DOE练习解读.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * 属性数据-U图 练习：每天检测100个齿轮有多少个缺陷数：纵坐标是缺陷数比例 缺陷数可能比缺陷件多，所以在生成随机数据时，最小值都比抽检数量多 某一环节有多少缺陷数，U图是缺陷数的控制图，一个缺陷件有几个缺陷数 在minitab中生成一组随机数据—“整数均匀” 属性数据-U图 属性数据-U图 属性数据-C图 平均每天每一件有多少缺陷数的比例 是等组的，缺陷数的总数 每天抽检的总数一样，纵坐标是缺陷件数 属性数据-C图 计量数据-I-MR图 练习：齿轮车间精车工序，精车内孔尺寸20（+0.05/-0.05） 在minitab中生成一组随机数据—“正态分布” 计量数据-I-MR图 计量数据-I-MR图 计量数据-I-MR图 计量数据-I-MR图 计量数据- Xbar-R图 计量数据- Xbar-R图 计量数据- Xbar-S图 计量数据- Xbar-R图 在控制阶段：需要展示改进效果 计量数据- Xbar-R图 在控制阶段：需要展示改进效果 * * * * * * * * * * * * * * * * * (1) 说明实际问题。 确定温度，浓度和催化剂对工艺产出的影响。 (2) 描述因素及其重要性等级。 温度: 低 = 160C 和高 = 180C (编码值: 低 = -1和高= +1) 浓度: 低= 20% 和高 = 40% (编码值: 低 = -1 和高 = +1) 催化剂: 低 = A品牌和高 = B品牌 (编码值: 低 = -1 和高 = +1) 创建因子设计 创建因子设计 创建因子设计 创建因子设计 创建因子设计 在minitab中输入产出 DOE路径： 删除低于红线的项目，从高阶到低阶开始，一次删除一项 删除低于红线的项目，从高阶到低阶开始，一次删除一项 删除低于红线的项目，从高阶到低阶开始，一次删除一项 简化模型：把不显著的效应合并到误差项里去1.删除低于红线的项目，从高阶到低阶开始，一次删除一项2.高阶显著，低阶不可删 解读 看P值，来判定因子是否显著 看R-Sq值，来判定拟合优度 看P值，来判定主效应，交互作用是否显著 查看因子图 查看主效应图 查看主效应图 看斜率 查看交互作用图 查看交互作用图 看交叉 查看残差图 查看残差图 查看残差图 看正态性 看正态性 看随机性 看独立性 柏拉图中红线（假标准误差）的计算 1.求所有效应的绝对值 2.计算S，等于第一步所求的效应绝对值的中位数 3.计算所有比2.5小的所有效应的中位数 4.计算PSE，等于第三步所求的中位数1.5倍 5.红线ME=t*PSE 属性数据-?P图 练习：每天抽100件，共有1件缺陷件，缺陷比例为0.67% 在minitab中生成一组随机数据—“整数均匀” 属性数据-?P图 属性数据-?P图 属性数据-?P图—不等组 属性数据-N?P图 缺陷件总数控制图，如每天有多少缺陷件 显示的是缺陷个数，不是缺陷比例 属性数据-N?P图 * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * * *