《质量管理与可靠性》实验报告
车轴钢技术标准:
氢:
Si:0.20~0.30%,Mn:0.70~0.80%,P:
S:
Cu:
一、 打开Minitab软件,建立“工序能力调查实验”项目
1. 从菜单选择File-->New
2. 选择Minitab Project,然后点击OK
可以保存当前的工作为一个项目。当保存了项目,就一次性的保存了所有工作,包括所有的在会话窗口的输出,所有的打开的图形窗口。当重新打开项目时,所有的信息将重新显示,就是保存时候的状态。
按照下面的步骤来保存你的项目 :
①. 从菜单选择 File-->Save Project As
②. 在 Save in 框中,选择你要保存项目的文件夹
③. 在 File name 框中,输入你的项目的名字,然后点击 Save
3. 建立车轴钢成份分析数据表
从菜单选择File>New,然后在弹出的对话框选择Minitab Worksheet,然后点击
OK。
也可以直接将Excel数据表中的数据“copy”过来。
二、 选择要分析的成份数据,绘制直方图,查看其分布规律以及变化趋势:
1. 从菜单选择 Graph--> Histogram;
2. 选择Simple,然后单击OK;
3. 在Graph Variables 中键入P,单击OK;
4. 为了测定成份P的数据是否服从正态分布,对直方图进行正态拟合;
①. 从菜单选择 Graph--> Histogram;
②. 选择With Fit,然后单击OK;
③. 在Graph Variables 中键入P,单击
OK
如上图所示,成份P的数据分布曲线是近似正态分布。
(如果观察值少于50 个,也可以用正态概率图象来检验其正态性Graph--> Probability Plot或Stat Basic satistics--> Normality Test)
下图是用Graph--> Probability Plot得出的结果。
5. 成份P的数据变化趋势分析,以生产班组分组观察;
①. 选择选择Graph -->Individual Value Plot t;
②. 在One Y 下,选择With Groups单击OK;
③. 在Graph Variables 中键入P;
④. 单击Data View,选中Mean Connect line。
单值图显示了四个生产班组所炼的钢,P含量平均值看起来都差不多。如果细化的话,还可以对早、中、晚不同时间段生产的钢种进行成份分析,查找缺陷原因。
三、 成份数据统计分析,计算相关统计量:
对P成份数据描述性统计量的计算;
①. 选择Stat-->Basic Statistics -->Display Descriptive Statistics;
②. 在Variables 中键入P;
③. 单击Statistics;
④. 取消First quartile, Median, Third quartile, N nonmissing, 和N
missing的选中状态,选中N Total;
⑤. 在每个对话框中单击OK。
结果如下:
四、 模拟生产过程,绘制控制图,判断工序控制状态:
该钢铁公司内部采取以下判异准则来检验异常原因:
检验1:有1个点离开中心线的距离超过3倍标准差
检验2:连续7个点在中心线的同一侧
检验3:连续7个点有上升趋势或下降趋势
1. 选择Tools-->Option-->Control Charts and Quality Tools-->Define Tests;
2. 将Test 2 的K 值改为7 ,将Test 3 的K 值改为7;
3. 选择左方框中的Tests to Perform,将前3个检验打勾选中;
4. 单击OK;
5. 选择Stat-->Control Chart-->Variables Charts for Subgroups-->Xbar-S;
6. 在弹出的对话框的空白框内键入要分析的成分所列的标题,比如“P”,在Subgroup
size中,键入5;
7. 工序受控状态分析。
控制图分析:该车轴钢种P含量数据点均落在控制限内,没有显示任何非随机的模式。因此,过程的平均值和标准差是受控的(即稳定的)。平均值为0.01152,平均标准差( S )为0.002775。
五、 评估工序/过程能力:
在确定一个过程受控之后,下面分析一下过程是否有能力——即它是否能满足规范要求,生产的部件或成品是否是好的。通过比较过程的波动和规范的宽度,可以确定一个过程的能力。如果评价过程能力之前,过程没有受控,可能得到不正确的过程能力估计。
在MINITAB 中,通过绘制过程能力直方图和过程能力图,可以图像化地评估过程能力。这些图像可以帮助评估数据分布的情况,验证过程是否受控。能力指数或能力统计量是评估过程能力的简便方法。MINITAB 为很多数据分布类型提供了能力分析,包括正态分布、指数分布、威布尔分布、伽玛分布、泊松分布和二项分布。
以我们分析的车轴钢成份为例,公司内部执行的标准为(%):C—0.48~0.52,Si-0.20~0.30,Mn-0.70-0.80,P-
我么规定对于上面有双侧要求的成份,其规范中心M取上下限的均值,即M=1/2(Tu + TL)。
1. 选择 Stat-->Quality Tools-->Capability Analysis Normal;
2. 在Data arearranged as 下面,选择Single column,键入P。
3. 在Subgroup size中,键入5。
4. 在Upper spec 中,键入0.015。
5. 在Lower spec 中,键入0。
6. 单击Option。在Target(adds Cpm to table)里,键入0.0075。
7. 在每个对话框中都单击
OK
8. 根据Cp 计算可能的不合格品率p=2-Ф[3Cp(1+k]-Ф[3Cp(1-k]:
①. 选择Calc-->Probability Distributions-->Normal;
②. 选中Cumulative probability;
③. 选中 Input constant,并输入[3Cp(1+k)]的值(k=-0.0536):0.11832,在Session 窗口输出如下结果,即Ф[3Cp(1+k]的值:
④. 重复上述步骤(输入2.68668)可以得出Ф[3Cp(1-k)]:
Session 窗口输出结果如下:
p=2-0.547093- 0.996392=0.456515。
如分析结果所示:所有的潜在能力(0.85)和总体能力(0.83)统计量都比1.33 小(通常1.33 是可以接受的最小值),说明冶炼工序能力严重不足的。
可以从影响工序能力的三个方面入手,改变相关的参数值,通过观察绘制的过程能力直方图,理解各个因素对Cp的影响。
图 a 偏差对Cp的影响
图 b 规范限对Cp的影响
比如放宽规范限,提高实际加工精度(减小成份数据分散度)调整偏移量等等:
1. 调整目标值为:0.0075—>0.00759;
从图a中可以看出:Cp 0.85—>0.85。
2. 调整规范限为:(0,0.015)—>(0.001,0.014);
从图b中可以看出:Cp 0.85—>0.73。
六、 模拟生产过程,设计抽样检验方案,对产品质量进行抽检:
1. 按N=50, Ⅱ级检查水平和以工序能力调查实验估计的不合格品率作为AQL值,确
立正常一次抽样方案;
①. N=50, Ⅱ级检查水平,查表(P68,表2.4.12)得样本字码:D;
②. 以接近工序能力调查实验估计的不合格品率的AQL值查表(P431,附表2)得正常一次抽样方案(8,7);
2. 随机抽样;
①. 选择Calc--> Random Data--> Sample From Columns;
②. 在“Sample”后面的空白框内填入样本量:8, 在“rows from column(s)”,输入“P”;
③. 在 “Store samples in”后输入:PSample,ok。
在数据窗口就会增加“PSample”列,该列就是从P成份数据的抽样结果。
3. 样本质量数据统计:统计未落入规范限的炉数d,(d=0);
4. 将样本统计结果d与抽样方案的接受标准c进行比较,对检验批作出判断:是合格
并接受,还是不合格并拒收;(合格接收)
5. 应用五点作图法绘制该方案的特性曲线OC1:
①. 选择Calc-->Probability Distributions-->Binomial;
②. 选中Cumulative probability,在“number of trails”栏填入样本量n,在“probability of success”栏填入AQl值或上面统计出的工序平均不合格品率p;
③. 选中 Input constant,输入抽样方案的接受标准c,在Session 窗口输出如下结果,即在不合格品率p下该抽样方案的接受概率L(p):
④. 重复①-③步骤,得出绘图所需的5个p下的接受概率L(p);
⑤. 以P为横坐标,L(p)为纵坐标作抽样特性曲线:OC1曲线。
6. 重复1-5步骤,得出加严一次、放宽一次抽样方案的特性曲线OC2、OC3,将三条
曲线绘于同一坐标系中,
7. 比较三条曲线,分析三种抽样方式的特点。
七、 采用Matlab绘制OC曲线,方法如下:
《质量管理与可靠性》实验报告
车轴钢技术标准:
氢:
Si:0.20~0.30%,Mn:0.70~0.80%,P:
S:
Cu:
一、 打开Minitab软件,建立“工序能力调查实验”项目
1. 从菜单选择File-->New
2. 选择Minitab Project,然后点击OK
可以保存当前的工作为一个项目。当保存了项目,就一次性的保存了所有工作,包括所有的在会话窗口的输出,所有的打开的图形窗口。当重新打开项目时,所有的信息将重新显示,就是保存时候的状态。
按照下面的步骤来保存你的项目 :
①. 从菜单选择 File-->Save Project As
②. 在 Save in 框中,选择你要保存项目的文件夹
③. 在 File name 框中,输入你的项目的名字,然后点击 Save
3. 建立车轴钢成份分析数据表
从菜单选择File>New,然后在弹出的对话框选择Minitab Worksheet,然后点击
OK。
也可以直接将Excel数据表中的数据“copy”过来。
二、 选择要分析的成份数据,绘制直方图,查看其分布规律以及变化趋势:
1. 从菜单选择 Graph--> Histogram;
2. 选择Simple,然后单击OK;
3. 在Graph Variables 中键入P,单击OK;
4. 为了测定成份P的数据是否服从正态分布,对直方图进行正态拟合;
①. 从菜单选择 Graph--> Histogram;
②. 选择With Fit,然后单击OK;
③. 在Graph Variables 中键入P,单击
OK
如上图所示,成份P的数据分布曲线是近似正态分布。
(如果观察值少于50 个,也可以用正态概率图象来检验其正态性Graph--> Probability Plot或Stat Basic satistics--> Normality Test)
下图是用Graph--> Probability Plot得出的结果。
5. 成份P的数据变化趋势分析,以生产班组分组观察;
①. 选择选择Graph -->Individual Value Plot t;
②. 在One Y 下,选择With Groups单击OK;
③. 在Graph Variables 中键入P;
④. 单击Data View,选中Mean Connect line。
单值图显示了四个生产班组所炼的钢,P含量平均值看起来都差不多。如果细化的话,还可以对早、中、晚不同时间段生产的钢种进行成份分析,查找缺陷原因。
三、 成份数据统计分析,计算相关统计量:
对P成份数据描述性统计量的计算;
①. 选择Stat-->Basic Statistics -->Display Descriptive Statistics;
②. 在Variables 中键入P;
③. 单击Statistics;
④. 取消First quartile, Median, Third quartile, N nonmissing, 和N
missing的选中状态,选中N Total;
⑤. 在每个对话框中单击OK。
结果如下:
四、 模拟生产过程,绘制控制图,判断工序控制状态:
该钢铁公司内部采取以下判异准则来检验异常原因:
检验1:有1个点离开中心线的距离超过3倍标准差
检验2:连续7个点在中心线的同一侧
检验3:连续7个点有上升趋势或下降趋势
1. 选择Tools-->Option-->Control Charts and Quality Tools-->Define Tests;
2. 将Test 2 的K 值改为7 ,将Test 3 的K 值改为7;
3. 选择左方框中的Tests to Perform,将前3个检验打勾选中;
4. 单击OK;
5. 选择Stat-->Control Chart-->Variables Charts for Subgroups-->Xbar-S;
6. 在弹出的对话框的空白框内键入要分析的成分所列的标题,比如“P”,在Subgroup
size中,键入5;
7. 工序受控状态分析。
控制图分析:该车轴钢种P含量数据点均落在控制限内,没有显示任何非随机的模式。因此,过程的平均值和标准差是受控的(即稳定的)。平均值为0.01152,平均标准差( S )为0.002775。
五、 评估工序/过程能力:
在确定一个过程受控之后,下面分析一下过程是否有能力——即它是否能满足规范要求,生产的部件或成品是否是好的。通过比较过程的波动和规范的宽度,可以确定一个过程的能力。如果评价过程能力之前,过程没有受控,可能得到不正确的过程能力估计。
在MINITAB 中,通过绘制过程能力直方图和过程能力图,可以图像化地评估过程能力。这些图像可以帮助评估数据分布的情况,验证过程是否受控。能力指数或能力统计量是评估过程能力的简便方法。MINITAB 为很多数据分布类型提供了能力分析,包括正态分布、指数分布、威布尔分布、伽玛分布、泊松分布和二项分布。
以我们分析的车轴钢成份为例,公司内部执行的标准为(%):C—0.48~0.52,Si-0.20~0.30,Mn-0.70-0.80,P-
我么规定对于上面有双侧要求的成份,其规范中心M取上下限的均值,即M=1/2(Tu + TL)。
1. 选择 Stat-->Quality Tools-->Capability Analysis Normal;
2. 在Data arearranged as 下面,选择Single column,键入P。
3. 在Subgroup size中,键入5。
4. 在Upper spec 中,键入0.015。
5. 在Lower spec 中,键入0。
6. 单击Option。在Target(adds Cpm to table)里,键入0.0075。
7. 在每个对话框中都单击
OK
8. 根据Cp 计算可能的不合格品率p=2-Ф[3Cp(1+k]-Ф[3Cp(1-k]:
①. 选择Calc-->Probability Distributions-->Normal;
②. 选中Cumulative probability;
③. 选中 Input constant,并输入[3Cp(1+k)]的值(k=-0.0536):0.11832,在Session 窗口输出如下结果,即Ф[3Cp(1+k]的值:
④. 重复上述步骤(输入2.68668)可以得出Ф[3Cp(1-k)]:
Session 窗口输出结果如下:
p=2-0.547093- 0.996392=0.456515。
如分析结果所示:所有的潜在能力(0.85)和总体能力(0.83)统计量都比1.33 小(通常1.33 是可以接受的最小值),说明冶炼工序能力严重不足的。
可以从影响工序能力的三个方面入手,改变相关的参数值,通过观察绘制的过程能力直方图,理解各个因素对Cp的影响。
图 a 偏差对Cp的影响
图 b 规范限对Cp的影响
比如放宽规范限,提高实际加工精度(减小成份数据分散度)调整偏移量等等:
1. 调整目标值为:0.0075—>0.00759;
从图a中可以看出:Cp 0.85—>0.85。
2. 调整规范限为:(0,0.015)—>(0.001,0.014);
从图b中可以看出:Cp 0.85—>0.73。
六、 模拟生产过程,设计抽样检验方案,对产品质量进行抽检:
1. 按N=50, Ⅱ级检查水平和以工序能力调查实验估计的不合格品率作为AQL值,确
立正常一次抽样方案;
①. N=50, Ⅱ级检查水平,查表(P68,表2.4.12)得样本字码:D;
②. 以接近工序能力调查实验估计的不合格品率的AQL值查表(P431,附表2)得正常一次抽样方案(8,7);
2. 随机抽样;
①. 选择Calc--> Random Data--> Sample From Columns;
②. 在“Sample”后面的空白框内填入样本量:8, 在“rows from column(s)”,输入“P”;
③. 在 “Store samples in”后输入:PSample,ok。
在数据窗口就会增加“PSample”列,该列就是从P成份数据的抽样结果。
3. 样本质量数据统计:统计未落入规范限的炉数d,(d=0);
4. 将样本统计结果d与抽样方案的接受标准c进行比较,对检验批作出判断:是合格
并接受,还是不合格并拒收;(合格接收)
5. 应用五点作图法绘制该方案的特性曲线OC1:
①. 选择Calc-->Probability Distributions-->Binomial;
②. 选中Cumulative probability,在“number of trails”栏填入样本量n,在“probability of success”栏填入AQl值或上面统计出的工序平均不合格品率p;
③. 选中 Input constant,输入抽样方案的接受标准c,在Session 窗口输出如下结果,即在不合格品率p下该抽样方案的接受概率L(p):
④. 重复①-③步骤,得出绘图所需的5个p下的接受概率L(p);
⑤. 以P为横坐标,L(p)为纵坐标作抽样特性曲线:OC1曲线。
6. 重复1-5步骤,得出加严一次、放宽一次抽样方案的特性曲线OC2、OC3,将三条
曲线绘于同一坐标系中,
7. 比较三条曲线,分析三种抽样方式的特点。
七、 采用Matlab绘制OC曲线,方法如下: