过程能力概述（Process Capability
Overview）
在过程处于统计控制状态之后，即生产比较稳定时，你很可能希望知道过程能力，也即满足规格界限和生产良品的能力。你可以将过程变差的宽度与规格界限的差距进行对比来片段过程能力。在评价其能力之前，过程应该处于控制状态，否则，你得出的过程能力的估计是不正确的。
你可以画能力条形图和能力点图来评价过程能力，这些图形可以帮助你评价数据的分布并验证过程是否受控。你还可以计算过程指数，即规范公差与自然过程变差的比值。过程指数是评价过程能力的一个简单方法。因为它们无单位，你可以用能力统计量来比较不同的过程。
一、选择能力命令（Choosing a capability command）
Minitab提供了许多不同的能力分析命令，你可以根据数据的属性及其分布来选择适当的命令。你可以为以下几个方面进行能力分析：
?正态或Weibull概率模型(适合于测量数据)
?很可能来源于具有明显组间变差的总体的正态数据
?二项分布或泊松概率分布模型(适合于属性数据或计数数据)
注：如果你的数据倾斜严重，你可以利用Box-Cox转换或使用Weibull 概率模型。
在进行能力分析时，选择正确的分布是必要的。例如：Minitab提供基于正态和Weibull概率模型的能力分析。使用正态概率模型的命令提供更完整的一系列的统计量，但是你的数据必须近似服从正态分布以保证统计量适合于这些数据。举例来说，Analysis (Normal) 利用正态概率模型来估计期望的PPM。这些统计量的结实依赖于两个假设：数据来自于稳定的过程，且近似服从的正态分布。类似地，Capability Analysis (Weibull) 利用Weibull 分布模型计算PPM。在两种情况下，统计的有效性依赖于假设的分布的有效性。
如果数据倾斜严重，基于正态分布的概率会提供对实际的超出规格的概率做比较差的统计。这种情况下，转化数据使其更近似于正态分布，或为数据选择不同的概率模型。在Minitab中，你可以用“Box-Cox power transformation”或Weibull 概率模型。Non-normal data对这两个模型进行了比较。
如果你怀疑过程具有较明显的组间变差，使用Capability Analysis (Between/Within)或Capability Sixpack (Between/Within)。子组内部的随机误差之上，子组数据可能还有子组之间的随机变差。对子组变差的两个来源的理解可以为过程潜在能力提供更实际的估计。Capability Analysis (Between/Within)和Capability Sixpack (Between/Within) 计算了组间和组内标准差，然后再估计长期的标准差。
Minitab还为属性数据和计数数据进行能力分析，基于二项分布和泊松概率模型。例如：产品可以根据标准判定为合格和不合格(使用Capability Analysis (Binomial)).。你还可以根据缺陷的数量进行分类(使用Capability Analysis
(Poisson)).
二、能力分析命令概况
Capability Analysis (Normal)为单个测量结果画一张能力条形图，图上包含基
于过程均值和标准差的正态曲线。这可以帮助你对正态性假设进行视觉上的评价。报告还包括一张过程能力统计量的表，包括组内和组间统计量。
Capability Analysis (Between/Within) 为单个测量结果画一张能力条形图，图上包含基于过程均值和标准差的正态曲线。这可以帮助你对正态性假设进行视觉上的评价。报告还包括一张组间/组内和长期过程能力统计量的列表。
Capability Sixpack (Normal) 同时显示以下图形，以及能力统计量的子集：- 一张Xbar (or Individuals), R or S (or Moving Range), 和run chart, 可用
来验证过程是否处于控制状态；
- 一个能力条形图和正态概率图，可以帮助验证数据是否服从正态分布；
- 一个能力图，显示过程变差与规范界限的相对性。
Capability Sixpack (Between/Within)适合于组间变差比较明显的子组数据。Capability Sixpack (Between/Within) 同时显示以下图形，以及能力统计量的子集：- 一张Individuals Chart, Moving Range Chart, and R Chart or S Chart,可用来验证过程是否处于控制状态；
- 一个能力条形图和正态概率图，可以帮助验证数据是否服从正态分布；
- 一个能力图，显示过程变差与规范界限的相对性。
Capability Sixpack (Weibull) 同时显示以下图形，以及能力统计量的子集：- 一张Individuals, R- (or Moving Range), and run chart, 可用来验证过程是否处于控制状态；
- 一个能力条形图和Weibull概率图，可以帮助验证数据是否服从Weibull 分布；
-一个能力图，显示过程变差与规范界限的相对性。
Capability Analysis (Weibull) 为单个测量结果画一张能力条形图，图上包含基于过程形状和大小的Weibull曲线。这可以帮助你对Weibull分布的假设进行直观的评价。报告还包括一张长期过程能力统计量的表。
Capability Analysis (Binomial) 适合于数据由不合格品的数量相对于抽取的全部样本数组成时。报告画了一张P图，可以帮助你验证过程是否处于控制状态，以及一张不合格品率的累积图，不合格品率的条形图，以及不合格品率图。
Capability Analysis (Poisson)适用于数据为单位缺陷数。报告画了一张U图，可以帮助你可以帮助你验证过程是否处于控制状态，还包括一张累积DPU (defects per unit)图，DPU条形图和缺陷率图。
MINITAB过程能力分析（Process Capability Analysis）
1、Capability Analysis (Normal)
[概述]
Capability Analysis (Normal)用于对来自于正态分布的数据或Box-Cox转换后的数据进行能力分析。分析报告包括一张带两条正态曲线的能力条形图，一张长期和组内能力统计量的列表。两条正态曲线分别与过程均值和组内标准差、过程均值和长期标准差相对应。
报告还包括过程数据的统计量，如过程均值，目标，组内和长期标准差，过程规范，观察到的能力，以及期望的组内和长期能力。因此，该报告可用于直观评价过程是否服从正态分布，是否以目标值为中心，是否具备持续满足过程规范要求的能力。
一个假设数据来自于正态分布的模型适合于大多数过程数据。如果数据是倾斜的，参见Non-normal data下面的讨论。
[例]
假设你在一个汽车制造厂的机器组装部门工作。某个零件，凸轮轴的长度的工程规范为600+-2mm。长期以来，该轴的长度均超出规范的要求，导致生产线上装配性性、高废弃和重工率。
在对记录清单检查后，你发现该零件有两个供应商。Xbar-R图告诉你供应商2的零件失控，因此你决定停止接受供应商2的零件直至产品受控为止。
在去除供应商2后，不良装配的数量明显减少，但问题并未完全消除。你决定通过能力研究来观察供应商1是否具备满足工程规范的能力。
1 Open the worksheet CAMSHAFT.MTW.
2 Choose Stat > Quality Tools > Capability Analysis (Normal).
3 In Single column, enter Supp1. In Subgroup size, enter 5.
4 In Lower spec, enter 598. In Upper spec, enter 602.
5 Click Options. In Target (adds Cpm to table), enter 600. Click OK in each dialog box.
[结果]
如果你想解释过程能力统计量，数据应该近似服从正态分布。这个要求得到了满足，这点可以从带正态曲线的条形图上看出来。
但是你可以发现过程均值(599.548)比目标值低，切分布的左边落在了下规范界限之外。这个均值意味着你有些时候可以看到不符合最低规范（598mm）的零件。
Cpk指数表明过程是否可以生产在公差界限内的产品。供应商1的CPK为0.90，表明他们需要通过减少变差和向目标值靠拢来改善其过程。
同样，Likewise, PPM < LSL—每百万零件中质量特性值低于下规范界限的零件数—是3621.06.。这意味着大约3621个零件不满足下规范界限（598mm）。
既然供应商1是你最好的供应商，你应该与它们一起共同改善其过程，从而改善自己的过程。
2、Capability Analysis (Weibull Distribution)
[概述]
Capability Analysis (Weibull)命令用于对来自于Weibull分布的数据进行过程能力分析。分析报告包括：一个带Weibull曲线的能力条形图，一张长期能力统计表。Weibull曲线是根据过程形状和规模（大小）构造的。
报告还包括过程数据的统计量，如均值，形状，目标，过程规范，实际的长期能力，以及观察到的和期望的长期能力。因此报告可直观地评价过程相对于目标的分布，数据是否服从Weibull分布，过程是否具备持续满足过程规范的能力。
在Weibull模型中，Minitab计算长期过程统计量，Pp, Ppk, PPU, and PPL。计算是基于形状的最大可能估计和规模参数，而不是象正态分布中的均值和变差。如果数据不服从正态分布，你可以选择Box-Cox转换来应用Capability Analysis (Normal Distribution)命令来计算组内统计量，Cp和Cpk。For a comparison of the methods used for non-normal data, 参见Non-normal data对两种方法的比较。
[例]
假设你在生产地板瓷砖的公司工作，你对瓷砖表面的翘曲比较关心。为保证产品质量，你每个工作日测量10个瓷砖的翘曲量，连续测量了10天。
数据的条形图表明它们不是来自于正态分布（参见Example of a capability analysis with a Box-Cox transformation）。因此你决定基于Weibull 概率模型进行能力分析。
1 Open the worksheet TILES.MTW.
2 Choose Stat > Quality Tools > Capability Analysis (Weibull).
3 In Single column, enter Warping.
4 In Upper spec, type 8. Click OK.
[结果分析]
能力条形图没有显示在假想的模型和数据之间存在严重的差异。但你可以看出分布的右边超出了上规范界限，这意味着你有时会发现翘曲超过上规范界限（8mm）。
Ppk和PPU 指数表明过程是否能生产在允差范围内的瓷砖。两个指数均为0.77，均在1.33之下，因此，过程能力是不够的。
同样，PPM > USL—每百万产品中质量特性值高于上规范界限的产品数—为20000.00。这意味着1，000，000个瓷砖中有20000个的翘曲量将超出上规范界限（8mm）。
为观察同样的数据以Capability Analysis (Normal)分析的结果，参见Example of a capability analysis with a Box-Cox transformation。
3、Capability Sixpack (Normal)
[概述]
Capability Sixpack (Normal) 命令用来数据服从正态分布或转换数据时评价过程能力。Capability Sixpack同时显示以下信息：
?一张Xbar图(或Individuals chart for individual observations)
?一张R图或S图(or MR chart for individual observations)
?一张最近25个子组的趋势图(或最近25个观察结果)
?一个过程数据的条形图
?一个正态概率图
?一个过程能力图
?短期和长期能力统计量：Cp, Cpk, 和swithin; Pp, Ppk, and soverall
Xbar, R, 和趋势图可用于验证过程是否处于受控状态。条形图和正态概率图可用于验证数据服从正态分布。最后，能力图以图形显示相对于规范的过程能力。与能力统计量一起，这些信息可以帮助你评价过程是否受控以及产品是否符合规范。
假设数据来自于正态分布的模型适合于多数过程数据。如果数据是倾斜的，或组内变差不是固定的（如变差与均值相对应），参见Non-normal data下的讨论。[例]
假设你在一个汽车制造厂的机器组装部门工作。某个零件，凸轮轴的长度的工程规范为600+-2mm。长期以来，该轴的长度均超出规范的要求，导致生产线上装配性性、高废弃和重工率。
在对记录清单检查后，你发现该零件有两个供应商。Xbar-R图告诉你供应商2的零件失控，因此你决定停止接受供应商2的零件直至产品受控为止。
在去除供应商2后，不良装配的数量明显减少，但问题并未完全消除。你决定通过capability sixpack来观察供应商1是否具备满足工程规范的能力。
1 Open the worksheet CAMSHAFT.MTW.
2 Choose Stat > Quality Tools > Capability Sixpack (Normal).
3 In Single column, enter Supp1. In Subgroup size, type 5.
4 In Upper spec, type 602. In Lower spec, type 598. Click OK.
[结果]
[结果分析]
在Xbar-R 图上，点在控制界限之间随机分布，表明过程是稳定的。将R图上的点与Xbar上的点进行比较可发现点之间是否有相关关系。图上的点没有，表明过程稳定。
趋势图上的点随机分布，无趋势或偏移，也表明过程的稳定性。
如果你想解释过程能力统计量，数据应该近似服从正态分布。这个要求得到了满足，这点可以从正态曲线看出来。在正态概率图上，点大致在一条直线上。这些表明数据服从正态分布。
但是从能力图上，可以看出过程的允差落在了下控制界限外，表明你有时会看到不满足最低规范界限的零件。同样，Cp (1.16) and Cpk (0.90)均低于1.33，表明供应商1的过程需要改善。
4、Capability Sixpack (Weibull)
[概述]
Capability Sixpack (Normal) 命令用来数据近似服从Weibull分布时评价过程能力。Capability Sixpack (Weibull)同时显示以下信息：
?一张Xbar图(或Individuals chart for individual observations)
?一张R图(or MR chart for individual observations)
?一张最近25个子组的趋势图(或最近25个观察结果)
?一个过程数据的条形图
?一个正态概率图
?一个过程能力图
?长期过程能力统计量：Pp, Ppk, shape (b), and scale (d).
Xbar, R, 和趋势图可用于验证过程是否处于受控状态。条形图和Weibull概
率图可用于验证数据近似服从Weibull分布。最后，能力图以图形显示相对于规
范的过程能力。与能力统计量一起，这些信息可以帮助你评价过程是否受控以及产品是否符合规范。
假设数据来自于正态分布的模型适合于多数过程数据。如果数据是倾斜的，或组内变差不是固定的（如变差与均值相对应），参见Non-normal data下的讨论。
在Weibull模型中，Minitab仅计算长期过程统计量，Pp, Ppk。计算是基于形状的最大可能估计和规模参数，而不是象正态分布中的均值和变差。如果数据不服从正态分布，你可以选择Box-Cox转换来应用Capability Analysis (Normal Distribution)命令来计算组内统计量，Cp和Cpk。参见Non-normal data对两种方法的比较。
[例]
假设你在生产地板瓷砖的公司工作，你对瓷砖表面的翘曲比较关心。为保证产品质量，你每个工作日测量10个瓷砖的翘曲量，连续测量了10天。
数据的条形图表明它们不是来自于正态分布（参见Example of a capability analysis with a Box-Cox transformation）。因此你决定基于Weibull 概率模型进行capability sixpack分析。
1 Open the worksheet TILES.MTW.
2 Choose Stat > Quality Tools > Capability Sixpack (Weibull).
3 In Single column, enter Warping. In Subgroup size, type 10.
4 In Upper spec, type 8. Click OK .
[结果]
[结果分析]
能力条形图没有显示在假想的模型和数据之间存在严重的差异。同样，在Weibull概率图上，所有点近似在一条直线上。
Ppk和PPU 指数表明过程是否能生产在允差范围内的瓷砖。然而，能力图表明过程不能满足规范要求。Ppk为0.77，低于1.33之下，因此，过程能力是不够的。
同样，PPM > USL—每百万产品中质量特性值高于上规范界限的产品数—为
20000.00。这意味着1，000，000个瓷砖中有20000个的翘曲量将超出上规范界限（8mm）。
为观察同样的数据以Capability Sixpack (Normal)分析的结果，参见capability sixpack with a Box-Cox transformation。
5、Capability Analysis (Binomial)
[概述]
Capability Analysis (Binomial)命令用于对来自于二项分布的数据进行过程能力分析。二项分布通常与所抽取的样本的缺陷项目的数目的记录相关。
例如，你可能使用通过/失败GAGE来判断某个特性合格与否。你应记录检查的所有的样本数和失败的数量。或者，你可以记录某天电话报告生病的人数和每天计划工作的人数。
应用Capability Analysis (Binomial) 命令时必须满足下列条件：
?每个项目都是相同条件下的结果；each item is the result of identical
conditions
?每个项目将导致两种可能的结果（成功/失败，GO/NG）；
?对某个项目成功的概率是常数；
?项目结果之间是相互独立的。
Capability Analysis (Binomial)所产生的过程能力报告包括以下内容：
P图，用于验证过程是否受控；
?不合格品率的累积图，用于验证你收集的样本数据是否足够以对稳定的不
合格率作
出估计；
?不合格品率的条形图，显示搜集的样本的长期不合格品率的分布；
?不合格品率图，用于验证不合格品率是否受抽取的样本数影响。
[例]
假设你负责评价电话销售部门的反应情况，也就是回答来电的能力。你记录下了20天中每天因为无效销售代表没有回的来电数（不合格）。你还记录了整个的来电数。
1 Open the worksheet BPCAPA.MTW.
2 Choose Stat > Quality Tools > Capability Analysis (Binomial).
3 In Defectives, enter Unavailable.
4 In Use sizes in, enter Calls. Click OK.
[结果]
[结果分析]
P图上有一个点失控。累积不合格品率图显示长期不合格品率趋于22%，但需要收集跟多的数据以证明这一点。不合格品率看起来不受样本大小的影响。过程Z值在0.75左右，比较低，过程需要进一步进行改善。
6、Capability Analysis (Poisson)
[概述]
Capability Analysis (Poisson)用于当数据来自于泊松分布时产生过程能力报告。泊松数据通常与在某个单位上的缺陷数相关，这个单位可以是指定的时间周期或指定的空间。单位的大小可以改变，因此，你必须同时跟踪大小的变化。
例如：如果你生产电线，你可能想记录某段电线断开的数量，如果线的长度是变化的，你必须记录每段抽取的样本的大小。或者，你们生产电器，你希望记录电器表面的划伤数量。因为表面大小可能不同，你可能记录每个抽取的表面的大小，及平方英寸。
?当数据满足下列条件时，应用Capability Analysis (Poisson)：
?单位表面或时间内的缺陷率对每个项目是相同的；
?项目中缺陷数量彼此之间是相互独立的。
Capability Analysis (Poisson) 为服从泊松分布的数据产生过程能力分析报告，包括：
?U图，验证报告时过程是否受控；
?累积平均DPU (defects per unit)，验证是否收集到足够数据来对均值做出
稳定的估
计；
?DPU 条形图，显示收集到的样本的单位缺陷数的整体分布；
?缺陷图比率，验证DPU是否受抽取到的样本大小的影响。
[例]
假设你在电线厂工作，你对电线绝缘过程的有效性非常关心。你随机抽取一定长度的电线，以测试电压，测试绝缘上的弱点。你记录了弱点数和每段电线的长度(in feet)。
1 Open the worksheet BPCAPA.MTW.
2 Choose Stat > Quality Tools > Capability Analysis (Poisson).
3 In Defects, enter Weak Spots.
4 In Uses sizes in, enter Lengths. Click OK.
[结果]
[结果分析]
U图上有3个点失控。累积DPU均值在0.0265上来回变动，表明样本数是足够的以对DPU均值作出较好的估计。DPU看起来不受电线长度的影响。7、Capability Analysis (Between/Within)
[概述]
Capability Analysis (Between/Within)利用组间和组内变差产生一个过程能力报告。但数据为子组时，组内的随机误差可能不是唯一应考虑的变差来源。在子组之间也可能存在着随机误差。在这种情况下，全部过程变差包括组内变差和组间变差。
Capability Analysis (Between/Within) 计算组内标准差和组间标准差，也可以指定历史标准差。这些将被结合起来计算全部标准差。全部标准差可用于计算工程能力，如Cp和Cpk。
报告还包括过程数据的统计量，如过程均值，目标，整体（组内和组间）标准差以及长期标准差，观察到的和期望的过程能力。
[例]
假设你对将卷纸涂上一层薄的胶片的过程能力感兴趣。你关心的是纸是否被涂上了正确厚度的胶片以及是否整卷纸都涂上了胶片。你从25个连续卷中抽取了3卷测量涂的厚度。厚度的工程规范为50+-3mm 。
1 Open the worksheet BWCAPA.MTW.
2 Choose Stat > Quality Tools > Capability Analysis (Between/Within).
3 In Single column, enter Coating. In Subgroup size, enter Roll.
4 In Lower spec, enter 47. In Upper spec, enter 53. Click OK
[结果]
[结果分析]
你可以看出过程均值(49.8829)与50很接近。Cpk指数表明过程是否生产在允差内的产品。Cpk指数为1.21，表明过程能力还可以，但还可以进一步改善。
期望的组内/组间能力的PPM为193.94。这意味着100万个卷中约有194个不能满足规范界限。这种分析告诉你过程具备相当的过程能力。
8、Capability Sixpack (Between/Within)
[概述]
Capability Sixpack (Between/Within)命令适于存在组内和组间变差的时候，它允许你同时显示以下信息以评价过程能力：
?一张单值图；an Individuals chart
?一张移动极差图；a Moving Range chart
?一张R图或S图；an R chart or S chart
?一张过程数据的条形图；?a histogram of the process data
?一张正态概率图；?a normal probability plot
?一张过程能力图；?a process capability plot
?组间/组内和长期能力统计量：Cp, Cpk, Cpm (如果你指定了目标), swithin,
sbetween,
and s total; Pp, Ppk, and soverall。
单值图、移动极差图、R图或S图可以验证过程是否受控。条形图和正态概率图可以验证数据是否服从正态分布。最后，能力图可以直观地将过程变差与工程规范进行比较。在加上能力统计量，这些信息可以帮助你评价过程是否受控，以及产品是否满足规范要求。
[例]
假设你对将卷纸涂上一层薄的胶片的过程能力感兴趣。你关心的是纸是否被涂上了正确厚度的胶片以及是否整卷纸都涂上了胶片。你从25个连续卷中抽取了3卷测量涂的厚度。厚度的工程规范为50+-3mm 。
因为你想判断是否整个卷都被喷涂，你可以用Minitab来进行Capability Sixpack (Between/Within)分析。
1 Open the worksheet BWCAPA.MTW.
2 Select Stat > Quality Tools > Capability Sixpack (Between/Within).
3 In Single column, enter Coating. In Subgroup size, enter Roll.
4 In Lower spec, enter 47. In Upper spec, enter 53.
5 Click Tests. Choose Perform all eight tests. Click OK in each dialog box.
[结果]
[结果分析]
如果你想结实过程能力统计量，数据必须来自于正态分布。这一点是符合的。在能力条形图上，数据大致服从正态分布。同样，在正态概率线上，所有点大致在一条直线上。
没有点被察觉出来存在异常因素，从而表明过程受控。单值图和移动极差图上的点看起来彼此之间无明显关系，也表明过程是稳定的。
能力图显示过程符合规范要求。Cpk (1.21) and Ppk (1.14) 均比1.33低一些，因此你的过程还可以进行改善。
过程能力概述 一旦过程处于统计操纵状态，同时是连续生产，那么你可能想明白那个过程是否有能力满足规范的限制，生产出好的零件（产品），通过比较过程变差的宽度和规范界限的宽度能够确定过程能力。在评估过程能力之前，过程必须受控。假如过程不受控，你将得到不正确的过程能力值。 .你能通过画能力柱状图和能力图来评估过程能力。这些图形能够关心你评估数据的分布和检验过程是否受控。你也能够可能包括规范公差与正常过程变差之间比率的能力指数。能力指数或统计指数差不多上评估过程能力的一种方法，因为它们都没有单位，因此，能够用能力统计表来比较不同过程的能力。 选择能力命令 MINITAB提供了一组不同的能力分析命令，你能够依照数据的性质和分布从中选择命令，你能够对以下情况进行能力分析：——正态或Weibull概率模式（关于测量数据） ——不同子组之间可能有专门强变差的正态数据
——二项式或Poisson概率模式（关于计数数据或属性数据）当进行能力分析时，选择正确的公式是差不多要求，例如，MINITAB提供基于正态或Weibull分布模型上的能力分析工具，使用正态概率模型的命令提供了更完全的统计设置，然而，适用的数据必须近似于正态分布. 例如，利用正态概率模型，能力分析（正态）能够可能预期零件的缺陷PPM数。这些统计分析建立在两个假设的基础上，1、数据来自于一个稳定的过程，2、数据服从近似的正态分布，类似地，能力分析（Weibull）计算零件的缺陷的PPM值利用的是Weibull分布。在这两个例子中，统计分析正确性依靠于假设分布模型的正确性。 假如数据是歪斜特不严峻，那么用正态分布分析将得出与实际的缺陷率相差专门大的结果。在这种情况下，把那个数据转化比正态分布更适当的模型，或为数据选择不同的概率模式.用MINITAB,你能够使用Box-Cox能力转化或Weibull概率模型，非正态数据比较了这两种方法.
产能分析报告 一、产能修改记录及主要产品信息 注：产能分析报告——修改记录 1）产能发生变化时以便及时追踪。如进行增产以达到完全生产能力，此时生产线通过一系列步骤可以达到完全生产能力，则应记录下这些变化。填写论证产能时也应同时填写日期。 2）此次产能分析报告均记作初次提交。 注：产品信息 1）完成产能分析报告的首先要明确需要分析的产品的详细信息。包括产品名称、型号、产能概况、客户需求信息等。 2）必要时应完善产品主要零部件供应商信息，以便及时掌握配套商供货情况，平衡零部件供货影响系数。 二、现有设备产能核算 1、预订工作时间标准
注： 1）单班时间：每班总时间-每班的总计可用小时数。 2）班次：表示的是每天每个工艺操作的班次数。 3）作业率：（总工时-无效工时）/总工时。 人员休息-如果在人员休息的时候，机器也停止运转，则输入每班中机器不运转的时间长度。 计划的维修时间-这是计划的每班中机器停机用于维护的时间长度。 4）年出勤时间：年出勤天数-表示的是每年的工艺运作的天数（扣除法定节假日、双休日）。 5）计算举例：每班8小时、每天2班次、作业率80%、年出勤302天，净可用时间=8*2*80%*302=时。 2、代表产品制程/线能力计算
注： 1）代表产品：所谓代表产品指产品制程包含其他所有产品制造过程包含的所有工艺过程；如存在两种以上产品包含不同工艺过程、需分别取各类型产品代表产品制程并进行线能力分析。 2）评价瓶颈工序应排除可用外协、其他生产线可用设备借代等因素影响。 3）每条生产线选取一种或2种产品作为代表说明制程及瓶颈工序即可，其他产品可直接计算毛产能。3、毛产能核算 注： 1）毛产能核算过程没有排除产品合格率、设备故障率、人员负荷等因素对产能的影响，不能作为需求平衡分析的依据，需进一步平衡。 2）其他产品可根据代表产品计算方法计算出出毛产能。
用MINITAB软件进行测量系统分析 质量部陈志明 摘要数据分析在质量管理和过程控制活动中已得到了广泛的应用，而数据的质量又取决于测量系统的能力。本文以空调公司平衡型量热计空调系统性能测试平台的“GR&R”研究为例，介绍用MINITAB 进行测量系统分析的方法，供大家参考。 关键词数据分析MINITAB软件测量系统分析（MSA） 一测量系统分析概述 测量系统是对测量单元进行量化或对被测的特性进行评估，其所用的仪器或量具、标准、操作、方法、夹具、软件、人员、环境及假设的集合，也就是说用来获得测量结果的过程。理想的测量系统在每次使用时应只产生正确的测量结果：与一个标准值相符。而事实上，理想的测量系几乎是不存在的：用一把校准好的卡尺，不同的人测量同一件零件都会产生不同的结果。低质量的测量系统产生的测量结果往往本身就有较大的偏差，从而可能掩盖被分析过程的偏差，这种结果用于质量验证、质量改进和过程控制分析显然是不恰当的。 测量系统的质量经常使用其测得数据的统计特性来确定，测量系统必须处于统计控制中，也就说测量系统产生的偏差只能是由普通原因造成，而不应由于特殊原因导致。 测量系统分析就是用统计的方法分析测量系统所测数据的统计特性，而确定其质量水平。通常，我们用下述五个指标来评价测量系统的统计特性，它们是： 1）偏倚: 测量观察平均值与该零部件采用精密仪器测量的标准平均值的差值； 2）线性:表征量具预期工作范围内偏倚值的差别； 3）稳定性：表征测量系统对于给定的零部件或标准件随时间变化系统便倚中的总偏差量，与通常意义上的统计稳定性是有区别的； 4）重复性：指同一个评价人，采用同一种测量仪器，多次测量同一零件的同一特性时获得的测量值（数据）的偏差。 5）再现性：指由不同的评价人，采用相同的测量仪器，测量同一零件的同一特性时测量平均值的偏差。 通常，前三种指标用于评价测量系统的准确性，后两种指标用于评价测量系统的精确性。测量系统的准确性可以通过对设备的校准等比如参照ISO9000或ISO/TS16949关于测量系统的相关要求在体系上对测量系统进行维护、监控。也就是说，通过对测量系统的分辨率、偏倚、线性和稳定性进行分析后进行校准后可以解决其准确性问题，工程上通常用测量系统的精确性亦即其重复性和再现性来研究其统计特性，就是通常所说的“GR&R研究”。 二测量系统分析流程及方法 测量系统分析是一项重要的系统工程。通常需要根据测量过程的可重复性（破坏性或非破坏性）、测量结果性质（记数型数据或计量型数据）、待测单元的数量大小、过程的成本、仪器或量具的状态及测量过程输出的重要性等因素来确定分析的方法和流程。限于篇幅，本文仅就空调公司系统性能测试平台（量热计平衡室）的分析结合笔者对测量系统分析的了解做简要介绍，详细方法可参阅本文的参考文献（1）。 测量系统分析步骤： 1.验证“量具（gage）”的校准； 2.选择工件和测量者执行测量； 3.用MINITAB软件进行数据评估； 4.分析数据，解释结果，得出结论； 5.检查是否有不合格的测量单位，制定长期量具保持/改进计划。 量具必须经过校准且才处在正常状态，没有经过校准或者已经过了校准期限的量具是处于不正常状态的，其测量所得数据不能用于测量系统分析。 为保证数据的统计独立性，视测量过程的时间、费用等因素，一般随机选择代表整个过程的10件工
过程能力概述 一旦过程处于统计控制状态，并且是连续生产,那么你可能想知道这个过程是否有能力满足规范的限制,生产出好的零件（产品）,通过比较过程变差的宽度和规范界限的宽度可以确定过程能力。在评估过程能力之前,过程必须受控。如果过程不受控,你将得到不正确的过程能力值。 .你能通过画能力柱状图和能力图来评估过程能力。这些图形能够帮助你评估数据的分布和检验过程是否受控。你也可以估计包括规范公差与正常过程变差之间比率的能力指数。能力指数或统计指数都是评估过程能力的一种方法，因为它们都没有单位，所以，可以用能力统计表来比较不同过程的能力。 选择能力命令 MINITAB提供了一组不同的能力分析命令，你可以根据数据的性质和分布从中选择命令,你可以对以下情况进行能力分析: ——正态或Weiｂuｌl概率模式(对于测量数据) ——不同子组之间可能有很强变差的正态数据 ——二项式或Poissｏｎ概率模式(对于计数数据或属性数据) 当进行能力分析时，选择正确的公式是基本要求,例如，MINIＴAＢ提供基于正态或Weiｂull分布模型上的能力分析工具,使用正态概率模型的命令提供了更完全的统计设置,但是，适用的数据必须近似于正态分布. 例如，利用正态概率模型,能力分析（正态）可以估计预期零件的缺陷PPM 数。这些统计分析建立在两个假设的基础上,1、数据来自于一个稳定的过程，２、数据服从近似的正态分布,类似地，能力分析(Weiｂuｌｌ）计算零件的缺陷的PPM值利用的是Weibull分布。在这两个例子中,统计分析正确性依赖于假设分布模型的正确性。 如果数据是歪斜非常严重，那么用正态分布分析将得出与实际的缺陷率相差很大的结果。在这种情况下，把这个数据转化比正态分布更适当的模型，或为数据选择不同的概率模式.用ＭINITAB,你可以使用Ｂｏｘ－Coｘ能力转化或Ｗeibuｌｌ概率模型,非正态数据比较了这两种方法. 如果怀疑过程中子组之间有很强的变差来源，可以使用能力分析（组间/组内)或SＩXpaｃk能力分析(组间/组内)。除组内数据具有随机误差外，组间还可能有随机变差。明白了子组变差的来源,可以为你提供过程更真实的潜在能力评估。能力分析(组间/组内）或SIXpack能力分析（组间/组内）既计算组内标准偏差也计算组间标准偏差，然后，集中它们来计算总的标准偏差。
制程能力分析 緒言 在產品生產周期內統計技朮可用來協助制造前之開發活動、制程變異性之數量化、制程變性相對于產品規格之分析及協助降低制 程內之變異性。這些工作一般稱為制程能力分析(process capability analysis)。制程能力是指制程之一致性，制程之變異性可用來衡量制程輸出之一致性。 我們一般是將產品品質特性之6個標准差范圍當做是制程能力之量測。此范圍稱為自然允差界限(natural tolerance limits)或稱為制程能力界限(process capability limits)。圖9-1顯示品質特性符合常態分配且平均值為μ，標准差為σ之制程。制程之上、下自然允差界限為 UNTL=μ+3σ上自然允差界限 LNTL=μ-3σ下自然允差界限 對于一常態分配，自然允差界限將包含99.73%之品質數據，或者可說是0.27%之制程輸出將落在自然允差界限外。如果制程數據之分配不為常態，則落在μ±3σ外之機率將不為0.27%。
(例) 產品外徑之規格為5±0.015cm，由樣本資料得知X=4.99cm，σ=0.004cm，試計算制程之自然允差界限。 (解): UNTL=4.99+3(0.004)=5.002 LNTL=4.99-3(0.004)=4.978 制程能力分析可定議為估計制程能力之工程研究。制程能力分析通常是量測產品之功能參數而非制程本身。當分析者可直接觀察制程及控制制程數據之收集時，此種分析可視為一種真的制程能力分析。因為經由數據收集之控制及了解數據之時間次序性，可推論制程之穩定性。若當只有品質數據而無法直接觀測制程時，這種研究稱為產品特性分析(product characterization)。產品特性分析只可估計產品品質特性之分布，或者是制程之輸出(不合格率)，對于制程之動態行為或者是制程是否在管制內則無法估計。這種性形通常是發生在分析供應商提供之品質數據或者是進貨檢驗之品質資料。
过程能力概述（Process Capability Overview） 在过程处于统计控制状态之后，即生产比较稳定时，你很可能希望知道过程能力，也即满足规格界限和生产良品的能力。你可以将过程变差的宽度与规格界限的差距进行对比来片段过程能力。在评价其能力之前，过程应该处于控制状态，否则，你得出的过程能力的估计是不正确的。 你可以画能力条形图和能力点图来评价过程能力，这些图形可以帮助你评价数据的分布并验证过程是否受控。你还可以计算过程指数，即规范公差与自然过程变差的比值。过程指数是评价过程能力的一个简单方法。因为它们无单位，你可以用能力统计量来比较不同的过程。 一、选择能力命令（Choosing a capability command） Minitab提供了许多不同的能力分析命令，你可以根据数据的属性及其分布来选择适当的命令。你可以为以下几个方面进行能力分析： ?正态或Weibull概率模型(适合于测量数据) ?很可能来源于具有明显组间变差的总体的正态数据 ?二项分布或泊松概率分布模型(适合于属性数据或计数数据) 注：如果你的数据倾斜严重，你可以利用Box-Cox转换或使用Weibull 概率模型。 在进行能力分析时，选择正确的分布是必要的。例如：Minitab提供基于正态和Weibull概率模型的能力分析。使用正态概率模型的命令提供更完整的一系列的统计量，但是你的数据必须近似服从正态分布以保证统计量适合于这些数据。举例来说，Analysis (Normal) 利用正态概率模型来估计期望的PPM。这些统计量的结实依赖于两个假设：数据来自于稳定的过程，且近似服从的正态分布。类似地，Capability Analysis (Weibull) 利用Weibull 分布模型计算PPM。在两种情况下，统计的有效性依赖于假设的分布的有效性。 如果数据倾斜严重，基于正态分布的概率会提供对实际的超出规格的概率做比较差的统计。这种情况下，转化数据使其更近似于正态分布，或为数据选择不同的概率模型。在Minitab中，你可以用“Box-Cox power transformation”或Weibull 概率模型。Non-normal data对这两个模型进行了比较。 如果你怀疑过程具有较明显的组间变差，使用Capability Analysis (Between/Within)或Capability Sixpack (Between/Within)。子组内部的随机误差之上，子组数据可能还有子组之间的随机变差。对子组变差的两个来源的理解可以为过程潜在能力提供更实际的估计。Capability Analysis (Between/Within)和Capability Sixpack (Between/Within) 计算了组间和组内标准差，然后再估计长期的标准差。 Minitab还为属性数据和计数数据进行能力分析，基于二项分布和泊松概率模型。例如：产品可以根据标准判定为合格和不合格(使用Capability Analysis (Binomial)).。你还可以根据缺陷的数量进行分类(使用Capability Analysis
SPC 概述Statistical Process Control
SPC Introduction 统计性统计管理(SPC = Statistical Process Control)? ? Statistical ... ?统计性方法是用Sampling的Data Monitoring 、分析Process 变动时使用。 Process ... ?反复性的事情或者阶段 (SIPOC : Supplier → Input → Process → Output → Customer) Control ... ? Process正在变化的事实早期警报。 警报是指最终Output出来之前纠正问题，能够具有充分的时间 (管理图 : 随着时间工程散布的变化) SPC –对某个 Process掌握品质规格和工程能力状态, 利用统计性资料和分析技法, 在所愿的状态下一直能管理下去的技法。 2
SPC 的发展历史 SPC 的特征：控制过程，防患于未然。 重点在于预防
?電視機彩色密度 投机?美國：無不合規格產品出廠，注意力在符合規格?日本： 0.3% 超出產品規格，致力於命中目標
製程- 產品-顧客 產品 (Output) Measurement 製程(過程)(Process) 展開 特性 特徵 顧客 滿意 Man Machine Material Method Environmental 4M1E
製程，程序 影響工作結果之所有原因的集合,亦即為達成工作 結果之製造過程中所有活動的集合 管制，控制 確保達到要求標準,必要時採取矯正行動 何謂製程管制 (程序控制) 工作 結果 原材料 方法 環境 機器 人員 原因 手段 特性 目的
复试高分必备:考研复试前如何准备英语听力和口语 英语听力和口语测试是研究生复试中的重要组成部分。从2005年起研究生初试中英语取消听力，英语听力和口语的考查放到复试中进行，英语听力和口语的分值要记入总分，考生对英语口语和听力一定要认真准备。推荐>> 1、听说能力涉及专业问题 英语的复试基本围绕听力和口语展开。研究生复试的英语部分一般是由学校的公共英语或研究生公共英语教研室来考核。良好的英语听说能力是复试成功的保证。复试中对英语的听说能力考查比较多，有时候也会涉及一些专业性的问题。导师也大都比较在意自己弟子的英语水平。自我感觉上线的考生要开始温习自己的英语听力和口语了。 2、听力准备要提前预热 据了解，英语听力部分，大多数学校都以现有的成型考试为参考。考生在准备听力复试的过程中，对于现有的成熟英语考试的听力部分一定要重视，比如六级听力、托福听力和雅思听力应该是复习的重点。在复习时可以有针对性地做一些六级、托福或雅思听力的试题。如果觉得做题太枯燥，收听一下英语新闻，看看迪斯尼的动画片，也是培养语感的好方法。另外，听英语广播和看英语电影也是提高英语听力口语的好方法，在参加复试前这段有限的时间里要尽快熟悉与考试相近的内容。考生大都考过六级听力，并不陌生，而托福听力又是四六级听力命题的基础，熟悉了四六级和托福听力；英语复试问题就不算太大。总之，在这段宝贵的时间里，要赶快做点预热的准备，主要是做点听力题，找找做题的节奏和感觉。 3、口语测试准备好话题 对口语的考查，各个学校各不相同。有的学校制定了非常详细的标准和流程，甚至规定了每个老师发问的方式和时间；有的只是面试老师的自由发挥，成绩也基本上由面试老师主观判定。不管面试是否严格控制，徐老师都要提醒考生们对认真准备下面几个问题：一是自我介绍，如自己来自什么地方，毕业学校，所学专业，业余喜好，家庭基本情况等信息。二是做好用英语讲解自己专业的准备。口语测试时老师有可能要求你就本专业展开话题，考查你用英语讲解陌生概念的能力。因此考生对此要有所准备，先用笔头组织这些问题的要点，然后再以这些词组织语言。在阅读专业文献时，也要多积累一些专业方面的英语词汇。当然提问的问题不可能难度太高，比如What is business management？In your opinion,what is the most important element in business management等一些简单的提问。(编辑：Meliza)外资急行军，招聘最看重经验和外语能力，学好商务英语，成就高薪职位！要不你也来试试看?
应用Minitab进行测量系统分析 以及测量系统分析的主要内容。通过测量系统分析，控制测量系统的偏倚和波动，以便获得准确且精确的测量数据。1.3 重复性和再现性重复性(repeatability)是指在尽可能相同的、恒定不变的测量条件下，对同一测量对象 进行多次重复测量所得结果的一致性。此时测量值的波动称为重复性，记为VE。重复性误差的产生只能是由测量仪器本身的同有波动引起的。再现性(reproducibility)也称为复现性或重现性，是指在各种可能变化的测量条件下， 同一被测对象的测量结果之间的一致性，记为VA。其中，最普遍出现的重要 的再现性是操作人员的变化对测量系统一致性的影响，即不同的操作人员用相同的仪器测量对同一测量对象进行测量时产生的波动。好的测量系统应具有良好的再现性，特别是由不同的人员使用同样的测量仪器对同一测量对象测量时的波动要小。1.4 测量系统分析的前提通常用分辨力、偏倚、稳定性、线性、重复性和再现性等评价测量系统的优劣，并用它们控制测量系统的偏倚和波动，以使测量获得数据准确可靠。一般说来，测量系统的分辨力应达到(即在数值上不大于)过程总波动的(6倍的过程标准差)的1／10，或容差(USL-LSL)的 1／10。测量系统的线性是指在其量程范围内偏倚是基准值的线性函数。对于 通常的测量方法，一般，当测量基准值较小时(量程较低的地方)，测量偏倚会 较小；当测量基准值较大(量程较高的地方)时，测量偏倚会较大。线性就是要 求这些偏倚量与其测量基准值呈线性关系。为了衡量偏倚总的变化程度，引入了线性度(记为L)的概念，其量纲与Y量纲相同。其定义是过程总波动与该线 性方程斜率的绝对值的乘积，即它表明在过程总波动的范围内测量值的偏倚波动(不是偏倚本身)的范围。当然，线性度越小则测量系统越好。稳定性通常是 某个系统的计量特性随时间保持恒定的能力。一个可使用的测量系统必须具备
MINITAB下数据的过程能力分析： 1.正态数据： a.检验数据的正态性：统计》基本统计量》正态性检验》确定（MINITAB示例） P>0.05，则数据服从正态分布，因此可进行连续数据中正态数据的过程能力分析及其指数的计算，但在进行分析和计算之前还需判定过程是否受控，可使用控制图； b.控制图监控：统计》控制图》子组的变量控制图》X-R图》确定； 可见无异常发生，过程受控； c.过程能力分析与计算：统计》质量工具》能力分析》正态》确定 2.非正态数据：
a.数据的正态性检验：同上 P<0.05，所以数据为非正态数据，需进行转换后方可进行过程能力分析，但这并不妨碍用原始数据进行控制图的绘制。 b.数据的转换：统计》控制图》BOX-COX变换》填入数据“扭曲”，子组大小 填“10》选项》将变换后的数据存入“C2”中》确定； 得到如下图，可知转换的λ=0.5，即对原始数据求平方根； c.控制图的绘制：步骤同上
d. 过程能力分析：统计》质量工具》能力分析》正态》单列为“C2”，子组大小为“10”，规格上限为“2.82”，2.82=81/2，确定 3. 4. 离散数据： a ． 计算DPMO ，公式参见SRINNI 培训： b ．将DPMO 暂时理解为不合格品率，如果DPMO=66807.2，则不合格品率P=0.00668072； c ． 计算》概率分布》正态分布》逆累计概率》输入常量“0.0668072”，，确定： d ． e ． 根据正态分布的对称性： Z =︳-1.5︳+1.5=3，即相应的SIGMA 水平为3， 公式为： Z=︳x ︳+1.5
干货：如何用Minitab软件进行过程能力分析（CPCPK） 引入过程能力分析的目的 1、在我们现有的管理过程中，我们经常会遇到有些具体指标总是不尽人意，存在许多需要改进的地方。那么在改进之前，我们就有必要知道我们的问题到底有多严重？目前的过程能力到底是多少？也就是说，在试图解决一个问题(改进)之前，首先需要深入了解问题现状及其过程能力。因此进行过程能力分析很有必要。过程能力分析可以根据实际情况选择使用，如果暂时还不能计算，可以放在以后去解决。 2、哪一个过程最佳?上面三个图中，哪一个过程最佳？你是否想知道，为什么？过程表现如何？什么是最佳的过程？什么是最差的过程？连续数据过程能力指数Cp1、Cp－表示过程容差与自然容差的比值大小，用来衡量过程的能力。 2、计算过程能力的要求：A、稳定过程；B、数据分布类型——正态分布。连续数据过程能力指数CpK1、Cpk－表示当过程中心值偏移时，中心值与规格上下限之间的最短距离与1/2自然容差的比值大小。 2、计算过程能力的要求：A、稳定过程；B、数据分布类型——正态分布。 3、中心值无偏离时，Cpk= Cp CP/CPK计算事例[一]中心值无偏离时，Cpk= Cp
CP/CPK计算事例[二]中心值偏离时，Cpk CpCP/CPK计算事例[Minitab]1、例如:按照设计图纸的要求,某一机柜门板的长度要求是1.5±0.1图纸下发给供应商后,供应商试加工了32个样品,具体的数据如下,请衡量该供应商加工该门板的过程能力。 2、首先要判断是否为正态分布，若否，则须经转换为正态分布后方可使用Minitab求取Cpk。 A、数据是否正态根据P值来判断,如果P值大于0.05，数据符合正态分布；P值小于0.05，则数据是非正态的。 B、实际操作过程中，如果数据为非正态，只要数据的容量大于30个，我们也可以近视认为数据是符合正态分布的。3、用Minitab软件计算CPKSigma计算事例[Minitab]使用Excel计算Sigma水平说明：在上图Probability一栏中输入合格率，则Excel会自动计算出的长期的σ水平即: Zlt=1.9110；最后加上1.5 σ的补偿，得出短期的σ水平即: Zst=3.411。
产能分析报告及指标明细 The document was prepared on January 2, 2021
产能分析报告模板及指标明细 一、产能修改记录及主要产品信息 注：产Array能分析 报告— —修改 记录 1） 产能发 生变化 时以便 及时追踪。如进行增产以达到完全生产能力，此时生产线通过一系列步骤可以达到完全生 产能力，则应记录下这些变化。填写论证产能时也应同时填写日期。 2）此次产能分析报告均记作初次提交。 注：产品信息 1）完成产能分析报告的首先要明确需要分析的产品的详细信息。包括产品名称、型号、产能概况、客户需求信息等。 2）必要时应完善产品主要零部件供应商信息，以便及时掌握配套商供货情况，平衡零部件供货影响系数。 二、现有设备产能核算
1、预订工作时间标准 注：Array 1）单班 时间：每 班总时间 -每班的 总计可用 小时数。 2）班 次：表示 的是每天 每个工艺操作的班次数。 3）作业率：（总工时-无效工时）/总工时。 人员休息-如果在人员休息的时候，机器也停止运转，则输入每班中机器不运转的时间长度。 计划的维修时间-这是计划的每班中机器停机用于维护的时间长度。 4）年出勤时间：年出勤天数-表示的是每年的工艺运作的天数（扣除法定节假日、双休日）。 5）计算举例：每班8小时、每天2班次、作业率80%、年出勤302天，净可用时间 =8*2*80%*302=时。 2、代表产品制程/线能力计算
1）代 表产 品：所 谓代表 产品指 产品制 程包含 其他所 有产品 制造过 程包含 的所有 工艺过 程；如 存在两种以上产品包含不同工艺过程、需分别取各类型产品代表产品制程并进行线能力分析。2）评价瓶颈工序应排除可用外协、其他生产线可用设备借代等因素影响。 3）每条生产线选取一种或2种产品作为代表说明制程及瓶颈工序即可，其他产品可直接计算毛产能。 3、毛产能核算
制程能力的评价 制程能力与规格之比较，可就制程平均值与规格中心及分散宽度与规格 容许围两方面比较，亦可直接计算超出规格的不良率来表示。将制程能 力与规格之比较用简单的数字及等级评定的方法，谓之制程能力评价。工程准确度指数(Capability of Accuracy)的评价 设定工程规格中心值的目的，在于希望该工程制造出来的各种产品的实 绩值，能以规格中心为中心，成左右对称的常态分配，而制造时也应以 规格中心值为目标。工程准确度平价之目的就在于衡量制程平均与规格 中心之一制程度，有时工程准确度指数又称为正确度指数。 （1）Ｋ的计算 制程平均值()与规格中心值之间偏差程度， 称为工程准确度，其指数K之计算公式如 下： T=Su-Sl=规格上限-规格下限 由上是可知当M与差愈小，也就是质量接近规格要求的水平。K值为负时，表示实绩值偏低，K值为正时表示偏高。在单边规格的情形，即只
有规格上限Su或只有规格下限Sl的情形，因没有规格中心值，故不能 计算工程准确度指数。 （2）K之等级评定 K等级评定标准 （3）等级评定后之处置原则 ?A级：作业员遵守作业标准操作，继续维持。 ?B级：有必要时尽可能改善为A级。 ?C级：作业员可能看错规格，不按作业标准操作，须加强训练，检讨规格及作业标准。 ?D级：应采取紧急措施，全面检讨所有可能影响的因素，必要时得停止生产。 K不良时其对策方法以制造单位为主技术单位为副品管单位为辅有时又以Ca表之。工程能力指数Cp(Capability of Process)之评价
设定工程上下限的目的，在于希望制造出来的各个产品之特性值，能在规格上下限之容许围。工程能力的评价之目的就在于衡量产品分散宽度符合公差的程度。工程能力指数又可称为工程精密度指数(capability of Precision) (1)Cp之计算 由上式可知产品分散宽度愈大时，Cp值愈小，表示制程能力差，反之表示能力好。前者系用于计算双边规格之Cp，而后者用于计算单边规格之Cp。与所代表的意义一样，都是表示群体标准差之估计值。 (2)Cp之等级评定 Cp值之等级评定基准如下表 Cp等级评定基准 等级Cp A B C D
过程能力m i n i t a b教 程 集团标准化工作小组 #Q8QGGQT-GX8G08Q8-GNQGJ8-MHHGN#
过程能力概述（Process Capability Overview） 在过程处于统计控制状态之后，即生产比较稳定时，你很可能希望知道过程能力，也即满足规格界限和生产良品的能力。你可以将过程变差的宽度与规格界限的差距进行对比来片段过程能力。在评价其能力之前，过程应该处于控制状态，否则，你得出的过程能力的估计是不正确的。 你可以画能力条形图和能力点图来评价过程能力，这些图形可以帮助你评价数据的分布并验证过程是否受控。你还可以计算过程指数，即规范公差与自然过程变差的比值。过程指数是评价过程能力的一个简单方法。因为它们无单位，你可以用能力统计量来比较不同的过程。 一、选择能力命令（Choosing a capability command） Minitab提供了许多不同的能力分析命令，你可以根据数据的属性及其分布来选择适当的命令。你可以为以下几个方面进行能力分析： ?正态或Weibull概率模型(适合于测量数据) ?很可能来源于具有明显组间变差的总体的正态数据 ?二项分布或泊松概率分布模型 (适合于属性数据或计数数据) 注：如果你的数据倾斜严重，你可以利用Box-Cox转换或使用Weibull 概率模型。 在进行能力分析时，选择正确的分布是必要的。例如：Minitab提供基于正态和Weibull概率模型的能力分析。使用正态概率模型的命令提供更完整的一系列的统计量，但是你的数据必须近似服从正态分布以保证统计量适合于这些数据。举例来说，Analysis (Normal) 利用正态概率模型来估计期望的PPM。这些统计量的结实依赖于两个假设：数据来自于稳定的过程，且近似服从的正态分布。类似地，Capability Analysis (Weibull) 利用Weibull 分布模型计算PPM。在两种情况下，统计的有效性依赖于假设的分布的有效性。 如果数据倾斜严重，基于正态分布的概率会提供对实际的超出规格的概率做比较差的统计。这种情况下，转化数据使其更近似于正态分布，或为数据选择不同的概率模型。在Minitab中，你可