数据分析和制程能力评估.ppt

单击此处编辑母版标题样式,单击此处编辑母版文本样式,第二级,第三级,第四级,第五级,*,Sumbo,创作,数据分析与制程能力评估,张晓军,2015.11.23,我们的感觉可靠吗？,上面的蓝线和黑线哪根长？,生日概率,如果一个房间里有,50,个人,那么至少有两个人的生日相同的概率可能是多少？,真相是什么？,感觉不靠谱！,真相或许不存在，或许假象太有欺骗性,数据能够让人冷静和理性,Foxconn,跳楼案例,记者在短时间内发生这么多起跳楼的事件，如果站在理论角度上，发生率算不算高？,樊富珉按卫生部统计，目前中国自杀率大概是十万分之十六左右。而富士康,40,多万人，约十万分之二三左右，大学生我们也做过统计，大概十万分之二到三左右。如果从全国的自杀率来比的话，应该还是低的,统计学,对大多数人来说这是一个比较,头疼,的名词,但其实从运用的角度，它并不可怕，反而非常的受用！,案例：改善了吗？,A,公司去年的订单交付平均时间是,8,天，今年的交付平均时间也是,8,天,请问进步了还是倒退了？,打靶,A,B,C,D,谁打的最差,谁打的最好,常见的一些名词,统计学名词,平均值,最大值,最小值,极差,偏差,标准差,Ca,、,Cp,、,CPK,设计名词,基准尺寸,上公差,下公差,公差带,抽样,样本数量,抽样方法,正态分布,管制上限,管制下限,正态分布特性,生产过程中众多彼此独立的偶然因素（,随机性）变异,共同对生产对象产生影响时，彼此相互影响、相互抵消,最终使产品质量特性呈正态分布,（中心极限定理）,。,正态分布有两个参数，即平均值,和标准差,，可记作,N,（,，,）：均数,决定正态曲线的中心位置；标准差,决定正态曲线的陡峭或扁平程度。,质量变异的正态分布特性,一般来说，如果一个量是由许多微小的独立随机因素影响的结果，那么就可以认为这个量具有正态分布。是概率统计中,最重要,的一种分布,平均数（算术平均数）,解释：一组数据中所有数据之和再除以数据的个数,意义：常用来表示样本数据的,“,中心值,”,，但受样本中每个数据的影响，越极端的数据对平均数的影响也越大,.,A,班和,B,班的平均分都是,80,分，哪个班的整体表现更好？,最大值、最小值、极差、偏差,最大值：反映一组数据的最大边界,最小值：反映一组数据的最小边界,极差最大值最小值（反映这组数据的变化范围）,偏差：实际值与目标值的偏移量,中心偏移量,标准差,标准差是样本平均数的一种,平均距离,，一般用,s,或,表示,意义：用来衡量一批数据的波动大小,(,即这批数据偏离平均数的大小，也即反映数据的离散程度,),。在实际应用中，标准差常被理解为,稳定性,指标。,计算公式：,标准差大小直观图示,不同标准差的分布比例,Ca,Ca:,Caoability of Accuracy,（准确度）,意义：制,程平均值,与,規格中心值的差距,数,值越小越好,。,Ca,等级判读,CP,（精确度）,CP,（精确度）：设计公差与制程整个变异的比值。,意义：,反映数据,(,尺寸,),的波动范围，即工艺过程“满足设计标准”的能力。,双侧,单侧，,Cpl,计算相同,Cp,图示,一般质量特性过程能力综合评定,范围,判断,措施,2.33Cp2,能力极过剩,更换设备，降低对设备精度的要求,2Cp1.67,能力过剩,采取抽样检验，减少抽样频次，也可考虑降低设备精度,1.67Cp1.33,理想状态,对过程进行标准化作业,1.33Cp1,低风险,在不影响正常使用的情况下，可适度放宽标准范围,1Cp,中风险,适当增加检验频次，如对后续过程有影响时，找出原因，加以改进,CPK,CPK:,Capability index of process,制程能力指数，也称为“工序能力”。,意义：评估生产是否满足“,规格要求”,的大批量生产的能力。,计算公式：,Cpk=(1-|Ca|)*Cp,CPK,能力判断,常见的制程能力分布,制程能力好,中心值在目标上且分布均在规格内,制程能力尚可,中心值在目标上,分布均在规格内但稍微太分散,制程能力尚可,中心值有漂移,但分布尚在规格内,制程能力不好,中心值虽在目标,但分布超出规格外,制程能力不好,中心值不在目标,分布虽集中但超出规格外,制程能力最差,中心值不在目标,分布不集中且超出规格外,良好的制程分布：,CPK1.33,LCL,UCL,規格下限,規格上限,3,3,6,x,制程能力一般：,Cpk=1.0,LCL,UCL,規格下限,規格上限,3,3,6,制程能力非常好：,CPK=1.67,LCL,UCL,規格下限,規格上限,3,3,2,2,10,日本常用,制程不良,1:,规格界限在,6,内,LCL,UCL,規格下限,規格上限,46.53%,42.3%,X,3,3,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,(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%,3,3,=,0.00617,良率预估,Z(LCL)=,規格下限,-0.8312,=,0.82-0.8312,0.00617,=,-1.8152,Z(UCL)=,規格上限,-0.8312,=,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（,Mothernatured,）,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,100200,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,、,BOXCOX,转换*,非正态分布,-,右偏态分布,可能原因：,几种可能原因,:,控制了公差下限,左侧某些数据被遗弃,(,或样本被故意抛弃,),工序分布右偏,(,如由于刀具、夹具等的磨损,),工艺过程的特殊性,若右偏态是由于工艺本身特殊性造成的,可依,次尝试以下转换：,（,3,）、,logx,或,lnx,非正态分布,-,左偏态分布,几种可能原因,:,控制了公差上限,右侧某些数据被遗弃（或样要被故,意抛弃）,工序分布左偏,(,如由于刀具、夹具等的磨损,),工艺过程的特殊性,若右偏态是由于工艺本身特殊性造成的,可依,次尝试以下转换：,（,3,）、,logx,或,lnx,非正态分布,-,双峰形分布,造成双峰型分布的几种可能原因,混料,抽样方案不合理：抽样时将两个不同的生产线、或两个班组或两种材料或两种工艺的样本放在一起。,抽样间隔太长，而工艺又不稳定,如果是供应商来料的抽样数据，则很可能是由于供应商事先做了分检。,正常的生产过程一般不会造成双峰分布，因此，如果数据出现双峰分布，应立即调查原因。,非正态分布,-,扁平型,几种可能原因,:,工序参数调整误差大，且频繁调整,工序波动大,机器（或刀具、夹具）出现严重磨损，影响了精度,特殊的工艺过程,非正态分布,-,尾部被切除,样本数据中超公差部分被遗弃,仅从合格产品中抽样,抽样不合理，如样本含量太小,一旦发现这种分布，应立即调查原因,怎么运用？,我们需要考察供应商,A,的生产能力，如何评价？,我们已知设计的公差，应该如何选择工艺？,我们量测了一组数据，如何推算量产的良率？,根据我们量测的数据分布，如何去判断改善方向？,实际案例演练,GS510 B,件,Q&A,Thanks,！,