过程能力与公差分析和Creo应用.ppt

过程能力与公差分析——Creo公差分析应用 内 容 一. 尺寸公差二. 过程能力用于公差分析的背景三. 一般公差分析的理论四. Creo公差分析模块 一. 尺寸公差 在成批或大量生产中，规格大小相同的零件或部件不经选择地任意取一个零件（或部件）可以不必经过其他加工就能装配到产品上去，并达到一定的使用要求，这种性质称为互换性。 为了满足互换性要求，图纸上注有公差配合要求。在设计时，要合理地制定各类公差，这样才能使用所画的图纸符合生产实际的需要。 一. 尺寸公差 尺寸公差是指在零件制造过程中，由于加工或测量等因素的影响，完工后的实际尺寸总存在一定的误差。为保证零件的互换性，必须将零件的实际尺寸控制在允许变动的范围内，这个允许的尺寸变动量称为尺寸公差。 如：0.7 +/- 0.1 代表设计者心中默认/容许的尺寸范围是在0.6~0.8之间。 设计者希望在0.6~0.8之间范围，数值的分布应围聚一特定点（0.7）进行分布，我们通常合理假设呈正态分布。 变异 1. 加工制程的变异 –材料特性的不同 –设备或模具的错误 –工序错误 / 操作员的错误 –模具磨损 –标准错误 2. 组装制程的变异 –工装夹具错误 –组装设备的精度 两种主要的变异类型 二. 过程能力用于公差分析的背景 万物皆有变化，产品生产也随时伴有差异，同种产品功能或尺寸的差异被称之为变异。变异小不影响顾客的满意程度或后续工程的作业是可以容许的；一旦影响顾客的满意程度，那此变异就成了品质的大敌了。 变异控制 解决方案 制程的选择 制程的控制 (SPC) 产品的检查 技术的选择 优化的设计 公差分析 变异控制 从加工制造 从产品设计 目标 高质量 高良率 低Low FFR 二. 过程能力用于公差分析的背景 变异的分布类型 正态分布 双峰分布（非正态分布） 偏斜分布（非正态分布） 二. 过程能力用于公差分析的背景 工程期望变异的分布应呈正态分布，因正态分布可控、可预测。 二. 过程能力用于公差分析的背景 正态分布 若随机变量 X服从一个位置参数为μ 、尺度参数为的概率分布，且其概率密度函数为 则这个随机变量就称为正态随机变量，正态随机变量服从的分布就称为正态分布，记作X~N(μ ,2)，读作X服从 N(μ ,2)，或 X 服从正态分布。 应用于工程中： μ：变量的平均值。 ：变量的标准差。 当值越大，变量越分散，曲线越平坦；当值越小，变量越集中，曲线越陡峭。 99.9937 % -3 -4 -5 -6 +3 +4 +5 +6 99.73 % 99.999943 % 99.9999998 % -2 -1 +2 +1 变形点  标准差, (s 或 ) 数据的百分比，在给定的 西格玛 ()范围 95.46 % 68.26 % 平均值, (x 或 μ) 正态分布的特点 依概率理论计算,99.73%的样本将落在+/3σ的范围内,只有很小的概率(0.27%)不在+/3σ的范围内,由于小概率事件一般不会发生,故可认为不会有尺寸在规格之外。 二. 过程能力用于公差分析的背景 正态分布的参数 平均值 ( x 或 μ) 分布的位置 范围 (R) 最大值与最小值之间的距离 标准差 (s 或 ) 反映一个数据集的离散程度 最常用的量测法，量化可变性 方差 (s2 或 2) 标准差的平方 二. 过程能力用于公差分析的背景 总体参数 m = 总体平均值  = 总体标准差 总体参数与样本统计 总体 现有的及将来会出现的所有单元或个体 我们将永远都不可能知道的真实总体 样本 从总体提取的单元或个体的子集 用样本统计，我们可以尝试评估总体参数 样本统计 x= 样本平均值  = 样本标准差 二. 过程能力用于公差分析的背景 过程能力指数 USL- μ LSL Sample mean Nominal value μ - LSL USL Tolerance range 二. 过程能力用于公差分析的背景 是指过程在一定时间，处于控制状态（稳定状态）下的实际加工能力（固有能力/质量保证能力），也就是加工质量满足技术标准的能力 （不考虑中值偏移） （考虑中值偏移） 二. 过程能力用于公差分析的背景 过程能力评价 过程能力与K()、合格率、PPM对应表 Cpk 等级 评价 Cpk≥1.67 A 过程能力过高，可考虑宽松的控制方法，降低成本  1.67 Cpk ≥ 1.33  B 能力良好，状态稳定应保持，考虑简化检验  1.33 Cpk ≥ 1.0 C 状态一般，制程因素稍有变异即有产生不良的危险，应利用各种资源及方法将其提升为B级 1.0 Cpk ≥ 0.67 D 制程不良较多，产品必须全检，必须提升其能力 Cpk 0.67