Szia! Beszállító vagyok a méretvizsgálati területen, és ma a méretvizsgálati elemzésben használt statisztikai módszerekről szeretnék beszélgetni. A méretellenőrzés rendkívül fontos a minőségellenőrzésben, amely biztosítja, hogy a termékek megfeleljenek a szükséges előírásoknak. A statisztikai módszerek pedig óriási szerepet játszanak e folyamat hatékonyabbá és pontosabbá tételében.
Mintavételi módszerek
A méretvizsgálati elemzés egyik első lépése a mintavétel. Nem tudunk minden egyes terméket lemérni, amely lekerül a gyártósorról. Egyszerűen nem praktikus. Tehát mintavételi módszereket használunk a termékek reprezentatív részhalmazának kiválasztására ellenőrzésre.
Véletlenszerű mintavétel
A véletlenszerű mintavétel olyan, mintha neveket szednénk ki a kalapból. A tétel minden termékének egyenlő esélye van a kiválasztásra. Ez a módszer segít kiküszöbölni a torzítást, és korrekt képet ad a teljes kötegről. Például, ha egy 1000 kütyüből álló köteget vizsgálunk, egy véletlenszám-generátor segítségével kiválaszthatunk például 50 widgetet ellenőrzésre. Így képet kaphatunk a tétel általános minőségéről anélkül, hogy mindegyiket meg kellene mérni.
Rétegelt mintavétel
A rétegzett mintavétel egy kicsit kifinomultabb. A tételt bizonyos jellemzők, például méret, szín vagy gyártási idő alapján alcsoportokra vagy rétegekre osztjuk. Ezután minden rétegből véletlenszerűen mintát veszünk. Ez a módszer akkor hasznos, ha azt gyanítjuk, hogy minőségi különbségek lehetnek a különböző alcsoportok között. Például, ha különböző méretű widgeteket állítunk elő, érdemes megbizonyosodnunk arról, hogy arányos számú widgetet vizsgálunk meg minden méretkategóriából.
Leíró statisztika
Miután összegyűjtöttük a mintaadatokat, leíró statisztikákat használunk az adatok összefoglalására és megértésére.
Átlagos
Az átlag csak a mérések átlaga. Ez ad nekünk egy központi értéket, amely körül az adatok eloszlanak. Például, ha megmérjük 50 widget hosszát, és összeadjuk az összes hosszt, és elosztjuk 50-nel, akkor megkapjuk az átlagos hosszt. Az átlag a központi tendencia hasznos mérőszáma, de kiugró értékek (extrém értékek) befolyásolhatják.
Középső
A medián a középső érték, ha az adatok növekvő vagy csökkenő sorrendben vannak elrendezve. Ha páratlan számú mérésünk van, akkor a medián a középső szám. Ha páros számú mérésünk van, akkor a medián a két középső szám átlaga. A mediánt kevésbé befolyásolják a kiugró értékek, mint az átlagot, így bizonyos esetekben jobban méri a központi tendenciát.
Szórás
A szórás azt méri, hogy az adatok mennyire oszlanak el az átlagtól. A kis szórás azt jelenti, hogy az adatpontok közel vannak az átlaghoz, míg a nagy szórás azt jelenti, hogy az adatpontok szétszóródtak. Például, ha a csavarok átmérőjét mérjük, egy kis szórás azt jelzi, hogy a csavarok mindegyike nagyon hasonló méretű, míg a nagy szórás azt jelezheti, hogy vannak olyan csavarok, amelyek lényegesen nagyobbak vagy kisebbek az átlagosnál.
Folyamatképesség-elemzés
A folyamatképesség-elemzés annak meghatározására szolgál, hogy egy gyártási folyamat alkalmas-e a szükséges előírásoknak megfelelő termékek előállítására.
Cp és Cpk
A Cp és a Cpk két fontos folyamatképességi mutató. A Cp a folyamat potenciális képességét, míg a Cpk a folyamat tényleges képességét méri, figyelembe véve a folyamatátlag központosítását. Az 1,0-s Cp érték azt jelenti, hogy az eljárás alig képes a specifikáció határain belüli termékeket előállítani. Az 1,0-nál nagyobb Cp-érték azt jelzi, hogy az eljárásnak van némi változtatási lehetőség, és nagyobb valószínűséggel állítható elő olyan termékek, amelyek megfelelnek az előírásoknak. A Cpk figyelembe veszi, hogy a folyamat átlaga a specifikációs határok között van-e. Ha a folyamat átlaga nem középpontban van, a Cpk érték alacsonyabb lesz, mint a Cp érték.
Vezérlőtáblák
A vezérlési diagramok a gyártási folyamat időbeli stabilitásának nyomon követésére szolgálnak. Segítenek felismerni, hogy egy folyamat mikor megy ki az irányítás alól (azaz mikor vannak különleges okai a változásnak).
X-bar és R diagramok
Az X-bar és R diagramokat általában használják a méretvizsgálati elemzésben. Az X-oszlopdiagram a mérések időbeli átlagát, míg az R diagram a mérések tartományát (a maximum és minimum érték különbségét) figyeli az idő függvényében. Ha egy adatpont az X-oszlopdiagramon vagy az R-diagramon kívül esik az ellenőrzési határokon, az azt jelzi, hogy a folyamatban előfordulhat egy speciális eltérés, és tovább kell vizsgálnunk.
Hipotézisvizsgálat
A hipotézisvizsgálatot arra használják, hogy a mintaadatok alapján döntsenek egy populációról. A dimenzióvizsgálati elemzés során hipotézisvizsgálatot alkalmazhatunk annak meghatározására, hogy egy terméktétel megfelel-e a szükséges előírásoknak.
Egymintás t-teszt
Az egymintás t-próbát annak tesztelésére használják, hogy egy minta átlaga szignifikánsan eltér-e egy ismert vagy feltételezett populáció átlagától. Például, ha tudjuk, hogy egy widget szükséges átlagos hossza 10 cm, akkor egymintás t-próbával megállapíthatjuk, hogy a mi widgetmintánk átlagos hossza jelentősen eltér-e a 10 cm-től.
Kétmintás t-teszt
A kétmintás t-próbát arra használjuk, hogy megvizsgáljuk, hogy két független minta átlaga szignifikánsan különbözik-e egymástól. Ez akkor lehet hasznos, ha két különböző gyártósor vagy beszállító termékeinek minőségét szeretnénk összehasonlítani.
Korrelációs és regressziós elemzés
A korrelációs és regressziós elemzést két vagy több változó közötti kapcsolat vizsgálatára használják.
Korreláció
A korreláció két változó közötti lineáris kapcsolat erősségét és irányát méri. A +1 korrelációs együttható tökéletes pozitív lineáris kapcsolatot, míg a -1 korrelációs együttható tökéletes negatív lineáris kapcsolatot jelez. A 0 korrelációs együttható azt jelzi, hogy nincs lineáris kapcsolat. Például érdemes megnézni, hogy van-e kapcsolat egy widget hossza és szélessége között.
Regresszió
A regressziós elemzést egy függő változó és egy vagy több független változó közötti kapcsolat modellezésére használják. Például érdemes megjósolni egy widget hosszát a szélessége alapján. Ehhez egy egyszerű lineáris regressziós modellt használhatunk.
Összefoglalva, a statisztikai módszerek elengedhetetlenek a dimenzióvizsgálati elemzésben. Segítenek az adatok értelmezésében, a gyártási folyamat minőségének nyomon követésében és a megalapozott döntések meghozatalában. Ha szüksége van ráMéretvizsgálatszolgáltatásait, vagy szeretne többet megtudni arról, hogyan alkalmazhatók ezek a statisztikai módszerek az Ön konkrét helyzetére, ne habozzon kapcsolatba lépni egy beszerzési megbeszéléssel. mi is kínálunkKémiai összetétel elemzés (spektrumanalízis)szolgáltatásokat, amelyek kiegészítik méretvizsgálati kínálatunkat.
Hivatkozások
- Montgomery, DC (2013). Bevezetés a statisztikai minőségellenőrzésbe. Wiley.
- Shewhart, WA (1931). A legyártott termék minőségének gazdasági ellenőrzése. Van Nostrand.
