于2.540—2. 565之间，而且100％地在2. 530—2. 575之间。 正因为这种客观的相对稳定性，我们才可以遵循其规律研究和控制产品的质量。 2.典型的变异规律及其度量 （1）质量数据的类型 质量数据是用来定量描述质量特性值的数据，任何质量管理活动都应实施定量化，否则就是不科学的。因此，企业的质量管理活动也可以说是一种以数据为基础的经营活动。 质量数据按数轴上数的基本属性可以分为两大类，即计数值和计量值。 其中计数值根据质量特性值本身的特点，又可以分为计件值和计点值。 计数值是数轴上的整数形式，例如在实际中统计产品的合格品及不合格品的