cancel
Showing results for 
Show  only  | Search instead for 
Did you mean: 
JMP is taking Discovery online, April 16 and 18. Register today and join us for interactive sessions featuring popular presentation topics, networking, and discussions with the experts.
Choose Language Hide Translation Bar
Ritalv
Community Manager Community Manager
JMP使用技巧之测量系统分析(MSA)系列之一

近期来,不断地有JMPer们在咨询实施实验设计之前应该进行哪些准备工作,这个话题的外延其实很大,而大家的自问自答却往往多指向测量系统分析(Measure System Analysis, MSA)。思索之后才发现,大家想要强调的与其说是测量系统分析,不如说是数据质量的保障问题,而数据一般情况下自然是测量的结果,因此,实验数据的有效性自然需要通过测量系统的有效性来保障。但两者之间其实也并没有必然的因果关系。换个角度讲,测量系统分析作为一项基础的、常规的工作,无论是否进行实验设计,但凡想通过数据来驱动量化决策时,测量系统的有效性不应该都是被评估验证和确认保障的吗?

 

于是,另一个更基础的问题便应运而生,即:如何通过JMP软件来进行测量系统分析?本文我们就为大家提供一些入门的指引。

MSA.jpg

首先,导致部分用户使用JMP进行MSA稍有困惑的原因之一,可能就在于JMP对于MSA的多平台支持,有时候提供的选择多了,反而比较难以选择。我们正好在此予以澄清。

 

在当前的JMP中,主要提供了两个支持MSA的功能平台(-1),它们分别是:

  • 分析>质量和过程>测量系统分析
  • 分析>质量和过程>变异性/计数量具图

图1.png

图-1 JMP对于MSA的多平台支持

 

对于“测量系统分析”平台,它首先基于EMP(Evaluating the Measurement Process)方法进行测量系统分析。该理念提出的时间并不长,是由美国SPC专家Donald J. Wheeler博士于1984年在其著作Evaluating the Measurement Process中率先提出,而JMP所引用的方法源自其2006年出版的EMP Using Imperfect Data (2006)一书中(-2)所阐述的内容和步骤。

 

由于该方法在中国地区尚未普及,知者甚少,因此,在我们所接触过的JMP用户群体中,使用率低,本文也就先不再费笔墨予以赘述。此外,该平台其实也提供了传统“Gage R&R”分析方法的入口,但这与由“变异性/计数量具图”平台进入的效果一致,故直接参考下文即可。

图2.png

图-2 EMP Using Imperfect Data (2006)

 

目前中国国内主流的测量系统分析思路,主要还是基于汽车工业行动集团(AIAG)持续更新发布的《测量系统分析参考手册》。

 

在该方针指导下,通常通过6个常规维度来对测量系统进行评估,它们分别是稳定性(stability)、偏倚(bias)、线性(linearity)、分辨力(discrimination)、重复性(repeatability)和再现性(reproducibility)

 

其中,如图-3所示,偏倚是测量系统准确度(accuracy)的最直接度量,反映的是测量结果平均值与真值的差异程度;而重复性和再现性则是测量系统精度(precision)的度量,反映的是测量结果波动的情况,它们是评价测量系统优劣的最关键指标。那么,对于“变异性/计数量具图”平台来说,其功能项就大多与此相关。

图3.png

图-3 偏倚和精度示意图

 

对于广大中国用户而言,在上述6个特性当中,最耳熟能详的莫过于“重复性”和“再现性”,即所谓的Gage R&R,几乎所有的六西格玛管理相关教材、培训和项目都必然触及,以至于很多人久而久之地就把Gage R&R几乎等同于了MSA,而这也是我们本文的重点介绍对象。

 

在这里,“重复性误差”多指同一个操作者,使用同一套测量设备,对同一个部件的同一特性在较短时间间隔内进行多次测量,所得结果的一致性,即强调所有测量结果都在尽可能相同的条件下的波动情况,也被称为设备波动(equipment variation, EV);而与之相对的,“再现性误差”则强调在各种可能变化的测量条件下,对同一个测量部件的同一特性进行多次测量,所得结果的一致性,在传统情况中,再现性误差主要由不同的操作人员引起,也被称为人员波动(appraiser variation, AV)

 

这两种波动通常以方差或标准差来表示,波动越小,则表明测量系统越优,其传统分析方法经常与生产过程的波动相结合,通过考虑了随机效应因子的方差分析来实现,而方差分解的过程如图-4所示。

图4 new.png

图-4 Gage R&R传统分析方法示意图

 

最终,由此衍生出评价测量系统精度的两项重要指标:

图4-指标.png

其中,%Gage R&R着重评估测量系统对整体过程变异的测量效果,强调测量系统对生产过程改进的分辨能力;

%P/T着重评估测量系统针对产品规格的测量效果,强调测量系统对公差界限的分辨能力。

%Gage R&R%P/T是评估测量系统性能的两个不同方面,一个好的测量系统,应同时使这两项指标都足够小,表-1是这两个度量指标的一般参考判断标准。

表1.png

表-1 Gage R&R的参考判断标准

 

至此,如果你能够理解上述分析思路和逻辑的话,那么,在JMP等现代统计分析软件的帮助下,你只需要收集并整理好Gage R&R分析所需的观测数据,录入软件,其后的计算过程全部交由软件代劳即可。

 

接下来,我们就通过一个简单的小案例,来对Gage R&R传统分析方法的操作过程予以演示,并对输出结果予以简析。

 

“用游标卡尺测量某加工部件轴径,已知公差要求为45.5±0.5,为进行测量系统精度分析:

  • 有代表性的抽取10个部件,并编号
  • 随机挑选3名检验员用各自的卡尺量测每个部件
  • 将部件顺序打乱后测第2
  • 将部件顺序打乱后测第3
  • 测量过程示意和记录数据表如图-5所示”

图5.png

图-5 量测过程示意和记录数据表

 

JMP Gage R&R分析操作步骤:

  1. 结合JMP数据管理相关平台,轻松导入并整理数据如图-6所示数据表结构

图6.png

图-6 Gage R&R数据录入和整理

 

  1. 按图-7设置,启动“分析>质量和过程>变异性/计数量具图”平台

图7.png

图-7 “变异性/计数量具图”启动平台设置

 

  1. 如图-8所示,选择“变异性量具”旁红三角>量具研究>量具RR,输入容差区间,对于本例即46.0-45.0=1

图8.png

图-8 启动“量具RR”分析

 

量具R&R分析输出报表简析:

图9.png

图-9 量具R&R分析输出报表

 

从图-9所示的量具R&R输出报表来看,重复性方差分量约为0.0011,再现性方差分量约为0.0035,评估测量系统精度的两项重要指标%Gage R&R=33.56%%P/T=40.56%,均大于30%,因此,该测量系统的精度水平不高,应设法采取措施予以改进,且改进可优先从减少再现性误差入手。

 

进一步深入分析的话,还可以发现,在再现性变异中,“检验员*部件”变异(0.3116)>“检验员”变异(0.1708),这与“测量值”的变异性图和均值“测量值”-检验员*“部件交互作用图(量具研究>量具RR>均值图)中所呈现的3个检验员的4510号部件测量结果分歧较大的现象相一致。

 

因此,测量标准操作培训中若对于这几个部件特征展开深入研讨,就有可能减小再现性误差,从而提高测量系统的精度。

图10.png

图-10 “测量值”的变异性图和均值“测量值”-检验员*“部件交互作用图

 

以上就是我们本期所要介绍的有关MSA的入门内容,其实关于MSA的基础知识还有很多,诸如破坏性实验的测量系统分析,计数型数据的测量系统分析,使用标准件或固定件的测量系统分析,以及当两大精度指标相悖时如何对测量系统进行评估判定等等。这些内容一方面与软件操作有关,另一方面也需要从方法论本身入手,我们将在后续文章中再与大家交流探讨。

 

 

Last Modified: Mar 2, 2020 12:39 AM
Comments