统计制程控制
- 格式:doc
- 大小:350.50 KB
- 文档页数:284
统计过程控制(SPC):提升制程稳定性在制造业中,制程稳定性是一个至关重要的概念。
不论是生产电子产品、制造机械零件还是生产食品,保持生产过程的稳定性对产品质量和成本控制都至关重要。
统计过程控制(SPC)是一种有效的方法,用来监控和改进生产过程,提升制程稳定性。
什么是统计过程控制(SPC)?统计过程控制(SPC)是一种基于统计方法的质量管理工具,旨在通过监控生产过程中的关键变量,减少变异性,实现生产过程的稳定性。
SPC可以帮助厂商识别并消除造成产品缺陷的根本原因,提高产品质量,降低生产成本,增强市场竞争力。
SPC的原理及应用SPC的基本原理是通过收集和分析生产过程中的数据来了解生产过程的特征和变异性,从而判断生产是否处于受控状态。
通过统计技术,可以找出生产过程中的特殊原因变异和普通原因变异,进而采取相应的控制措施。
SPC的应用范围非常广泛,可以适用于各个行业的生产过程控制。
比如,在汽车制造业,通过对关键工艺参数进行实时监控,可以避免生产出次品车辆;在食品加工业,利用SPC可以确保产品符合质量标准,保障食品安全。
SPC的主要工具和技术SPC主要包含以下几种工具和技术:1.控制图:控制图是SPC的核心工具之一,用来监控生产过程中的变异性。
常见的控制图有X-bar图、R图、P图等,通过控制图可以及时发现异常情况。
2.过程能力分析:通过过程能力分析,可以评估生产过程是否稳定,并确定是否满足产品质量标准。
3.假设检验:假设检验用于判断生产过程中的参数变化是否具有统计显著性,帮助厂商做出正确的决策。
SPC的好处采用统计过程控制(SPC)可以带来诸多好处:1.提升产品质量:SPC可以实时监控生产过程,及时发现问题并及时纠正,确保产品质量稳定。
2.降低生产成本:通过降低废品率和提高生产效率,可以有效降低生产成本。
3.增强市场竞争力:生产出质量稳定的产品,可以提高客户满意度,增强企业在市场上的竞争力。
总结统计过程控制(SPC)是一种重要的质量管理工具,能够帮助企业提升制程稳定性,实现持续改进。
什么是SPC?SPC的作用是什么?SPC运用中应该注意的几个问题SPC即英文“Statistical Process Control”之缩写,意为“统计制程控制”SPC或称统计过程控制。
SPC主要是指应用统计分析技术对生产过程进行实时监控,科学的区分出生产过程中产品质量的随机波动与异常波动,从而对生产过程的异常趋势提出预警,以便生产管理人员及时采取措施,消除异常,恢复过程的稳定,从而达到提高和控制质量的目的。
为什么要用SPC,SPC的作用是什么?重视企业内部外部顾客,以顾客满意作为主要目标,这些目标必须不断地在价值上得以改进,运用SPC,能使我们致力于更有效的改进,同时,我们组织中的每一个人都必须确保不断改进及使用有效的方法.在我们的企业当中,很多都是不重视统计过程控制的,或者只是把统计过程控制当做一个口号或者一个用来通过各种认证用的手段,并没有真正的用到现实生产当中,也没有起到真正的作用.于是就产生了一个问题,如果仔细的审核所有的统计过程,会发现存在很多的问题.1、在作XBar-R图时,数据搜集不准确。
数据的搜集来自于现场,往往我们根据控制计划或者其他文件的要求,到现场察看数据采集情况,会发现现场的数据采集没有按照要求来进行。
有些企业会采用连续测量,100%测量的方式,同时也不做任何的纪录,只要检验人员发现没有问题,也不需要进行任何变动,一旦发现,则进行调整设备参数或采取别的措施。
而采用该方法是与SPC相违背的。
有些公司采用了100%检验不说,根据大体情况,再进行编制控制图,专门用来应付审核或者提交客户用,这样的SPC是没有作用的,同时还浪费更多的人力物力。
所以,希望我们运用统计技术的企业,能够真正的将统计技术运用起来,而不仅仅是流露与形式。
2、做控制图时部分或者全部的曲线类似。
这也是数据经过编辑的一种可能。
在SPC教材当中明显指出几种应该注意的曲线形状(包括点的运动趋势),这就要求绘制该图表的人员具有相当的水平,即要避免出现教材中描述的情况,又要让数据基本合理,便出现了连续几次数据统计采用相同或类似的数据。
什么是SPCSPC即英文“Statistical Process Control”之缩写,意为“统计制程控制” SPC或称统计过程控制。
SPC主要是指应用统计分析技术对生产过程进行实时监控,科学的区分出生产过程中产品质量的随机波动与异常波动,从而对生产过程的异常趋势提出预警,以便生产管理人员及时采取措施,消除异常,恢复过程的稳定,从而达到提高和控制质量的目的。
在生产过程中,产品的加工尺寸的波动是不可避免的。
它是由人、机器、材料、方法和环境等基本因素的波动影响所致。
波动分为两种:正常波动和异常波动。
正常波动是偶然性原因(不可避免因素)造成的。
它对产品质量影响较小,在技术上难以消除,在经济上也不值得消除。
异常波动是由系统原因(异常因素)造成的。
它对产品质量影响很大,但能够采取措施避免和消除。
过程控制的目的就是消除、避免异常波动,使过程处于正常波动状态。
[编辑]SPC起源与发展1.1924年修华特博士在贝尔实验室发明了品质控制图。
2.1939年修华特博士与戴明博士合写了《品质观点的统计方法》。
3.二战后美英将品质控制图方法引进制造业,并应用于生产过程。
4.1950年,戴明到日本演讲,介绍了SQC的技术与观念。
5.SQC是在发生问题后才去解决问题,是一种浪费,所以发展出了SPC。
6.美国汽车制造商福特、通用汽车公司等对SPC很重视,所以SPC得以广泛应用。
7.ISO9000(2000)体系亦注重过程控制和统计技术的应用(如8.1,8.2.3)。
[编辑]3σ原理简介当过程仅仅俺有正常变异时,过程的质量特性是呈现正态分布的,其分布状态如下:休哈特建议用界限±3σ来控制过程,就是说,在10000个产品中不超过27个不合格品出现,就认为改生产过程是正常的,若达到27个以上,就认为过程失控。
[编辑]SPC技术原理控制(SPC)是一种借助数理统计方法的过程控制工具。
它对生产过程进行分析评价,根据反馈信息及时发现系统性因素出现的征兆,并采取措施消除其影响,使过程维持在仅受随机性因素影响的受控状态,以达到控制质量的目的。
什么叫SPC?SPC是英文 Statistical Process Control的縮寫﹐意為統計制程管制。
推行SPC的目的是什么﹖推行SPC的目的是﹕通過制程改善﹐將制程提升至最佳﹑穩定的狀態﹐在此前提下﹐按照一定的規律隨機地收集一組數據﹔根據穩定制程定義之具體管制圖﹐作出管制圖﹔以后再將收集之樣本數據描於管制圖上﹐所描點的走向反應了制程穩定或偏移的情況﹐以便及時地控制制程。
SPC能解決的制程問題﹕●經濟性﹕有效的抽樣管制﹐不用全檢﹐預估不良率﹐得以控制成本。
使制程穩定﹐生產可以預測﹐從而能夠掌握品質﹑成本﹑交期。
●預警性/時效性﹕制程的異常趨勢可即時對策﹐預防整批不良﹐以減少浪費。
●分辨共同原因與特殊原因﹕作為局部問題對策或管理階層的系統改進之參考。
●善用機器設備﹕估計機器能力﹐可妥善安排適當機器生產適當零件。
Page 1 of 30改善的評估﹕制程能力可作為改善前后比較之簡單指標﹐作為制程檢討的共同語言。
品質變異﹕共同原因及特殊原因共同原因﹕制程中的變異因素是在統計的管制狀態下﹐其產品之特性有共同的分配Page 2 of 30特殊原因﹕制程中變異因素不在統計的管制狀態下﹐其產品之特性沒有固定的分配管制圖的原理﹕(由于我們將用到P 管制圖﹐這里就以P 管制圖為例說明) 假定我們現在的制程處於穩定狀態﹐當我們多次抽樣采集其不良率時﹐其不良根據不良率數據計算其標准差﹐當不良率數分配在正負三倍標准差范圍內時﹐我們認為制程較為理想﹐于是將上圖順時針轉90度後﹐則成下面的形狀: —上管制限不良率分配次數不良率准差准差准差准差准差准差LCL—下管制限當不良率高或低於管制界限時﹐我們都認為制程出現了異常統計制程管制之系統架構及流程統計制程管制之系統流程X-R 管制圖X-S 管制圖X-Rm 管制圖散布圖yesQC七手法之特性要因圖Page 6 of 30Page 7 of 30集中相關人員﹐采用腦力激蕩法﹐從4M1E 眷手﹐將可能的問題全部羅立出來﹐圈畫出重點原因﹐制定改善對策﹐並確定對策擔當者及改善日期。
SPC简介SPC即英文“Statistical Process Control”之缩写,意为“统计过程控制” SPC或称统计过程控制。
SPC主要是指应用统计分析技术对软件开发与测试过程进行实时监控,科学的区分出软件开发与测试过程中产品质量的随机波动与异常波动,从而对软件开发与测试过程的异常趋势提出预警,以便开发与测试管理人员及时采取措施,消除异常,恢复过程的稳定,从而达到提高与控制质量的目的。
在软件开发与测试过程中,缺陷率、生产率的波动是不可避免的。
它是由人、技术、流程、工具、方法与环境等基本因素的波动影响所致。
波动分为两种:正常波动与异常波动。
正常波动是偶然性原因(不可避免因素)造成的。
它对产品质量影响较小,在技术上难以消除,在经济上也不值得消除,正常波动是稳定状态。
异常波动是由系统原因(异常因素)造成的。
它对产品质量影响很大,但能够采取措施避免与消除。
过程控制的目的就是消除、避免异常波动,使过程处于稳定状态。
SPC可以为企业带的好处SPC 强调全过程监控、全系统参与,并且强调用科学方法(主要是统计技术)来保证全过程的预防。
SPC不仅适用于质量控制,更可应用于一切管理过程(如产品设计、市场分析等)。
正是它的这种全员参与管理质量的思想,实施SPC可以帮助企业在质量控制上真正作到"事前"预防与控制,SPC可以:· 对过程作出可靠的评估;· 确定过程的统计上下限,判断过程是否失控与过程是否有能力;· 为过程提供一个早期报警系统,及时监控过程的情况以防止废品的发生;· 减少对常规检验的依赖性,定时的观察以及系统的度量方法替代了大量的检测与验证工作;有了以上的预防与控制,我们的企业当然是可以:· 降低成本· 降低不良率,减少返工与浪费· 提高劳动开发与测试率· 提供核心竞争力· 赢得广泛客户· 更好地理解与实施质量体系一. 为何要使用SPC1) 什么是SPCSPC(Statistical Process Control)统计制程控制,是企业提高质量管理水平的有效方法。
統計過程控制(SPC)通過質量控制來檢查最終產品並剔除不符合規范的產品,靠檢查或重新檢查工作來找出錯誤,在這二種情況下都是使用檢測的方法,這種方法是浪費的,因為它允許將時間和材料投入到生產不一定有用的產品或服務中。
一種在第一步就可以避免生產無用輸出,從而避免浪費的更有效的方法-預防。
統計制程控制就是對過程進行統計分析,找出過程孌差和變差產生的原因,然後采取措施消除,從面達到預防的目的。
一、過程控制系統一個過程控制系統可以稱以一個反饋系統,SPC就是一個反饋系統,它反映出過程性能的信息,通過分析這些信息,就可知道過程目前的狀態和發展趨勢。
二、變差的變通及特殊原因過程的實際狀態值與理想控制狀態的差距,稱這為變差,無論多麼穩定和成熟的過程,變差總是存在的;產生變差的原因一般分為普通原因和特殊原因。
普通原因是指造成隨著時間的推移具有穩定的且可重復的分面過程中的許多變差的原因,我們稱之為:“處於統計控制狀態”或“受統計控制”或“受控制”。
普通原因表現為一個穩定系統的偶然原因,只有變差的普通原因存在且不改變時,過程的輸出才是可能預測的。
特殊原因(通常叫可查明原因)指的是造成不是始終作用與過程的變差的原因,即當它們出現時造成過程分面改變。
除非所有的特殊原因都被查找出來並采取了措施,否則它們將繼續用不可預測的方式來影響過程的輸出。
如果系統內存在變差的特殊原因,隨著時間的推移,過程輸出將不穩定。
三、局部措施和系統采取措施解決變差產生的特殊原因要采取局部措施,解決系統產生的變通原因要對系統采取措施。
1.局部措施通常用來消除變差的特殊原因通常與過程直接相關的人員實施通常可糾正大約15%2.對系統采取措施通常用來消除變差的變通原因幾乎總是要求管理措施,以便糾正大約可以糾正85%的過程問題四、過程控制和過程能力過程控制系統的目標是對影響過程的措施作出經濟合理的決定。
也就是說,平衡不需控制時采取了措施(過度控制和擅自改變)和過程需要控制時為采取措施(控制不足)的後果。
统计制程控制
(Statistical Process Control)
目录
1. 统计制程操纵(SPC)的差不多概念
1.1 质量的差不多概念
1.2 统计制程操纵(SPC)是什么?
1.3 统计制程操纵(SPC)的起源与进展
2. 常用的统计方法
2.1 概率
2.2 统计特征数
2.3 正态分布(Normal Distribution)
2.4 中心趋向定律(Central Limit Theorem)
2.5正常状态的统计规律
2.6常规操纵图及其3σ界限
2.7变异的差不多概念
2.8数据的种类
2.9操纵图的种类
3. 计量值操纵图的制作及应用
3.1 选择计量值操纵图
3.2 数据收集
3.3 操纵界限的设定
3.4. 操纵界限的更新
3.5 操纵界限和规格的关系
4. 计数值操纵图的制作及应用
4.1 选择计数值操纵图
4.2 数据收集
4.3 操纵界限的设定
4.4 操纵界限的更新
5. 操纵图的分析
5.1 正常状态
5.2 异常现象
5.3 失控行动表
6. 制程能力的研究
6.1 制程能力研究的目的
6.2 制程能力指数的计算和分析
7. 操纵图与七工具的关系
7.1 七工具是什么?
7.2 统计分析表 Checksheet
7.3 分类法 Stratification
7.4 巴氏图 Pareto Analysis
7.5 直方图 Histogram / Barchart
7.6 因果图 Cause-and-Effect Diagram
7.7 散布图 Scattered Diagram
8. 附录
8.1 操纵图用途总表
8.2 操纵图的选择
8.3 操纵图工作纸
8.4 操纵图样本
8.5 实习题
1. 统计制程操纵(SPC)的差不多概念
1.1 质量的差不多概念
1.1.1 品质的定义
●卓越的程度
比较的意义:产品(功能、品质、安全、『级数』等)比较;
●品质水准
定量意义:技术评估;
●适合用途(Fitness for Use)
产品或服务,在满足特定需要的能力;
●满足顾客要求。
1.1.2 检查与品质
●「品质」并不是靠检查出来,而是靠生产出来的;
●检查只是把所制成的,与规格要求的,作一个比较;
●检查只能停止不合格品的流淌,但不能停止它的产生;
●检查本身都有品质问题,存在误检及漏检,尤其是复杂和大量的检查.
●检查需要格外的成本和时刻.
●假如产品在第一次便做得对,便可消除废料、翻工及减少顾客投诉;
1.1.3 品质与市场竞争能力
商品要达到畅销目的,通常要有三个必备的条件:-
1. 品质优良;
2. 价格合理;
3. 交货期准。
1.1.4 影向品质的因素
●人员(Man);
●机器(Machine);
●物料(Material);
●方法(Method);
●环境(Environment)
任何因素的变化都会导致产品或服务的变化,也即不同的品质.品质操纵的理念在于对生产过程的操纵,而不在于对结果的操纵.一致的输入和一致的过程导致一致的输出(产品).
1.2 统计制程操纵(SPC)是什么?
●统计制程操纵的英文名称是Statistical Process Control或简称为SPC。
●简单地讲确实是应用“统计”(Statistical)技术,去分析“制程”(Process)中的特性,
来“操纵”(Control)制程变异。
●SPC的目的确实是要操纵制程达到“受操纵的状态”(in Statistical Control)。
●SPC要紧集中在制程的操纵,因为制程是问题的根源。
它需要在制程中,加入定时的检查,以
达到尽早找出问题,来减少白费;
●SPC典形运用的工具就有品质操纵图,利用简单的图表来提供以下的数据:
- 质量改进
- 决定工序能力
- 产品规格的决定
- 生产制程的决定
●SPC是一个有效的工具,去不断地改善品质;
●SPC的最终目标在于做到“预防问题的发生”及“减少白费”。
1.3 统计制程操纵(SPC)的起源与进展
●1917年一次世界大战时,美军需短时刻预备军衣、鞋等物资,结果尺码比例按正态分布进行,差
不多吻合需要;
●1924年修华特博士(Dr. W.A. Shewhart)在贝尔试验室发明了品质操纵图;
●1939年修华特博士与戴明博士(Dr. Deming)合作写了一本『品质观点的统计方法』(Statistical
Method from the point of Quality Control);
●第二次世界大战前后,英、美两国将品质操纵图的方法引进制造业,并应用于生产过程中;
●1950年日本的JUSE邀请了戴明博士到日本演讲,介绍了SQC的技术与观念;
●为了纪念戴明博士的贡献,JUSE于1951年成立了戴明奖;
●在1979年美国国家广播公司(NBC)制作了一部『日本能,为何我们不能』的影片,SQC的理论
与观念,便受到注意及被应用于制造程序中;
●SQC的理论是不足够的。
单是在发生问题后,才去解决问题,是一种白费,因此进而进展出SPC;
●美国汽车制造业,在QS9000标准中对SPC的使用提出了自己的要求,推动了SPC的广泛
应用.
2. 常用的统计方法
2.1 概率
2.1.1 随机现象
在一定条件下,一件情况可能出现那个结果,也可能出现另一个结果,没有一定规律,呈现一种偶然性,这确实是随机现象了。
2.1.2 概率
●一件情况 A 在 n 次试验中出现的次数为 m ,情况 A 出现的频率等如m/n。
●随着试验次数 n 的增加,情况 A 出现的频率 m/n 就稳定在某个数值 p ;
●而 p 就被称为情况 A 的概率(即或然率),俗称机会率。
当 n 是无限大时,p = m/n 。
2.2 统计特征数
2.2.1 统计特征数的定义
任何由样本计算出来代表样本特征的数字,都称为统计特征数。
2.2.2 表示数据集中位置的数字
(Measure of Central Tendency)
_
●平均数 x (Mean)
●中位数 (Median)
●众数 (Mode)
2.2.3 表示数据离散程度的数字
(Measure of Dispersion)
●全距 R (Range)
●标准差 s (Standard Deviation)
2.3 正态分布(Normal Distribution)2.
3.1 正态分布图形
= 频率分布的平均值
= 频率分布的标准差
如收集数据时样本数目特不大,
_
x
s
2.3.2 正态分布的特点
●以 x = 这条直线为轴,正态分布是一个左右对称的。
●靠近出现概率较大;远离出现概率较细。
●分布曲线下的面积代表该段数值的出现机会。
曲线范围范围内面积μ+/-σ68.26% μ+/- 2σ95.45% μ+/- 3σ99.73% μ+/- 4σ64PPM全部范围100.00%
2.4 中心趋向定律(Central Limit Theorem)
2.4.1 样本数目与频率分布
●若于总体抽取样本,每样本中有 n 个个体,则该样本平均数不一定会相等于总体的平均数。
●若抽取多个样本,各样本的平均数将会构成另一正态分布如下图:
2.4.2 中心趋向定律(Central Limit Theorem)
●若总体分布并非正态分布,各样本的平均数会否构成另一正态分布?
●以拋掷骰子为例:
拋掷骰子的数目越多,骰子的平均数愈趋向正态分布。
一粒骰子
二粒骰子。