6sigma教程之量测系统分析.pptVIP

Six Sigma Yellow Belt 兩種常見的資料型態 測量流程 MSA目的 M S A 種類 Variables (連續型) P/T Ratio %Gage RR Attributes (離散型) 檢驗員本身及檢驗員間一致性判定 有“大師”或“專家”標準 Kappa 統計分析 主題 良好測量系統的要求 連續型測量系統分析–關於方法 變異的來源–關於數學 指標 P/T (Precision to Tolerance ratio) %Gage RR Minitab實做範例 良好測量系統的要求 必須要在統計控制內 藉由繪製圖表檢查 變異相較於產品規格必須要小 計算P/T Ratio 變異相較於流程變異必須要小 計算%Gage RR 測量系統鑑別力是指能偵測出測量特性中微小變化的能力 計算有區別的種類數(number of distinct categories) 連續型測量系統分析：關於方法 研究方法： 實驗設計 變數： 操作員數；如3 位元操作員 樣本數；如10 件樣本 重複/ 試驗數： 每項測量執行兩次 總結 操作員數x 樣本數x 實驗次數 實驗法： Minitab綜合全階乘分析 分析： StatQuality ToolsGage StudyGage RR (crossed) 推論： %P/T Ratio %Gage RR 鑒別力 貢獻比例樹狀圖 診斷法 圖形分析法 變異的來源：關於數學 變異的來源：關於數學 精確度與公差比Precision to Tolerance Ratio 判定規則：能分辨好的壞的 %Gage RR (%GRR) 比例規則：偵測流程改變 Minitab範例：連續型MSA Minitab 範例 檔案：Gageaiag.mtw StatQuality ToolsGage StudyGage RR Study (Crossed) 輸入公差 MSA 診斷法：解讀各表格 Gage RR (表首) 貢獻比例樹狀圖%Contribution Tree Gage RR (表末) 解釋 Minitab使用與一般用法不同的指標名稱 決定時刻 MSA診斷法：解讀各圖表 變異的組成Components of Variation  Xbar Chart 依樣本排列 依操作員排列 操作員與樣本的交互作用 解釋圖表的要訣 各圖表包含大量的資訊 使用貢獻百分比樹狀圖(contribution tree)及各指標以決定問題是否及於何處存在 然後在各圖表中尋找支援的線索 在本組資料中，各指標值都太高，而該測量系統需要改善 操作員2看來有些問題，應再訓練 部分樣本的測量結果也有問題，測量方法值得注意 連續型MSA總結 Gage RR研究方法適用於所有能被測量的事物 %Gage RR指出我們是否能偵測出流程的變化。低於10%代表良好，10-30%代表水準邊緣。 P/T ratio指出我們是否能分辨合格與不合格品。低於10%代表良好，10-30%代表水準邊緣。 貢獻百分比樹狀圖及各圖表幫助我們瞭解問題所在 離散型MSA分析和推論 實驗:檢驗員以隨機順序方式進行量測 分析工具: Minitab R14 Attribute Agreement Analysis Gage Run Chart Attribute Gage RR Study 推論: 檢驗員本身(重複性) 不同檢驗員間(再現性) 與大師或“專家”標準比較(再現性) Kappa 統計分析 離散型MSA範例2 下頁數據為地磚表面拋光的分析 檢驗員使用通過/無法通過的標準 數據顯示有： 2位檢驗員 10個樣本 2次試驗 有專家或大師的結果可供參考 關於Kappa 雖然多年來Kappa係數廣泛的被使用，但對其應用的相關批評仍持續增加 一般對Kappa的評論為“按機率矯正的一致性衡量指標”所誤導 適當的使用Kappa計算，專注於圖表和一致性計算的百分比(%Matched calculations)來決定問題 “好”的離散型測量系統是沒有錯誤發生的 重複性: 檢驗員本身 分 析 檢驗員2在10個樣本中,有8個重複判定一致 檢驗員1在10個樣本中,有8個重複判定一致 各檢驗員與專家比較 分 析 檢驗員1和專家判定結果各有7個一致 檢驗員2和專家判定結果各有7個一致 再現性: 不同檢驗員間 分 析 此兩個檢驗員在10個樣本中，有6個判定結果是一致的 所有檢驗員與專家比較 分 析 推論:所有檢驗員和專家判定結果有5個一致 分 析 不同檢驗員間 各檢驗員與專家比較 Kappa 統計分析 用來評估各個檢驗員在各次試驗間的一致性 Kappa = 1, 判定結果完全一致 Kappa = 0, 判定結果一致性的情況只是碰巧發生 一致性越強, Ka