-
MINITAB
量测系统分析（
Measure
ment System Analysis
）
1
、量具走势图（
Gage Run
Chart
）
[
概述
]
<
/p>
量具走势图是一张观察结果随观察者和零件号而变化的图形。在均值处划了一条水平
线，
该均值可由数据计算得出或根据过程以往的检验得出。
你可以利用该图快速地评价不同
的操作者和零件之间的差异。
一个稳定的过程会显示一张随机的散布的点；
存在操作者或零
件影响则会显示一张具有某种规律的图形。
[
例
]
变差
占了所观察到的总体变差的一大部分
()
。
为了比较，以同样的数据
分别以
ANOV
A
方法或
Xbar-R
方法进行
Gage
R&R
研究。
对
GAGEAIAG
表中的数据
,
选择
10
个零件代表过程变差的预期范围。
三个操作者以随
机顺序测量
10
个
零件，每个零件测量两次。对
GAGE2
表中的数据，选择
3
个零件代表过
程变差的预期范围。三个操
作者以随机顺序测量三个零件，每个零件测量
3
次。
Step 1: Gage Run Chart with
GAGEAIAG data
1
Open the
worksheet GAGEAIAG
.MTW.
2
3
4
5
1
2
3
4
Choose Stat > Quality
Tools > Gage Run Chart.
In Part
numbers, enter C1.
In Operators, enter
C2.
In Measurement data, enter C3.
Click OK.
Open the file .
Choose Stat > Quality Tools > Gage Run
Chart.
In Operators, enter C2.
In Measurement data, enter C3. Click
OK.
Step 2: Gage Run Chart
with GAGE2 data
[
结果
1]
第
1
页
共
11
页
[
结果
2]
[
结果分析
1] Gage Run
Chart Example
—
GAGEAIAG
.MTW
对每个零件，你可以比较每个操作者的测量变差，以及操作者之间的测量差异。
你还可以观察测量结果与水平参考线的关系。
默认情
况下，
参考线是所有观察结果的均
值。
大多数的变差是零件之间的差异。一些小的规律可以观察出来。举例来说，操作者
2
的第二个测量比第一次测量较小（
10
次当中有
7
次）
；
操作者
2
的测量结果比操作者
1
测量
的结果小（
10
次当中有
8
次）
。
[
结果分析
2] Gage
Run Chart Example
—
对每个零件，
你可以比较每个操作者的测量结果之间的变差，
以及不同操作者的测量结
果之间的差异。
<
/p>
你还可以观察测量结果与水平参考线之间的关系。
默认情况下，<
/p>
参考线是所有观察结果
的均值。
本例中的
主要因素是再现性——当同一个操作者测量同一零件时测量结果之间的巨
大差异。这种变
动表明操作者需要调整他们测量的方式。
2
、量具线性和准确性研究（
Gage
Linearity and Accuracy
Study
）
[
概述
]
<
/p>
量具线性研究通过预期的测量结果的范围告诉你测量结果的准确程度。
它回答了你的量
具是否对各种尺寸的测量对象具有相同的准确度。
< br>
量具准确度研究检查观察到的测量结果的平均值和参考值之间的差异。
它回答了与参考
值相比量具的准确性问题。量具准确性还可以作为偏差的
参考。
[
例
]
一个
工厂领班选择
5
个零件代表测量结果的预期偏差。
每个零件都进行检查以判断其参
考值。于是，
1
个操作者随机测量每个零件
12
次。通过使
用
ANOV
A
方法进行的量具
R &R
研究以获得过程偏差
-
所有数据的
5.15SIGMA-
本例中为
14.1941
该例中引用的数据来自于
l
量测系统分析参考手册
(Chrysler,
Ford,
General
Motors
Supplier Quality
Requirements Task
Force)
并获得了许可。
1
Open the worksheet .
第
2
页
共
11
页
2
Choose Stat > Quality Tools > Gage
Linearity Study.
3
In Part
numbers, enter C1.
4
In
Master measurements, enter C2. In Measurement
data, enter C3.
5
In Process V
ariation, enter
14.1941. Click OK.
[
结果
]
[
结果分析
]
%Linearity
是
13.167
，意味着该量具的变差占总的过程偏差的
13%
；
%Bias
是
0.37
6
，
意味着该量具的变差占总的过程偏差的
1%
以下。
3
< br>、量具
R&R
研究（交互）
（<
/p>
Gage R&R Study
(Crossed)
）
[
概述
]
<
/p>
量具重复性和再现性研究分析你观察到的过程变差多大程度上是量测系统变差所致。
Minitab
提供两种方法进行交互
Gag
e R&R
研究：
Xbar and
R,
或
ANOV
A
。
Xbar-R
方法将总
体变差分成三个部分：
part-to-part,
repeatability, and reproducibility.
。
ANOV
A
方法更进一步将
< br>第
3
页
共
11
页
再
现性分成操作者、操作者
*
零件。
ANOV
A
方法比
Xbar-R
方法更准确，因为它考虑了操作者和零件的
交互作用。
[
例
1] Example of
Gage R&R Study (ANOV
A method)
在本例中，我们对两组数据进行量具
R&R
研究：一组量测
系统变差占总体观察到的变
差
的
比
例
较
低
(GAGEAIAG
.MTW),
另
一
组
量
测
系
统
变
差
占
总
体
观
察
到
的
变
差<
/p>
较
大
()
。为分析，我们使用
ANOV
A
和
Xbar-R
方法分析数据。你还可以在量具走
势图上观察同样的数据。
在
GAGEAIAG
中，选择了
10
个数据来代表预期的过程变差的范围。三个操作者以随
机顺序测量
10
个零件，每个零件测量
2
次。在
GAGE2
中，选择三个零件代表过程变差的
预期变差。三个操作者以随机顺序测量
3
个零
件，每个零件测量
3
次。
Step 1: Use the
ANOV
A
method with GAGEAIAG
data
1
Open the file
GAGEAIAG
.MTW.
2
3
Choose Stat > Quality Tools > Gage R&R
Study (Crossed).
In
Part
numbers,
enter
Part.
In
Operators,
enter
Operator.
In
Measurement
data,
enter
Response.
4
Under Method of Analysis, choose
ANOV
A.
5
Click OK.
Step 2: Use the
ANOV
A
method with GAGE2 data
1
Open the file .
2
3
Choose Stat >
Quality Tools > Gage R&R Study (Crossed).
In
Part
numbers,
enter
Part.
In
Operators,
enter
Operator.
In
Measurement
data,
enter
Response.
4
Under Method of Analysis, choose
ANOV
A.
5
Click OK.
[Step1
结果
]
[Step1
结果分析
]
Gage R&R Study - A
NOVA
Method
Gage R&R for Response
Two-Way ANOVA Table With Interaction
Source DF SS MS
F P
Part 9
2.05871 0.228745 39.7178 0.00000
Operator 2 0.04800 0.024000
4.1672 0.03256
Operator*Part 18
0.10367 0.005759 4.4588 0.00016
Repeatability 30 0.03875 0.001292
Total 59 2.24912
Gage R&R
%Contribution
Source
VarComp (of VarComp)
Total Gage R&R
0.004437 10.67
Repeatability
0.001292 3.10
Reproducibility 0.003146 7.56
Operator 0.000912 2.19
Operator*Part 0.002234 5.37
Part-To-Part 0.037164 89.33
Total Variation 0.041602 100.00
Number of Distinct Categories = 4
第
4
页
共
11
页
观
察
ANOV
A
表中
Operator*Part
交互作用
的
p
值。当两者交互作
用的
p<
/p>
值
<
0.25
时，
Minitab
适合整个模型
（<
/p>
ANOV
A
表
中
显
示
Operator*Part <
/p>
交互作用
的
p
值
为
0.00016
）
。
在这种情况下，
ANOV
A
方法比
Xbar-R
方法更准
确，因为后者不考虑这
种交互作用。
从
Gage
R&R
表
中
的
%Contribution <
/p>
列可
以看出，零件之间对总
变
差
的贡
献
(89.33)
比
Total
Gage
R&R
大得多
(10.67)
。这说明变差主
要是零件之间的差异
引
起的，而量测系统造成
的误差则只占很小的一
部分。
按照
AIAG
的规定，
4
代表测量系统能力是
足够的。
[Step2
结果
]
[Step2
结果分析
]
Gage R&R Study - A
NOVA
Method
Gage R&R for Response
Two-Way ANOVA Table With Interaction
Source DF SS MS F
P
Part 2 38990
19495.2 2.90650 0.16616
Operator
2 529 264.3 0.03940 0.96173
Operator*Part 4 26830 6707.4
0.90185 0.48352
Repeatability 18
133873 7437.4
Total
26 200222
观
察
ANOV
A
表
中
<
/p>
Operator*Part
交互作用的
p
值。当
Operator
by
Part
Minitab
的
p
值
> 0.25
时，
< br>适
合
于
无
交
互作
用
的
模
型，并使用减少的模型定
义
Gage
R&R
统计量。
观
察
Gage
R&R
Two-Way ANOVA Table
Without Interaction
Source DF
SS MS F P
Part
2 38990 19495.2 2.66887 0.09168
Operator 2 529 264.3
0.03618 0.96452
Repeatability 22
160703 7304.7
Total
26 200222
中
%Contribution
列。总
的
Gage
R&R
占
的
比
例
(84.36)
远大于零件之间的
<
/p>
差异
(15.64)
。所以，多数
的
变
差
是
测
量系
统
引
起
的，零件之间的变差对总
变差的影响则较小。
1
表明测量系统比较
差，不能区别零件之间的
差异。
Gage R&R
%Contribution
Source
VarComp (of VarComp)
Total Gage R&R
7304.7 84.36
Repeatability
7304.7 84.36
Reproducibility 0.0 0.00
Operator 0.0 0.00
Gage R&R (ANOVA) for
Response
Components of
Variation
100
Gage
name:
Date of study:
Reported
by:
Tolerance:
Misc:
By Part
%Contribution
%Study
Var
1.1
1.0
0.9<
/p>
0.8
0.7
0.6
0.5
0.4
P
e
r
c
e
n
t
50
0
Gage R&R
0.15
Repeat
Reprod
Part-to-Part
Part
1.1
1.0
0.9
0.8
0.7
0.6
0.5
0.4
1
2
3
4
5
6
7
8
9
10
R Chart by Operator
1
2
3
By Operat
or
UCL=0.1252
S
a
m
p
l
e
R
a
n
g
e
0.10
0.05
0.00
0
R=0.03833
LCL=0
Operator
1
2
3
Xbar Chart by Operator
1.1
1.0
0.9
0.8
0.7
0.6
0.5
0.4
0.3
0
1
2
3
Operator*Part Int
eraction
A
v
e
r
a
g
e
< br>UCL=0.8796
Mean=0.8075
LCL=
0.7354
1.1
1.0
0.9
0.8
0.7
0.6
0.5
0.4
Operator
1
2
3
S
a
m
p
l
e
M
e
a
n
Part
1
2
3
4
5
6
7
8
9
10
第
5
页
共
11
页
-
-
-
-
-
-
-
-
-
上一篇：质量管理名词术语英文缩写
下一篇：SGM常用缩写