SPC在机械制造过程中质量控制的研究及在C公司的应用-机械制造及其自动化专业论文.docxVIP

重庆大学硕士学位论文 重庆大学硕士学位论文 PAGE PAGE 2 PAGE PAGE 3 发展的第二阶段。目前 SPCD 已进入实用性阶段。 第三阶段 SPCDA：20 世纪末，SPCD 又发展为 SPCDA（统计过程控制、诊 断与调整），是统计过程控制发展的第三阶段。当然，目前 SPCDA 还处于理论研 究阶段，并无实用性成果。 1.2.2 常规控制图 （1） 控制图概念及原理 控制图由美国质量管理专家休哈特在 20 世纪 20 年代后期提出，是用来分析 和判断工序是否处于稳定状态的一种图形工具[12]。它通过监视过程中工序质量随 时间波动的情况，判定工艺过程中是否出现异常因素，并采取相应的控制措施， 使工艺过程的质量状态得到控制。控制图的基本形式如图 1.1 所示。在控制图中， 点子表示有序抽取的样本统计量，控制限是判断过程是否处于统计受控状态的判 断基准，是绘制控制图的关键。控制图遵循以下数学原理[13]-[16]： ① 中心极限定理 中心极限定理的内容为：如果某一个质量特性是许多随机因素的综合，而没 有显著地非正态因素，则该质量特性参数服从正态分布。任何生产过程，其监控 的质量特性值总会存在一定程度的波动，这些波动主要来自与 5M1E（即人、环境、 材料、方法、测量和环境）的微小变化造成的随机误差。此时，由中心极限定理 和大数定律可知，绝大多数质量特性值均服从或者接近服从正态分布。该假定称 之为正态假定，在此假定基础下我们就可以利用正态分布的一些固有特征建立工 序控制模型。 图 1.1 控制图示例图 Fig1.1 Example of control chart ② 3σ 准则和小概率原理 如果关键质量特性的特征值 Y 服从均值为 μ、标准差 σ 为的正态分布，即 Y 口 N（μ,σ 2），根据数理统计基本原理，Y 的取值超出 μ ± 3σ 的概率为 0.0027， 此时根据小概率原理判定，此事件是小概率事件，我们有理由认为在正常情况下， 特征值一般不应该超出 μ ± 3σ 的范围。因此可以确定控制图的中心线和上下控制 限： CL=μ UCL=μ +3σ LCL=μ-3σ ③ 反证法思想 一旦控制图上的点子越出界限或其他小概率事件发生，根据 3σ 准则和小概 率原理，可以判定原生产过程处于失控状态，应及时查找原因，采取措施消除异 常因素，确保生产过程的稳定。 （2）控制图类型 按控制对象质量数据的性质划分，由于常用的质量数据分为计量值与计数值 两大类，因此控制图分为计量值控制图和计数值控制图两大类。又因为各种类型 的控制图所选择的统计量不同，因此又可分为不同类型的控制图。常用的各种控 制图见表 1.1 所示[17][18][19]： 控制图 分布 代号 表 1.1 常规控制图 Table1.1 Shewhart control charts 控制图 特点 x ? R 均值-极差控制图 最常用，判断异常效果好，工作量大 样本容量较大时使用，（n10） 正态分布 （计量值） x ? s x% ? R x ? Rs 均值-标准差控制图 中位数-极差控制图 单值-移动极差控制图 计算量大，但效果好 计算简便，效果较差， 便于现场使用 X 图简便，判稳效果好， 但不易发现工序分布中心的变化 计算量大，管理界限凹凸不平 二项分布 （计件值） 泊松分布 （计点值） P 不合格品率控制图 Pn 不合格品数控制图 u 单位缺陷数控制图 c 缺陷数控制图 （样本容量可不相等） 计算方便，效果好，易于理解 （样本容量相等） 计算量大，管理界限凹凸不平 （样本容量不等） 较常用，计算简便，易于理解 （样本容量相等） 在实际应用中，控制图的类型要根据质量特性和质量数据的收集方式来决定， 其选择过程如图 1.2 所示： 确定被控对象 及数据性质 计量值 Y 数据？ 过程质量均匀或只 N 能取一个数据吗？ 样本均值方 便计算吗？ N x% ? R图 N Y x ? Rs图  Y 样本量n=10 N 吗？  x ? R 图 结束 N 记件值 数据 N 计点值 数据？  Y 样本量是 常数吗？ Y Pn图、P图 Y 样本量是 常数吗？ Y C图  N P图 N U图  Y 样本标准差方 便计算吗？ Y  N x ? R图 x ? s 图 图 1.2 控制图类型的选择 Fig1.2 Selection process of control chart types （3）控制图判定准则 工序质量特性值分布的变化是通过控制图上点子的分布来体现的，因此工序 是否处于稳定状态要依据点子的位置和排列来判断。工序处于稳定受控状态，必 须同时满足两个条件：一是控制图上点子全部在控制限内；二是点子随机排列。 由于