spc法跟.pptVIP

SPC 统计过程控制 问题的引入(1) 凭什么从这个控制图就判定我的过程(工序)出现了异常? 或:如何判断我的过程(工序)是否处于受控状态? 问题的引入(2) 我的过程(工序)已作了改善,我怎样才能知道改善措施是否有效? 或:如何判定过程(工序)有了改善? 学习SPC的目的: 掌握判定过程(工序)异常的统计工具(控制图). 了解主要的过程(工序)异常的分类. 平均值偏移 如:车床加工时的刀具磨损 分布分散程度变大 如:车床的震动加大 应用于生产实际,对工序进行监控. 数据的类型: 计数型数据 如:某一时间段经过检查站的车辆数 某日某班生产的产品中不合格品的件数 计量型数据 如:某车床加工出的轴的直径 注塑机中的熔胶的温度 过程中的数据分布 一个车床加工的例子: 收集三百个数据: 20.062,19.936,20.145,20.233,19.972,19.901,20.069,19.898,19.619,20.008,19.764,19.841,20.087,20.045,20.250,20.120,20.083,19.925,20.148,20.133,20.269,19.994,20.333,19.790,19.888,19.876,20.278,19.543,19.759,19.936, …… 画出其直方图如下: 当收集的数据无限增多时,过程(工序)数据的直方图形状将趋向于正态分布. 正态分布的特征(参数): 平均值 标准差 正态分布代表过程(工序)数据的分布 正态分布曲线下的区域(总面积)为:1(100%). 正态分布曲线下的某一区域的面积:表示在该区域内的数据数量占总数据数的百分率或数据点落在该区域内的概率. 标准正态分布 标准正态分布的特征: 平均值=0 标准差=1 正态分布(过程或工序)的参数改变时, 分布形状的变化 平均值漂移 标准差变大(小) 平均值与标准差同时变化 引起过程(工序)分布变化(过程变异)的因素:4M1E 物料 设备(机器) 操作方法 操作人员(技能) 环境 过程变异的原因 系统性原因(应该可以避免的因素) 设备的不正确调整(如:温度设定不对) 刀具磨损 作业员操作违反规程 随机(偶然性)原因(无法避免的因素) 材料内部的微小差异 设备的正常震动 操作人员之间的差别 回到原先的问题: 凭什么从控制图就判定我的过程出现了异常?难道就不能是偶然因素引起? 小概率事件的引入: 一个密封的盒中有1000个小球,只知道这些小球有两种颜色:红色和蓝色,而且其中一种颜色的小球有997个,另一种只有三个.但没人知道是哪一种颜色的小球数量多. 将盒子上下左右抖动,使盒内的小球均匀混合. 用手伸入盒中,取出一个小球,如果: 取出的小球为红色 那么,蓝色小球的数量会有多少? 小概率事件:发生概率很小的事件 实际推断原理: 概率接近于1(100%)的事件在一次实验中几乎一定会发生. 概率很小的事件在一次实验中几乎不可能会发生 错判的风险 第一种错判风险(弃真) 如果盒内的蓝球实际上有997个,我们判断蓝球为3个时的风险: 如:将合格的产品批判断为不合格时的风险. 第二种错判风险(取伪) 如果盒内的红球实际上只有3个,我们判断红球为997个时的风险: 如:将不合格的产品批判断为合格时的风险. 正态分布的+/-3倍标准差区域所代表的含义 正态分布的+/-3倍标准差区域占正态分布曲线下总区域面积的99.73%. 正态分布的+/-3倍标准差外的区域占正态分布曲线下总区域面积的0.27% (=100%-99.73%). 也就是说,超出+/-3倍标准差的区域(概率)只有0.27%. 可以用+/-3倍标准差之外的区域构造一个小概率事件. 控制图的原理 通过设定合理的控制线(或判定规则),将过程(工序)数据描绘于控制图上,以描绘的数据点是否出现异常来判断过程(工序)是否出现异常. 设定控制线的原则是依据实际推断原理: 概率很小的事件在一次实验中几乎不太可能会发生. 通过设立一序列满足小概率事件的原则来辅助判断过程(工序)是否出现了异常. 平均值-极差 控制图 Process Control Limits 平均值-极差 控制图控制线的设立(1) 用样本平均值估算总体均值; 用样本极差估算总体标准差. 平均值控制图的控制线的设立. 过程数据的收集(5PCS/HR或5PCS/SHIFT). 计算这5个数据的平均值. 将平均值记录在表上. 依时间顺序记录各时刻的数据平均值. 这些平均值将代表过程分布的中心 计算这些平均值的标准差. 极差估算法 计算出每次测量的5个数据的极差 计算平均极差 用平均极差估算过程标准差 样本标准差估算法 平均值-极差 控制图控制线的设立(2) 利用+/-3倍标准差原则计算上下控制线 UCL(Upper C