数据分析与制程能力评估.ppt

绝大部分事情都是有很多微小独立随机因素影响，所有生活中很多分布都呈现正态特性。 * 平均数能够我们带来多少信息？比如国家统计局发布的很多信息，如人均收入达到了多少了什么的，大家都觉的不符，什么原因？ * 极差对极端值非常敏感，在一定程度上表明样本数据的的波动情况．但极差只能反映一组数据中两个极端值之间的差异情况，对其他数据的波动情况不敏感 * 制程设计者的经验和能力，可以调整。 * 公差裕度=上公差-下公差； * 不要把机关枪当烧火棍用，也不要想将烂泥扶上墙。 * 1.Cp≧Cpk 2.Cp与Cpk差距越大,代表改善空间越大 3.当X=u,即Ca=0时,Cp=Cpk 4.当分布中心位于规格界线时,Cpk=0 5.当分布中心超出规格界线时Cpk0 * 平均值与规格中心重合 * 所以极差如果小于公差带，不代表能够保证全部作出来的是良品。 那如果实际分布超出了规格界限，怎么推测不良比例呢？ * 1、进行工序能力分析时，一般随机抽样的样本含量在100—200之间。 2、若样本含量太小，一方面不易判定数据分布的正态性，另一方面，所计算的工序能力与实际工序能力的差别会较大。一般仅在破坏性检验或抽样费用高、抽样时间长的情况下使用小样本。 3、无论样本含量大小，抽样应是随机的。 4、样本应能捕获主要的随机性变异。 三种类型的变异 -产品内变异 -产品间变异 -时间变异 * 根据经验，我们一般分6~8组即可。 * 绘制直方图前先对数据进行分组 * 在前期能够给我们提供数据支撑，以便我们谈判及作出正确的决策！ * 制程不良1:规格界限在6σ内 LCL UCL 規格下限 規格上限 46.53% 42.3% X 3σ 3σ 制程异常2：“UCL”超过规格上限 LCL UCL 規格下限 規格上限 x 规格中心 实际中：一定存在偏差 理想 现实 不良比例？ 不良率预测 第一.计算Z值 第二.根据Z值差Z分布统计表 第三.根据统计表，得出不良率值 Z = 規格值 - 全部數據的平均值 σ (Sigama) Z分布统计表 运用举例 LCL=0.8127 UCL=0.8497 規格下限=0.82 規格上限=0.84 46.56% 42.36% X =0.8312 3.44% 7.64% 3σ 3σ σ=0.00617 良率预估 Z (LCL) = 規格下限 - 0.8312 σ = 0.82 - 0.8312 0.00617 = -1.8152 Z (UCL) = 規格上限 - 0.8312 σ = 0.84 - 0.8312 0.00617 = 1.426 查表超出規格上限的不良比率 = 7.64% 超出規格下限的不良比率 = 3.44% 预测合格率=1-7.64%-3.44%=88.92% 影响工序质量的六个基本因素 影响工序质量的六个基本因素6M（5M+1M） 人（Manpower） 机器（Machinery） 材料（Material） 方法（Method） 环境（Mother—natured） 测量（Measurement） 分析工序能力的步骤 1、确定样本含量(n) 2、确定合理的抽样方案 3、抽样 4、记录数据 5、绘制直方图 6、检查数据的正态性 7、检查是否存在系统性因素 8、计算工序能力 9、计算工序能力指数Cp, Cpk。 抽样及抽样方案 无论样本含量大小，抽样应是随机的，不应有系统性变异。 进行工序能力分析时，一般随机抽样的样本含量在100—200之间。 数据分组及绘制直方图 首先进行数据分组 时常按斯特格斯（Sturges）提出的经验公式来确定组数K： 其中N为数据的个数（总体单位数或样本数 如数据个数为20，则K=1+lg20/lg2=1+4.32=5.32?5 数据分组及绘制直方图 然后确定组距(Width of classes)：组距是一个组的上限与下限之差 组距=（最大值 - 最小值）/组数 第三步，确定各组组限(Class limits)并据此整理频数分布表。 第四步，绘制直方图确认分布状态 根据直方图判断是否为正态分布 根据直方图判断是否为正态分布 非正态分布的几种情况 非正态数据下工序能力 ■ 若数据呈非正态分布，首先应查找工序中是否存在系统性原因，很多情况下，非正态性是由于系统性原因造成的。若一旦发现了系统性原因，应采取措施，将由于系统性原因产生的数据删除，或将系统性原因排除后，重新搜集数据。 ■ 若非正态性是由于工艺过程中特殊的工艺特点造成的，应考虑将非正态数据转化为正态，此时公差也要做同等转化。几种将非正态数据转化为正态的方法: 非正态数据下工序能力（续） 1、倒数转换： 2、平方根转移： 3、立方根转换： 4、对数转换：log x或lnx 5、BOX—COX转换* 非正态