统计质量控制

用手机看条目

出自 MBA智库百科(https://wiki.mbalib.com/)

(重定向自SQC)

统计质量控制(SQC-Statistical Quality Control)

目录

统计质量控制理论概述

  20世纪30年代Walter Shewart的统计质量控制原理,已有60多年历史。W. Edwards DemingJoseph Juran 在20世纪40和50年代发展了这些原理,并在实践中得到了证明,特别是在日本,获得了极大的成功。

质量控制的数理统计学基础

  一、数据的种类

   1.计量值数据

  (长度、重量、电流、温度等。测量结果的数据可以是连续的,也可以是不连续的)

  2.计数值数据

  不能连续取值的,只能以个数计算的数为计数值数据。(不合格品数、缺陷数)

  二、总体和样本

   把所研究的对象的全体称为全及总体,也叫做母体或简称为总体。

   通常全及总体的单位数用N来表示,样本单位数称为样本容量,用n来表示。相对于N来说,n则是个很小的数。它可以是总体的几十分之一乃至几万分之一。

  三、数据特征值

  数据特征值是数据分布趋势的一种度量。数据特征值可以分为两类。

  集中度:平均值中位数众数等;

  离散度:极差平均偏差均方根偏差标准偏差等。

  1.表示数据集中趋势的特征值

  (1)频数

  计算各个值反复出现的次数,称之为频数。

   (2)算术平均值

  如果产品质量有n个测量数据xi(i=1,2,…,n),平均值为:

  \bar{x}=\frac{1}{n}\sum^{n}_{i=1}x_i

  如果测量数据按大小分组,则平均值为

  \bar{x}=\frac{1}{n}\sum^{n}_{i=1}f_{i}x_{i}

  (3)中位数

  数据按大小顺序排列,排在中间的那个数称为中位数。用表示\tilde{x}。当数据总数为奇数时,最中间的数就是;当数据总数为偶数时,中位数为中间两个数据的平均值。

  (4)众数

  众数是一组测量数据中出现次数(频数)最多的那个数值,一般用M0表示。

  2.表示数据离散程度的特征值

  (1) 极差

   极差是一组测量数据中的最大值和最小值之差。通常用于表示不分组数据的离散度,用符号R表示。

  R = xmaxxmin

  (2) 平均偏差

  将每个数据减去平均值,并把它们的差值的绝对值相加再除以测量数据的总个数,即得到平均偏差,用AD表示。

  A_D=\frac{1}{n}\sum^{n}_{i=1}F_i\left|x_i-\bar{x}\right|

  (3)均方根偏差

  均方根偏差是测量数据平均值之差的平方和被总测数平均,然后再求其平均值,用σ表示。

  \sigma=\sqrt{\frac{1}{n}\sum^{n}_{i=1}F_i(x_i-\bar{x})^2}

  用均方根偏差作为的度量,可以直接比较两组数据的均方根偏差的大小就可看出两组数据离散程度的大小。

  (4)标准偏差

  测量数据分布的离散最重要的度量是标准偏差,用S表示。对于大量生产的产品来说,不可能对全部产品进行检验,通常只对其中一部分产品(样本)进行检验。当把有限数量产品测量数据按标准方差的公式求得的样本方差和总体方差作一比较,会发现这个估计值将偏小。因此,必须用因子n/n-1乘上样本方差来修正,则样本标准方差S2为:

  S^2=\frac{1}{n-1}\sum^{n}_{i=1}(x_i-\bar{x})^2

  把样本标准方差开平方后,可得样本标准偏差为

  S=\sqrt{\frac{1}{n-1}\sum^{n}_{i=1}(x_i-\bar{x}^2}

   当计算样本标准偏差时,随着样本大小n增大,便愈接近,则标准偏差估计值得误差将会缩小。

  数据的修整

  过多的四舍五入会造成误差过大,可采取进位和舍弃机会均等的修整方法:

  1)位数>5,则:进位并舍去后面的数。

  2)位数< 5 ,则:舍去,及后面的数。

  3)位数=5,则:

   a) 后面的数为0或无数字,5前面的数为奇数进一、偶数舍去。

   b) 后面的数不全为零, 5前面的数进一、舍去5和以后的数。

  4)不得连续进行修整。

  数据的修整.jpg

  四、最常见的概率分布正态分布

  连续随机变量最重要的分布正态分布,表达形式

  f(x)=\frac{1}{\sigma\sqrt{2\pi}e^{-(x-\mu)^2/2\sigma^2}}

  式中,μ为总体的算术平均值;σ为总体的标准偏差;

  如果我们令Z=(x-μ)/σ,那么我们可以得到正态密度函数标准化形式为

  f(Z)=\frac{1}{\sqrt{2\pi}e-Z^2/2}

  Image:正态密度函数图.jpg

  Image:正态密度函数图2.jpg

  面积是全体变量的68.26%落在μ±σ的范围之内;

  95.46%的变量是落在μ±2σ界限之内;

  99.73%的变量落在μ±3σ界限之内。

  但是,必须特别注意,在同样的两个已知界限内,对于样本界限内所占的百分比同总体界线内所占的百分比可能不很一致。这个差别非常重要,它构成了假设检验的基本原理。

统计质量控制的方法

  老七种工具之一:调查表

  调查表是为了调查客观事物、产品和工作质量,或为了分层收集数据而设计的图表。即把产品可能出现的情况及其分类预先列成调查表,则检查产品时只需在相应分类中进行统计

  为了能够获得良好的效果、可比性、全面性和准确性,调查表格设计应简单明了,突出重点;应填写方便,符号好记;调查、加工和检查的程序与调查表填写次序应基本一致,填写好的调查表要定时、准时更换并保存,数据要便于加工整理,分析整理后及时反馈。

  1.不良项目调查表

  质量管理中“良”与“不良”,是相对于标准、规格、公差而言的。一个零件和产品不符合标准、规格、公差的质量项目叫不良项目,也称不合格项目。

  如表1

  Image:不良品项目调查表.jpg

  2.缺陷位置调查表

  缺陷位置调查表宜与措施相联系,能充分反映缺陷发生的位置,便于研究缺陷为什么集中在那里,有助于进一步观察、探讨发生的原因。缺陷位置调查表可根据具体情况画出各种不同的缺陷位置调查表,图上可以划区,以便进行分层研究和对比分析

  3.频数调查表

  为了做直方图而需经过收集数据、分组、统计频数、计算、绘图等步骤。如果运用频数调查表,那就在收集数据的同时,直接进行分解和统计频数。

  4.检查确认调查表

   检查确认调查表是对所做工作和加工的质量进行总的检查与确认。在有限的时间内检查太多的项目,稍有疏忽,同一项目可能检查两次,而有的项目可能漏检。因此,当检查项目较多时(100项以上),为了不致弄错或遗漏,预先把应检查的项目统统列出来,然后按顺序,每检查一项在相应处作记号,防止遗漏。

  5.作业抽样调查表

  作业抽样是分析作业时间的方法。它将全部时间分为加工、准备、空闲的时间,然后通过任意时刻,反复多次瞬间观测作业的内容,进而调查各段时间占全部时间的百分比。

  目前,调查表广泛应用于各行各业,调查表的形式也多种多样。

  老七种工具之二:分层法

  分层就是把所收集的数据进行合理的分类,把性质相同、在同一生产条件下收集的数据归在一起,把划分的组叫做“层”,通过数据分层把错综复杂的影响质量因素分析清楚。

  当分层分不好时,会使图形的规律性隐蔽起来,还会造成假象。例如:

  • 作直方图分层不好时,就会出现双峰型和平顶型。
  • 排列图分层不好时,无法区分主要因素和次要因素,也无法对主要因素作进一步分析。
  • 散布图分层不好时,会出现几簇互不关连的散点群。
  • 控制图分层不好时,无法反映工序的真实变化,不能找出数据异常的原因,不能作出正确的判断。
  • 因果图分层不好时,不能搞清大原因、中原因、小原因之间的真实传递途径。

  例1:

  在柴油机装配中经常发生气缸垫漏气现象,为解决这一质量问题,对该工序进行现场统计。

  (1)收集数据:n=50,漏气数f=19,漏气率 p =38%

  (2)分析原因

  通过分析,漏气可能有两个原因:

   a)该工序涂密封剂的工人A、B、C三人的操作方法有差异;

   b)气缸垫分别由甲、乙两厂供给,原材料有差异。

   因此,作分层表

  由分层表,人们似乎以为,降低气缸漏气率的办法可采用乙厂提供的气缸垫和工人B的操作方法。

  但实践结果表明,这样做漏气率非但没有降低,反而增加到43%,这是什么原因呢

  为此,进行更细致的综合分析。

  经综合分析后再次提出降低气缸漏气率的措施是:使用甲厂提供的气缸垫时,要采用工人B的操作方法。

  使用乙厂提供的气缸垫时,要采用工人A的操作方法。

  实践表明,上述的分层法及采用的措施十分有效,漏气率大大降低。

  老七种工具之三:直方图

  直方图法是适用于对大量计量值数据进行整理加工,找出其统计规律,即分析数据分布的形态,以便对其总体的分布特征进行推断,对工序或批量产品的质量水平及其均匀程度进行分析的方法。

  1.作直方图的方法步骤如下

   (1) 收集数据

  一般收集数据都要随机抽取50个以上质量特性数据,最好是100个以上的数据,并按先后顺序排列。    (2) 找出数据中的最大值,最小值和极差。

  数据中的最大值用xmax表示,最小值用xmin表示,极差用R表示。

  例2

  某项目统计数据为:

  xmax=63,xmin=38,

  极差R=xmaxxmin=63-38=25。

  区间[xmax,xmin]称为数据的散布范围

  (3)确定组数

  组数常用符号k表示。k与数据数多少有关。数据多,多分组;数据少,少分组。

  例2中100个数据,常分为10组左右。

  也有人用这样一个经验公式计算组数:k=1+3.31(logn)

  例2中n=100,故:

  k=1+3.31(1ogn)=1+3.31(log100)=7.62≈8

  一般由于正态分布为对称形,故常取k为奇数。

  所以例2中取k=9。

  (4)求出组距(h)。

  组距即组与组之间的间隔,等于极差除以组数,即

  组距h=\frac{x_{max}-x_{min}}{k}=\frac{63-38}{9}=2.78\approx 3

  (5)确定组界

   为了确定边界,通常从最小值开始。先把最小值放在第一组的中间位置上。

  例2中数据最小值xmin=38,组距(h)=3,故第一组的组界为:

  (x_min-\frac{h}{2})~(x_max+\frac{h}{2})

  (6)计算各组的组中值(wi)。

  • 所谓组中值,就是处于各组中心位置的数值,又叫中心值。
  • 某组的中心值(wi)=(某组的上限+某组的下限)/2
  • 第一组的中心值(w1)=(36.5+39.5)/ 2=38
  • 第二组的中心值(w2)=(39.5+42.5 2)/2=41
  • 其它各组类推。

  (7)统计各组频数。

  统计频数的方法。

  (8)画直方图。

   以分组号为横坐标,以频数为高度作纵坐标,作成直方图,如图2所示。

  Image:直方图.jpg

  2.直方图的用途

  直方图在生产中是经常使用的简便且能发挥很大作用的统计方法。其主要作用是:

   (1)观察与判断产品质量特性分布状态

   (2)判断工序是否稳定。

   (3)计算工序能力,估算并了解工序能力对产品质量保证情况。

   3.直方图的观察与分析

  对直方图的观察,主要有两个方面:一是分析直方图的全图形状,能够发现生产过程的一些质量问题;二是把直方图和质量指标比较,观察质量是否满足要求。

  直方图可分为正常型和非正常型,下面分别它们的形状。

  (1)正常型

  Image:正常型.jpg

  图形中央有一顶峰,左右大致对称,这时工序处于稳定状态。其它都属非正常型。

  (2) 偏向型

  图形有偏左、偏右两种情形,原因是:

   (a)一些形位公差要求的特性值是偏向分布。

   (b)加工者担心出现不合格品,在加工孔时往往偏小,加工轴时往往偏大造成。

  Image:偏向型.jpg

  (3) 双峰型

   图形出现两个顶峰极可能是由于把不同加工者或不同材料、不同加工方法、不同设备生产的两批产品混在一起形成的。

  Image:双峰型.jpg

  (4) 锯齿型

   图形呈锯齿状参差不齐,多半是由于分组不当或检测数据不准而造成。

  Image:锯齿型.jpg

  (5) 平顶型

  无突出顶峰,通常由于生产过程中缓慢变化因素影响(如刀具磨损)造成。

  Image:平顶型.jpg

  (6) 孤岛型

  由于测量有误或生产中出现异常(原材料变化、刀具严重磨损等)。

  Image:孤岛型.jpg

  4. 直方图与标准界限比较

  统计分布符合标准的直方图有以下几种情况:

  (1)理想直方图:散布范围B在标准界限T=[Tl ,Tu]内,两边有余量,

  Image:理想直方图.jpg

  (2)B位于T内,一边有余量,一边重合,分布中心偏移标准中心,应采取措施使分布中心与标准中心接近或重合,否则一侧无余量易出现不合格品。

   Image:理想直方图2.jpg

  (3)B与T完全一致,两边无余量,易出现不合格品。

  Image:理想直方图3.jpg

  统计分布不符合标准的直方图有以下几种情况:

  1.分布中心偏移标准中心,一侧超出标准界限,出现不合格品。

  Image:不符合标准的直方图.jpg

  2.散布范围B大于T,两侧超出标准界限,均出现不合格品。

  Image:不符合标准的直方图2.jpg

  尽管直方图能够很好地反映出产品质量的分布特征,但由于统计数据是样本的频数分布,它不能反映产品随时间的过程特性变化,有时生产过程已有趋向性变化,而直方图却属正常型,这也是直方图的局限性。

  老七种工具之四:散布图

  散布图是通过分析研究两种因素的数据之间的关系,来控制影响产品质量的相关因素的一种有效方法。

  有些变量之间有关系,但又不能由一个变量的数值精确地求出另一个变量的数值。将这两种有关的数据列出,用点子打在座标图上,然后观察这两种因素之间的关系。这种图就称为散布图。

  如棉纱的水分含量与伸长度之间的关系;

  喷漆时的室温与漆料粘度的关系;

  零件加工时切削用量与加工质量的关系;

  热处理时钢的淬火温度与硬度的关系(如图9)等等。

  从图9可见,数据的点子近似于一条直线,在这种情况下可以说硬度与淬火温度近似线性关系。

  Image:散布图.jpg

  从图中可见,数据的点子近似于一条直线,在这种情况下可以说硬度与淬火温度近似线性关系。

  1.散布图的观察分析

  根据测量的两种数据做出散布图后,观察其分布的形状和密疏程度,来判断它们关系密切程度。

  散布图大致可分为下列情形:

  (1)完全正相关

   x增大,y也随之增大。x与y之间可用直线y=a+bx(b为正数)表示。

  Image:散布图1.jpg

   (2)正相关

   x增大,y基本上随之增大。此时除了因素x外,可能还有其它因素影响。

  Image:正相关.jpg

  (3)负相关

  x增大,y基本上随之减小。同样,此时可能还有其它因素影响。

  Image:负相关.jpg

  (4)完全负相关

  x增大,y随之减小。x与y之间可用直线y=a+bx(b为负数)表示。

  Image:完全负相关.jpg

  (5)无关

  即x变化不影响y的变化。

  Image:无关.jpg

  制作与观察散布图应注意的几种情况

  (a)应观察是否有异常点或离群点出现,即有个别点子脱离总体点子较远。

  如果有不正常点子应剔除;

  如果是原因不明的点子,应慎重处理,以防还有其它因素影响。

  (b)散布图如果处理不当也会造成假象,如图。

  Image:局部与整体的散布图.jpg

  若将x的范围只局限在中间的那一段,则在此范围内看,y与x似乎并不相关,但从整体看,x与y关系还比较密切。

  (c)散布图有时要分层处理。

  如图,x与y的相关关系似乎很密切,但若仔细分析,这些数据原是来自三种不同的条件。如果这些点子分成三个不同层次A、B、C。从每个层次中考虑,x与y实际上并不相关。

  Image:应分层处理的散布图.jpg

  2.散布图与相关系数r

  变量之间关系的密切程度,需要用一个数量指标来表示,称为相关系数,通常用r表示。

  不同的散布图有不同的相关系数,r满足:-1≤r≤1。

   因此,可根据相关系数r值来判断散布图中两个变量之间的关系。

  Image:散布图与相关系数r表.jpg

  相关系数的计算公式是:

  r=\frac{\sum(x-bar{x})(y-\bar{y})}{\sqrt{\sum(x-\bar{x})^2\cdot\sum(y-\bar{y})^2}}=\frac{L_{xy}}{\sqrt{L_{xx}\cdot L_{yy}}}

  式中——表示n个x数据的平均值;

   ——表示n个y数据的平均值;

  ——表示x的离差平方之和,即\sum(x-\bar{x})^2

  ——表示y的离差平方之和,即\sum{(y-\bar{y})^2}

  ——表示x的离差与y的离差的乘积之和,即\sum(x-\bar{x}\cdot(y-\bar{y})^2

  通常为了避免计算离差时的麻烦和误差,在计算相关系数时,也可采用下列进行:

  r=\frac{\sum xy-\frac{1}{n}(\sum x)(\sum y)}{\sqrt{\left[\sum x^2-\frac{1}{n}(\sum x)^2\right]\left[\sum y^2-\frac{1}{n}(\sum y)^2\right]}}

  注意

  r所表示线性相关

   当r的绝对值很小甚至等于0时,并不表示x与y之间就一定不存在任何关系。如x与y之间虽然是有关系的,但是经过计算相关系数的结果却为0。这是因为此时x与y的关系是曲线关系,而不是线性关系造成的。

  老七种工具之五:排列图

  排列图是通过找出影响产品质量的主要问题,以便改进关键项目。

  排列图最早由意大利经济学家巴累特(Pareto)用于统计社会财富分布状况的。他发现少数人占有大部分财富,而大多数人却只有少量财富,即所谓“关键的少数与次要的多数”这一相当普遍的社会现象。。

  排列图的形式

  Image:排列图的形式.jpg

   1.排列图的作图步骤

  (1)确定分析对象

   一般指不合格项目、废品件数、消耗工时等等。

  (2)收集与整理数据

  可按废品项目、缺陷项目,不同操作者等进行分类。列表汇总每个项目发生的数量即频数fi,按大小进行排列。

  (3)计算频数fi、频率Pi%、累计频率Fi等。

  (4)画图

   排列图由两个纵坐标,一个横坐标。左边的纵坐标表示频数fi,右边的纵坐标表示频率Pi;横坐标表示质量项目,按其频数大小从左向右排列;各矩形的底边相等,其高度表示对应项目的频数。

  (5)根据排列图,确定主要、有影响、次要因素。

  主要因素——累计频率Fi在0~80%左右的若干因素。它们是影响产品质量的关键原因,又称为A类因素。其个数为1~2个,最多3个。

  有影响因素——累计频率Fi在80~95%左右的若干因素。它们对产品质量有一定的影响,又称为B类因素。

  次要因素——累计频率Fi在95~100%左右的若干因素。它们对产品质量仅有轻微影响,又称为C类因素

  某化工厂对十五台尿素塔焊缝缺陷所需工时进行统计分析,如表9。

  例3:某化工厂对十五台尿素塔焊缝缺陷所需工时进行统计分析,如表9。

  Image:工时统计分析.jpg

  按排列图作图步骤,确定焊缝气孔和夹渣为主要因素;焊缝成型差和焊道凹陷为有影响因素,其它为次要因素。

   Image:排列图2.jpg

  2.排列图的用途

  (1) 找出主要因素。

  排列图把影响产品质量的“关键的少数与次要的多数”直观地表现出来,使我们明确应该从哪里着手来提高产品质量。实践证明,集中精力将主要因素的影响减半比消灭次要因素收效显著,而且容易得多。所以应当选取排列图前1~2项主要因素作为质量改进的目标。如果前1~2项难度较大,而第3项简易可行,马上可见效果,也可先对第3项进行改进。

   (2)解决工作质量问题也可用排列图。

  不仅产品质量,其它工作如节约能源、减少消耗、安全生产等都可用排列图改进工作,提高工作质量。检查质量改进措施的效果。采取质量改进措施后,为了检验其效果,可用排列图来核查。如果确有效果,则改进后的排列图中,横坐标上因素排列顺序或频数矩形高度应有变化。

  老七种方法之六:因果图

  因果图是表示质量特性与原因的关系的图。

   收集各种信息,比较原因大小和主次,找出产生问题的主要原因;也就是根据反映出来的主要问题(最终结果),找出影响它的大原因、中原因、小原因、更小原因等等。

  主干箭头所指的为质量问题,主干上的大枝表示大原因,中枝、小枝芽表示原因的依此展开。

  Image:因果图.jpg

  1.因果图作图步骤

  (1)确定要研究分析的质量问题和对象,既确定要解决的质量特性是什么。将分析对象用肯定语气(不标问号)写在图的右边,最好定量表示,以便判断采取措施后的效果。

  (2)确定造成这个结果和质量问题的因素分类项目。影响工序质量的因素分为人员、设备、材料、工艺方法、环境等;再依次细分,画大枝,箭头指向主干,箭尾端记上分类项目,并用方框框上。

  (3)把到会者发言、讨论、分析的意见归纳起来,按相互的相依隶属关系,由大到小,从粗到细,逐步深入,直到能够采取解决问题的措施为止。将上述项目分别展开:中枝表示对应的项目中造成质量问题的一个或几个原因;一个原因画一个箭头,使它平行于主干而指向大枝;把讨论、意见归纳为短语,应言简意准,记在箭干的上面或下面,再展开,画小枝,小枝是造成中枝的原因。如此展开下去,越具体越细致,就越好。

  (4)确定因果图中的主要、关键原因,并用符号明显的标出,再去现场调查研究,验证所确定的主要、关键原因是否找对、找准。以此作为制订质量改进措施的重点项目。一般情况下,主要、关键原因不应超过所提出的原因总数的三分之一。

  (5)注明本因果图的名称、日期、参加分析的人员、绘制人和参考查询事项。

  做因果图的一个重要内容就是要收集大量的信息,而许多信息是靠人们主观想象和思维得到的。

  2.作因果图的注意事项

  (1)要充分发扬民主,把各种意见都记录、整理入图。一定要请当事人、知情人到会并发言,介绍情况,发表意见。

  (2)主要、关键原因越具体,改进措施的针对性就越强。主要、关键原因初步确定后,应到现场去落实、验证主要原因,在订出切实可行的措施去解决。

  (3)不要过分的追究个人责任,而要注意从组织上、管理上找原因。实事求是的提供质量数据和信息,不互相推托责任。

  (4)尽可能用数据反映、说明问题。

  (5)作完因果图后,应检查下列几项:图名、应标明主要原因是哪些等、文字是否简便通俗、编译是否明确、定性是否准确、应尽可能地定量化、改进措施不宜画在图上。

  (6)有必要时,可再画出措施表。

  老七种工具之七:控制图

  控制图是判断和预报生产过程中质量状况是否发生波动的一种有效方法。

  例如:美国某电气公司的一个工厂有3千人,制定了5千张控制图

  美国柯达彩卷公司有5千人,制定控制图有3万5千张,平均每人7张。

  我国某飞机制造厂中的先进质量体系(AQS)中,要求一些工序必须作控制图。

  控制图原理

  • 质量具有波动性
  • 5M1E(工序质量因素)
  • 人(Man)、机器(Machine)、方法 (Method)、
  • 材料(Material)、测量(Measure)、环境(Environment)

影响质量的9M因素

  市场(Markets)

  资金(Money)

  管理Management

  动机(Motivation)

  人(Man)、

  机器和机械化(Machines and Mechanization)、

  现代信息方法(Modem information methods) 、

  材料(Materials)、

  产品规格要求(Mountingproduct requirement )

  1.控制图的基本格式

  控制图的基本格式如图所示。

  Image:控制图.jpg

  中心线CL(Central Line)——用细实线表示;

  上控制界限UCL(Upper Cortrol Limit)——用虚线表示;

  下控制界限LCL(Lower Control Limit)——用虚线表示。

  所谓控制图的基本思想就是把要控制的质量特性值用点子描在图上,若点子全部落在上、下控制界限内,且没有什么异常状况时,就可判断生产过程是处于控制状态。否则,就应根据异常情况查明并设法排除。通常,点子越过控制线就是报警的一种方式。

  控制图作为一种管理图,在工业生产中,根据所要控制的质量指标的情况和数据性质分别加以选择。

  2.常用控制图的种类

  常用质量控制图可分为两大类:

   (1)计量值控制图包括:

   单值控制图(\bar{x}),中位数控制图。

   (2)计数值控制图包括:

   不良品数控制图,

   不良品率控制图,

   缺陷数控制图,

   单位缺陷数控制图。

  根据所要控制的质量特性和数据的种类、条件等,按图中得箭头方向便可作出正确的选用。

  Image:控制图的种类及选用流程.jpg

  计量值控制图一般适用于以计量值为控制对象的场合。

   计量值控制图对工序中存在的系统性原因反应敏感,所以具有及时查明并消除异常的明显作用,其效果比计数值控制图显著。计量值控制图经常用来预防、分析和控制工序加工质量,特别是几种控制图的联合使用。

  计数值控制图则用于以计数值为控制对象的场合。离散型的数值,比如,一个产品批的不合格品件数。虽然其取值范围是确定的,但取值具有随机性,只有在检验之后才能确定下来。

  计数值控制图的作用与计量值控制图类似,其目的也是为了分析和控制生产工序的稳定性,预防不合格品的发生,保证产品质量。

  3.控制界限的原理

  控制图中的上、下控制界限,一般是用“三倍标准偏差法”(又称3σ法)。而把中心线确定在被控制对象(如平均值、极差、中位数等)的平均值上。再以中心线为基准向上或向下量3倍标准偏差,就确定了上、下控制界限。另外,在求各种控制图时,3倍标准偏差并不容易求到,故按统计理论计算出一些近似系数用于各种控制图的计算信息输入表11

  Image:系数值表.jpg

SQC与SPC的关系

  统计过程控制SPC,)指的是,应用数理统计学的方法监视和调整过程作业或工序的技术(美国生产与库存控制学会APICS,2002),是一种有效的质量保证、缺陷预防和控制的工程技术与方法。

  统计质量控制(SQC,Statistical Quality Contr01)指的是,为了控制质量而应用的统计技术。通常这一术语可以同SPC互换使用,但是SQC所包含的含义比SPC更广泛,即SQC包括了接受采样和统计过程控制(APICS,2002)。所以,虽然SQC与SPC两个术语可以互换使用,但SQC的含义更为广泛。

  SPC与SQC既有联系又有区别,SQC是一个总括的术语,它包含SPC,同时也包括产品验收技术规则所使用的概率抽样方法

  SQC与SPC共同所使用的辅助技术是:

  ①使用排列图和检查表确定一个问题的主要因素;

  ②使用因果图展示出不良及缺陷的一系列的原因及其后果;

  ③使用直方图和散布图辨认确定生产过程变量的分布类型和数量。

  SPC不仅仅是质量控制的一种技术方法,同时,它也是现场开展群众性质量管理的一种方法,国外有些企业通常是组织3-13人的统计工序控制小组,开展质量控制活动。

本条目对我有帮助91
MBA智库APP

扫一扫,下载MBA智库APP

分享到:
  如果您认为本条目还有待完善,需要补充新内容或修改错误内容,请编辑条目

评论(共28条)

提示:评论内容为网友针对条目"统计质量控制"展开的讨论,与本站观点立场无关。
218.63.208.* 在 2007年10月20日 15:38 发表

有一点不足,对于“标准偏差”,其实应该加“样本”两个字,不要好总体方差、总体标准差混淆。但是,仍然感谢你,学到不少东西。辛苦了!!!!!!!!!

回复评论
218.104.188.* 在 2007年12月27日 10:51 发表

总体来说不错。

回复评论
222.240.165.* 在 2008年8月25日 10:08 发表

非常感谢!!

回复评论
61.164.71.* 在 2008年12月13日 09:49 发表

非常感谢!!

回复评论
219.152.70.* 在 2009年3月31日 12:29 发表

很好,顶一下!

回复评论
116.9.0.* 在 2009年6月14日 20:55 发表

谢谢,百度百科去死,全是广告

回复评论
Angeldream (Talk | 贡献) 在 2009年7月3日 17:07 发表

太好了!谢谢大家的贡献!我也贡献了一点!请多指教!

回复评论
222.216.101.* 在 2009年8月3日 19:27 发表

上下限如何计算啊?

回复评论
218.2.208.* 在 2009年8月10日 17:03 发表

很谢谢!继续学习

回复评论
123.191.59.* 在 2009年12月14日 09:40 发表

很感谢,希望能联系,我的号是13840204877.

回复评论
116.227.159.* 在 2009年12月19日 16:11 发表

控制图按照用途分,可以分为哪几种控制图啊?

回复评论
Angle Roh (Talk | 贡献) 在 2009年12月21日 09:55 发表

116.227.159.* 在 2009年12月19日 16:11 发表

控制图按照用途分,可以分为哪几种控制图啊?

您可以参阅控制图

回复评论
202.65.194.* 在 2010年3月12日 14:23 发表

控制图标准值知道与未知情况下分别采用的上下管理限有多大的差别?

回复评论
220.166.50.* 在 2010年3月28日 10:49 发表

很仔细啊、、、、

回复评论
60.10.66.* 在 2010年5月26日 18:41 发表

不错!比百度好。 学到不少!

回复评论
Amy Cheng (Talk | 贡献) 在 2010年5月29日 13:31 发表

只恨发现这个网站太晚,原来牛人都在这里

回复评论
03123108 (Talk | 贡献) 在 2010年10月10日 19:10 发表

好东西 o(︶︿︶)o 唉 发现这网站太晚了 后悔中

回复评论
123.163.24.* 在 2011年1月8日 00:16 发表

很好

回复评论
110.176.108.* 在 2011年1月22日 17:54 发表

我看过的最好的词条。顶!

回复评论
155.69.3.* 在 2011年2月10日 15:58 发表

It is great!

回复评论
117.19.242.* 在 2011年10月7日 12:36 发表

感谢分享。

回复评论
218.67.221.* 在 2011年10月17日 11:33 发表

请问,SPC和SQC有什么区别呀?

回复评论
Yixi (Talk | 贡献) 在 2011年10月17日 15:43 发表

218.67.221.* 在 2011年10月17日 11:33 发表

请问,SPC和SQC有什么区别呀?

添加了新的内容,希望对您有帮助!

回复评论
222.222.77.* 在 2012年3月20日 10:09 发表

不错,学了有收获

回复评论
112.82.184.* 在 2012年10月20日 00:20 发表

非常感谢,让我回想起并运用了大学里学的质量控制,理论联系实际,,对自己的产品有了很好的分析

回复评论
218.77.90.* 在 2014年5月29日 09:16 发表

haohao

回复评论
lakelin (Talk | 贡献) 在 2015年12月12日 18:28 发表

有没有有关品质管理的相关资料?

回复评论
Dan (Talk | 贡献) 在 2015年12月14日 09:44 发表

lakelin (Talk | 贡献) 在 2015年12月12日 18:28 发表

有没有有关品质管理的相关资料?

请直接搜索品质管理

回复评论

发表评论请文明上网,理性发言并遵守有关规定。

打开APP

以上内容根据网友推荐自动排序生成