《《精编》质量过程控制及改善培训教材》由会员分享，可在线阅读，更多相关《《精编》质量过程控制及改善培训教材（34页珍藏版）》请在金锄头文库上搜索。
1、单位 力诺太阳能集团姓名 李哲 质量过程控制及改善培训课件 培训目标 本课程旨在帮助同事们掌握minitab统计分析软件 研究和检测质量问题并改进生产过程 掌握几种图形工具 检测出质量问题 学习方法技巧 Minitab使用教程 EXCE图表制作 运行图概念 所有过程中都会发生变异 常规原因变异是过程中正常的一部分 另一种类型的变异 称为特殊原因 来自系统外部 并导致数据中可识别的模式 偏移或趋势 运行图显示特殊原因是否正在影响您的过程 当只有常规原因影响过程输出时 过程受控制 运行图执行两种随机性检验 提供有关因趋势 振动 混合和聚类引起的非随机变异的信息 解释结果在0 05水平下聚类检验很显
2、著 由于聚类检验的概率 p 0 022 小于a值0 05 因此可以断定特殊原因正在影响您的过程 且您应该调查可能的来源 聚类可以指出抽样问题或测量问题 帕累托图概念 Pareto图是一种条形图 帮助您确定哪些问题最重要 以使您可以集中改进可获得最大收获的领域 其中水平轴表示所关注的类别 而非连续尺度 类别通常是缺陷 通过从大到小排列条形 Pareto图可帮助您确定哪些缺陷组成 少数重要 哪些缺陷为 多数琐碎 累积百分比线条帮助您判断每种类别所加入的贡献 Pareto图可帮助着重改进能获得最大收益的方面 解释结果由于超过一半的测速计因此缺陷遭到拒收 因此请着重改进缺失螺丝钉的数量 因果图概念 因
3、果 或鱼骨 图描述问题的潜在原因 右侧显示问题 效应 左侧以树状结构显示原因的列表 树的分支常常与原因的主类别相关联 每个分支都列出该类别中的更多具体原因 您还可以向任何分支中添加子分支 鱼骨图是一种方便地组织问题原因的相关信息的工具 尽管没有构造鱼骨图的 正确 方法 但某些特定的类型本身就很适合于许多不同的情况 这些类型之一是 5M 图 这样称呼是因为分支上的五个类别都以字母M开头 人员 也称 Man 跟踪质量过程并检测是否存在特殊原因 2 控制图概念 可以使用控制图跟踪一段时间内的过程统计量并检测是否存在特殊原因 控制图的结构质量特征样本编号 或时间 控制上中心控制下限特殊原因所导致的变异
4、可以检测并受控制 示例包括设备 班次或天数的差异 而另一方面 常规原因变异是过程中所固有的 当只有常规原因 而非特殊原因 影响过程输出时 过程即受控制 当点落于控制限制的界限之内 且这些点未显示出任何非随机模式时 过程即受控制 缺陷控制图概念 结构上类似于变量控制图 只不过它们是根据计数数据而不是测量数据绘制统计图 例如 可将产品与标准进行比较 并将其归类为有缺陷产品或无缺陷产品 也可以根据产品的缺陷数为产品归类 与使用变量控制图一样 绘制过程统计量 如缺陷数 也是相对于样本数量或时间的 缺陷品控制图您可以将产品与标准进行比较 并将其归类为有缺陷产品或无缺陷产品 例如 线长是否满足强度要求 缺
5、陷品控制图有 P控制图 该控制图绘制每个子组中缺陷品的比率 NP控制图 该控制图绘制每个子组中缺陷品的数量 缺陷控制图如果产品非常复杂 则某一缺陷并不一定会导致缺陷产品 根据产品的缺陷数将产品归类有时会更加方便 例如 您可以统计产品表面的刮痕数 缺陷控制图有 C控制图 该控制图绘制每个子组中的缺陷数 当子组大小固定时 请使用C控制图 U控制图 该控制图绘制在每个子组中抽取的每单位样本的缺陷数 当子组大小不固定时 请使用U控制图 例如 如果您要统计电视屏幕内表面的瑕疵数 C控制图将绘制实际瑕疵数 而U控制图将绘制所抽取样本中每平方英寸的瑕疵数 变量控制图概念 多值变量控制图数据标绘来自连续测量数
6、据 如长度或外径 的统计量 单值的变量控制图 时间加权控制图和多变量控制图也标绘测量数据 缺陷控制图标绘计数数据 如缺陷或缺陷单元的数量 选择多值的变量控制图有五种变量控制图 X和R X控制图和R控制图 显示在一个窗口中 X和S X控制图和S控制图 显示在一个窗口中 I MR R S 组间 组内 同时使用子组间和子组内变异的三向控制图 I MR R S控制图由I控制图 MR控制图以及R或S控制图组成 X 子组平均值的控制图 R 子组极差的控制图 S 子组标准差的控制图 I MR R S 组间 组内 控制图要求在至少一个子组中有两个或更多观测值 子组大小不必相同 通过绘制历史图 可以显示过程中的
7、各个阶段 历史图是对数据中的不同组独立估计控制限制和中心线的控制图 在比较过程改进前后的数据时历史图尤其有用 控制图是统计过程控制 SPC 理论与实践的核心工具 我们用控制图来监控过程 判断过程的受控状态 一旦控制图出现异常的信息 就可以认为过程发生了异常 从而对生产过程进行检讨 寻找原因 制定改善措施 对过程进行修正 直到过程重新达到质量要求 利用控制图识别生产过程状态 受控状态或失控状态 是根据图上样本点的位置以及变化趋势进行分析和判断的 判断的依据主要有两点 1 如果控制图上点所反映的过程的均值 和 或方差 发生 不允许的 变化 过程一旦处于统计控制状态下 即稳定生产 后 就可能要确定其
8、是否有能力 即符合规格限制并生产出 良好 的部件 您通过将过程变异的宽度与规格限制的宽度相比较来确定能力 过程需要处于受控状态 然后才能评估其能力 否则 会错误地估计过程能力 只有过程受控 才有能力一说 为正确使用能力统计量 应通过检查位置的控制图 如Xbar控制图或I控制图 或变异的控制图 如R控制图 S控制图或MR控制图 来证实过程稳定可以通过绘制能力直方图和能力图以图形化方式评估过程能力 这些图形有助于评估数据的分布并证实过程受控 还可以计算能力指数 即规格公差占自然过程变异的比率 能力指数 即统计量 是评估过程能力的简单方法 由于将过程信息简化为一个数字 因此可以使用能力统计量对一个过
9、程与另一个过程的能力进行比较 能力统计量使用起来很简单 但是它们也有一些分布属性尚未完全为人所了解 一般而言 最好不要依赖单个能力统计量确定过程的特征 解释结果如果要解释过程能力统计量 则数据应近似服从正态分布 这一要求似乎已得到满足 正如上方重叠有正态曲线的直方图所示 但是 可以看到过程平均值 0 54646 略小于目标 0 55 并且分布的两个尾部都落在规格限之外 这意味着 有时会发现某些电缆直径小于0 50厘米的规格下限或大于0 60厘米的规格上限 Ppk指数表明过程生产的单位是否在公差限内 此处 Ppk指数为0 80 表明制造商必须通过减少变异并使过程以目标为中心来改进过程 显然 与过
10、程不以目标为中心相比 过程中的较大变异对此生产线而言是严重得多的问题 同样 PPM合计 预期整体性能 是其受关注的特征在公差限之外的百万分数部件数 10969 28 这意味着每一百万条线缆中大约有10969条不符合规格 制造商未满足客户的要求 应通过降低过程变异来改进其过程 解释结果在控制图和R控制图上 点都是随机分布在控制极限之间的 表明这是稳定过程 但是 还应比较R控制图与控制图上的点 以查看它们是否彼此相似 本例中的这些点并非这样 再次表明这是稳定过程 最后20个子组的控制图上的点随机地水平散开 没有趋势或偏移 这也表明过程是稳定的 如果要解释过程能力统计量 则您的数据应近似服从正态分布
11、 在能力直方图上 数据近似服从正态曲线 在正态概率图上 点近似呈一条直线 并落于95 置信区间内 这些模式表明数据是正态分布的 但是 从能力图可以看出 整体过程变异的区间 整体 比规格限的区间 规格 宽 这意味着有时线缆的直径会超出公差限 0 50 0 60 此外 Ppk的值 0 80 落于要求的目标1 33之下 表明制造商需要改进过程 解释结果P控制图表明有1个点不受控 累积缺陷百分比控制图显示整体缺陷品率的估计值似乎停留在22 左右 但需要收集更多数据对此加以验证 缺陷品率似乎不受样本大小的影响 过程Z大约为0 75 非常差 此过程可能需要进行大量改进 解释结果U控制图表明有3个点不受控制
12、 累积DPU控制图 每单位的缺陷数 停留在值0 0265附近 表明收集的样本足以很好地估计DPU平均值 DPU的比率似乎不受电线长度的影响 Cp Cpk Pp和Ppk统计量是潜在和整体能力的度量 由于将过程信息简化为一个数字 因此可以使用能力统计量对一个过程与另一个过程比较其能力 在实践中 许多人将1 33视为过程能力统计量的最小可接受值 小于1的值表明过程变异比规格展开要宽 要了解和解释能力统计 请使用以下信息作为指导 使用能力统计量可以监视并报告一段时间内系统的改进情况 能力统计量的解释因对分析所使用的分布而异 对于 正态分布 Cp和Cpk Cp不考虑过程平均值相对于规格限的位置 Cpk指
13、数度量的与过程展开相比 过程运行接近其规格限的程度 仅当您满足目标值 未指定目标值时为过程平均值 且变异最小时 Cpk才较高 例如 过程在执行中可能变异最小 但远离目标 或过程平均值 并接近规格限之一 这样会导致Cpk较低而Cp较高 Pp和Ppk Pp和Ppk的解释方式分别与Cp和Cpk相同 Cpk与Ppk 使用整体变异来计算Ppk 子组间变异和子组内变异都对整体变异有所贡献 计算Cpk时使用子组内变异 而不使用子组间的偏移和漂移 Ppk针对整个过程 如果Cpk与Ppk相同 则整体标准差与子组内标准差近似相等 Cpm 指定了目标值时 计算Cpm 使用Cpm评估过程是否以目标为中心 Cpm指数越
14、高 过程越好 如果Cpm Ppk与Pp相同 则过程平均值与目标值相同 非正态分布 基于非正态分布的能力指数可按照与基于正态分布的指数相同的方式来解释 比较Pp和Ppk以评估过程中位数是否接近于规格中点 如果Pp大于Ppk 则过程中位数将远离规格中点并接近于规格限之一 解释结果通过拟合优度检验结果和概率图来识别和选择数据分布 拟合优度检验 该表包括Anderson Darling AD 统计量以及分布的对应p值 对于临界值a 大于a的p值表明数据服从该分布 大于0 25 0 467 0 213和0 238的p值表明Weibull 3参数Weibull 最大极值和Gamma分布与数据的拟合良好 B
15、ox Cox p值 0 574 和Johnson变换 p值 0 799 也较好地拟合了数据 概率图 概率图包括有序数据集相应概率的百分位数点 概率图显示 对于2参数Weibull 3参数Weibull 最大极值和Gamma分布 数据点近似成一条直线 并在置信区间内 如果有多个分布与数据拟合 选择p值最大的分布 如果p值非常接近 则选择 以前对类似数据集使用过的分布 基于能力统计量的分布 选择最保守的分布 抽样验收是评估进厂的产品样本以确定是接受整个批次以供使用还是拒收并退回的过程 例如 假设一个杂货商收到5000公斤苹果 他想检验少量苹果以确定是接受整批货进行销售 还是应当拒收并退给供应商 抽
16、样验收将帮助他决定要检验多少苹果 以及接受货物时允许有多少缺陷品 在100 检验的代价比接受缺陷品所产生的后果高得多时 抽样验收非常有用 但是 抽样验收无法估计质量水平 也不提供任何直接的过程控制 抽样计划的类型 属性 它以样本中的缺陷数或缺陷品数为基础 例如 毛管的结石数 变量 它以可测量的质量特征为基础 例如 可以检验毛管的壁厚 对于变量计划 需要基于实际测量值来计算平均值 标准差和Z值 使用按变量抽样验收 接受 拒绝批次基于特定样本数据执行计算并决定接受批次与否 此外 对于变量抽样计划 每个抽样计划只能检验一个测量值 例如 如果需要检验壁厚和外径 则需要两个单独的抽样计划 变量抽样计划假设质量特征的分布是正态的 但是 使用变量数据的主要优势是变量抽样计划所需的样本大小比属性抽样计划小得多 创建抽样计划以确定样本大小 并基于该样本中发现的缺陷品数或缺陷数决定是接受还是拒收整个批次的产品 实例 假设收到车间5000支毛管 使您很不满意的是许多毛管壁厚不达标 您决定实施一个抽样计划 以便能够判断接受或拒收整个批次 您与车间协商后共同认可的整批产品不合格率比例为1 5 时 可接受车间毛管
