测量系统分析(MSA)实战培训ppt
- 2026-10-25 12:55:07
测量系统分析(MSA)实战培训ppt测量系统基础 一、MSA分析的对象 我们要明确MSA分析的对象是什么。MSA不是分析产品本身，而是分析测量系统——包括用来测量的仪器、操作人员、测量方法、环境条件等所有影响测量结果的因素。 二、测量系统分析的目的 MSA的核心目的，是确定所使用的数据是否可靠。具体来说，MSA还可以帮助我们： 三、核心术语 在深入学习之前，我们需要统一几个核心术语： 测量： 定义为赋值（或数）给具体事物，以表示它们之间关于特定特性的关系。这个定义由美国标准局（NBS）的C. Eisenhart于1963年首次提出。赋值过程定义为测量过程，而赋予的值定义为测量值。 量具： 任何用来获得测量结果的装置，经常用来特指用在车间的装置，包括通过/不通过装置。 测量系统： 是用来对被测特性定量测量或定性评价的仪器或量具、标准、操作、方法、夹具、软件、人员、环境和假设的集合。简单来说，测量系统就是用来获得测量结果的整个过程。 四、测量过程模型 测量过程可以用一个模型来表示：SWIPE模型。 S——Standard（标准）： 测量所依据的基准。 W——Workpiece（零件）： 被测量的对象。 I——Instrument（仪器）： 测量使用的设备。 P——Person/Procedure（人员/程序）： 操作人员和操作规程。 E——Environment（环境）： 测量所处的环境条件。 这五个要素共同构成了测量系统，任何一个要素出问题，都会影响测量结果的质量。 核心洞察： 如果测量的方式不对，那么好的结果可能被测为坏的结果，坏的结果也可能被测为好的结果。此时，我们便不能得到真正的产品或过程特性。测量系统的输出，可能是"可接受"、"可能可接受"或"需改善"。 五、测量数据的质量 数据的质量，取决于从处于稳定条件下进行操作的测量系统中，多次测量的统计特性。 数据质量最通用的统计特性有两个： 准确度（Accuracy），也称偏倚（Bias）： 指测量实际值与工件真值之间的差异，是指数据相对基准值的位置。 精密度（Precision），也称变差（Variation）： 指利用同一量具，重复测量相同工件同一质量特性，所得数据的变异性，是指数据的分布。 用图形来表示：准确度关注位置（Location），精密度关注宽度（Width）。 六、低质量数据的原因和影响 低质量数据的普遍原因之一，是变差太大。一组数据中的变差，多是由于测量系统及其环境的相互作用造成的。 如果相互作用产生的变差过大，那么数据的质量会太低，从而造成测量数据无法利用。例如：具有较大变差的测量系统，可能不适合用于分析制造过程，因为测量系统的变差可能掩盖制造过程的变差。 你看到的变差，可能不是产品真的变差了，而是测量系统本身在"抖动"。 七、测量过程的控制 为了有效地控制任何过程变差，我们需要了解四个问题： 过程应该做什么？ 规范和工程要求规定过程应该做什么。 什么能导致错误？ 过程失效模式及后果分析（PFMEA）是用来确定与潜在过程失效相关的风险，并在这些失效出现前提出纠正措施。PFMEA的结果转移至控制计划。 过程在做什么？ 通过评价过程结果或参数，可以获得过程正在做什么的知识。这种活动通常称为检验。 确定或否认过程是以稳定的方式操作并符合顾客规定的目标。 这种检查行为本身就是过程。 八、测量系统的统计特性 一个合格的测量系统，应该具备以下统计特性： 第一，足够的分辨率和灵敏度。 能够识别出零件之间的差异。 第二，是统计受控制的。 测量系统本身稳定，没有特殊原因引起的变差。 第三，产品控制时，变异性小于公差。 测量误差相对于公差范围足够小。 第四，过程控制时，显示有效的分辨率，变异性小于制造过程变差。 测量误差相对于过程变差足够小。 九、测量分辨率 测量分辨率，描述了测量仪器分辨两个部件的测量值之间差异的能力。 分辨率（也称分辨力、可读性、分辨率）： 别名是最小的读数单位、测量分辨率、刻度限度或探测度，为测量仪器能够读取的最小测量单位。 有效分辨率的要求： 要求不低于过程变差或允许偏差（Tolerance）的十分之一。 零件之间的差异必须大于最小测量刻度。极差控制图可显示分辨率是否足够——看控制限内有多少个数据分级。 不同数据分级（ndc）的计算公式： ndc = (零件的标准偏差 / 总的量具偏差) × 1.41。一般要求它大于4才可接受。 十、敏感度（Sensitivity） 敏感度是指能产生一个可检测到（有用的）输出信号的最小输入。它是测量系统对被测特性变化的回应。 敏感度由量具设计（分辨力）、固有质量（OEM）、使用中保养，以及仪器操作条件和标准来确定。它通常被表示为一个测量单位。 测量系统统计特性 一、数据变差的来源 测量系统的变差来源非常复杂，涉及多个维度： 工作件（零件）： 隐藏的几何、一致性、变异性、接触几何、定义、可追溯性、单一性。 仪器（量具）： 振动、维护、校准、稳定性、热的系统、弹性变形、弹性特性。 人员： 经验、理解、技能、工作态度、培训、人因工程、身体限制。 程序： 工作规定、预防性维护、程序、标准。 环境： 空气流程、温度、热扩散系数、阳光、人工光照、空气污染、清洁。 标准： 创建公差、标准与环境的关系。 系统构成要素： 几何的兼容性、周期、稳健设计、相互关联的特性。 这些要素相互作用，共同构成了测量系统的总变差。 二、测量系统的五大统计特性 测量系统有五大核心统计特性，我们需要逐一掌握： 1. 偏倚（Bias） 偏倚是测量结果的观测平均值与基准值的差值。真值的取得，可以通过采用更高等级的测量设备进行多次测量，取其平均值。 造成过份偏倚的可能原因包括： 标准或基准值误差、仪器磨损、仪器校准不当、仪器质量差、错误的测量方法、环境条件影响、操作人员技能不足等。 2. 重复性（Repeatability） 重复性指由同一个操作人员用同一种量具，经多次测量同一个零件的同一特性时获得的测量值变差。记住四个"同"：同一个操作者、同一种量具、同一个零件、同一个特性。 重复性不好的可能原因： 零件内部变差、仪器内部变差（如轴承磨损）、夹具不稳定、测量方法不一致、环境波动等。 3. 再现性（Reproducibility） 再现性是由不同操作人员，采用相同的测量仪器，测量同一零件的同一特性时，测量平均值的变差。记住"三同一异"：同一个零件、同一个特性、同一种量具，不同的操作者。 再现性不好的可能潜在原因： 操作人员培训不足、测量方法理解不一致、仪器校准不一致、夹具使用方法不同、环境条件变化等。 4. 线性（Linearity） 线性是在量具正常工作量程内的偏倚变化量。它是多个独立的偏倚误差在量具工作量程内的关系，是测量系统的系统误差构成。 简单来说，线性就是：测量系统在不同量程范围内，偏倚是否保持一致。 如果偏倚随着量程变化而变化，说明线性不好。 线性误差的可能原因： 量具设计问题、校准不当、磨损不均匀、弹性变形等。 5. 稳定性（Stability） 稳定性是测量系统在某持续时间内，测量同一基准或零件的单一特性时，获得的测量值总变差。 不稳定的可能原因： 仪器磨损、校准漂移、环境变化、操作人员变动、维护不足等。 三、理想的测量系统 理想的测量系统应该具备什么特性？ 零偏倚： 测量平均值等于真值。 零变差： 重复测量结果完全一致。 线性完美： 在全量程范围内偏倚恒定。 长期稳定： 测量结果不随时间漂移。 当然，现实中不存在完美的测量系统，但我们要朝着这个方向努力，确保测量系统的误差在可接受的范围内。 四、测量系统应有的特性总结 一个可接受的测量系统，其偏倚、重复性、再现性、线性应该在可接受范围内，稳定性得到验证。 测量系统变异性影响 一、测量系统变异性的影响 测量系统的变异性，会对我们的决策产生重大影响。从图中我们可以看到： 过程变差观测值 = 实际过程变差 + 测量误差 其中，测量误差又包括重复性（量具变差）和再现性（操作员造成的变差），以及线性、稳定性、偏倚等因素。 "重复性"和"再现性"是测量误差的主要来源。 二、对产品决策的影响 测量系统误差与公差交叉时，会产生两种错误： I型错误——生产者风险（误发警报）： 好零件有时会被判为"坏"的。这会导致不必要的返工、报废，增加成本。 II型错误——消费者风险（漏发警报）： 坏零件有时会被判为"好"的。这会导致不合格品流出，影响客户满意度。 在LSL（下规格限）和USL（上规格限）之间，存在一个"混淆区域"（Confused Area）。在这个区域内，由于测量误差的存在，我们无法准确判断零件是好是坏。 产品状况判定的目标： 最大限度地做出正确决定。有两种选择： 这样就可以最小限度地降低做出错误决定的风险。 三、对过程决策的影响 测量系统变异性还可能影响过程决策： 普通原因报告为特殊原因： 测量系统波动导致误判，以为过程失控，实际过程稳定。 特殊原因报告为普通原因： 测量系统掩盖了真实的过程波动，以为过程稳定，实际已经失控。 测量系统变异性可能影响过程的稳定性、目标以及变差的决定。 四、新过程的接受 在新过程导入时，如机加工、制造、冲压、材料处理、热处理，或采购总成时，作为采购活动的一部分，经常要完成一系列步骤： 供应商处对设备的研究，以及随后在顾客处对设备的研究。 关键风险： 如果生产用量具不具备资格却被使用，如果不知道是仪器问题，而在寻找制程问题，就会白费努力。这就是为什么新过程导入时必须进行MSA。 测量系统分析 一、MSA分析方法的分类 MSA分析方法分为三大类： 计量型（Variable Data）： 计数型（Attribute Data）： 破坏型（Destructive Testing）： 特殊方法，因为样品被破坏，无法重复测量。 二、稳定性分析 稳定性分析的执行步骤： 第一步：获取一样本并确定其相对于可追溯标准的基准值。 第二步：定期（天、周）测量标准样本3到5次。样本容量和频率应该基于对测量系统的了解。 第三步：将数据按时间顺序画在X-R或X-S控制图上。 第四步：建立控制限并用标准化控制图分析评价失控或不稳定状态。 结果分析——作图法： 观察控制图是否有点超出控制限，或出现非随机模式。 结果分析——数据法： 计算统计量，判断稳定性。 详细执行流程： 控制图判读： 计算每一组的平均值和R值。 计算平均值的平均值和R的平均值。 计算控制界限：平均值图——Xbarbar ± A2Rbar；R值图——D4Rbar、Rbar、D3Rbar。 划出控制界限，将点子绘上。 先检查R图，以判定重复性是否稳定。 再看Xbar图，以判定偏移是否稳定。 若控制图稳定，可以利用Xbarbar - 标准值，进行偏差检定，看是否有偏差。 若控制图稳定，利用Rbar/d2来了解仪器的重复性。 异常判定： R图失控：表明不稳定的重复性，可能什么东西松动、阻塞、变化等。 X-BAR失控：表明测量系统不再正确测量，可能磨损，可能需重新校准。 三、偏倚（BIAS）分析 偏倚分析的执行步骤： 偏倚计算实例： 同一操作者对同一工件测量10次，数据如下： X1=0.75mm, X2=0.75mm, X3=0.8mm, X4=0.8mm, X5=0.65mm X6=0.8mm, X7=0.75mm, X8=0.75mm, X9=0.75mm, X10=0.7mm 平均值 = 0.75 如果参考标准是0.80mm，过程变差为0.70mm Bias = 0.75 - 0.8 = -0.05 % Bias = 100 × (0.05 / 0.70) = 7.1% 表明7.1%的过程变差是偏倚造成的。 偏倚判断标准： 偏倚也可以与过程的容差相比较。 判断准确度的简单标准为：小于过程变差或容差的1%，可认为是精确的；大于过程变差或容差的1%，则需要研究和调整测量系统，或者临时用补偿值来修正以后的测量值。 偏倚的研究还可以通过作图的方式来进行，即作出直方图，然后根据经验判断是否可以接受。 偏倚的研究还可以通过计算置信区间来判断是否可以接受。 四、线性（Linearity）分析 线性比较良好的情况： 在测量范围全领域具有常数倍数的偏倚。虽有偏倚，但是因为大小一定，所以可以容易调整。 在测量范围全领域，基准值和测量平均值一致，没有偏倚，正确地测量。 线性不好的情况： 测量范围全领域偏倚（正确度）不一定，无法矫正。 线性和偏倚判定基准： 利用Minitab分析线性：测量系统的操作范围内抽样5个部品进行精密的测试之后计算，要反复12次。 Minitab分析结果解读： StdDev（标准差）、Study Var（研究变差）、%Study Var（研究变差占比） Total Gage R&R（总测量系统变差）、Repeatability（重复性）、Part-to-Part（零件间变差）、Total Variation（总变差） Linearity是总制程变异量的百分比，如果百分比小，说明线性良好；如果百分比大，说明线性较差，需要改善。 Bias百分比，如果小，说明偏倚良好。 线性的计算方法： 回归模型：y = a + bx 其中y是偏倚，x是基准值，b是倾斜度。 Linearity = |倾斜度| × Process Variation %Linearity = |倾斜度| × 100 %Linearity值如果接近"0"，可以判定线性比较好。 线性差时需要考虑的事项： 五、快速GR&R（极差法/短期模式） 极差法计算步骤： 实例： 平均范围 = (2+1+1+2+1) / 5 = 7 / 5 = 1.4 允差Tolerance = 20 量具误差 = 5.15 × 1.4 / 1.19 = 4.33 × 1.4 = 6.1 % Gage R&R = 6.1 / 20 × 100% = 30.5% d2常数表： 根据子组内样本数查表获取。 短期与长期方法的比较： 短期模式：用生产设备、生产操作员，快速只需几个样品（约5个），无反复，估计总变差，不能区分AV和EV，不能指导改进方向，可用于破坏性测试。 长期模式：用生产设备、生产操作员，较多样品（大于5个），要求反复（约3次），估计总变差，可以区分AV和EV，为测量系统改进提供指导。 六、计量型数据的均值-极差法 均值-极差法执行步骤： 选择三个测量人（A、B、C）和10个测量样品。测量人应有代表性，代表常从事此项测量工作的QC人员或生产线人员。10个样品应在过程中随机抽取，可代表整个过程的变差，否则会严重影响研究结果。 校准量具。 测量，让三个测量人对10个样品的某项特性进行测试，每个样品每人测量三次，将数据填入表中。 试验时遵循以下原则： 盲测原则1： 对10个样品编号，每个人测完第一轮后，由其他人对这10个样品进行随机的重新编号后再测，避免主观偏向。 盲测原则2： 三个人之间都互相不知道其他人的测量结果。 计算： 计算A对每个样品三次测试结果的均值和极差。 计算A测的所有样品的总平均值。 总平均值的均值Xa与极差的Ra。 同理计算B和C的数据。 计算零件平均数。 计算Rbar（平均极差）。 计算Xdiff（最大均值差）。 计算UCLR和LCLR。 示范数据： 喷嘴封口内径大小：33.0 ± 0.5mm 评估人员：张三、李四、王五 搜集数量：10个 GR&R数据搜集表： 详细记录每个操作员对每个零件每次测量的数据。 量具再现性及再生性数据表： 整理计算各操作员的平均值、极差、零件平均数等。 量具重复性及再现性报告： 重复性——设备变异（EV）：公式 EV = Rbar × K1 再现性——操作者变异（AV）：公式 AV = √[(Xdiff × K2)² - (EV² / (n × r))] *AV计算中，如根号下出现负值，AV取值0。 全变异（TV）：公式 TV = √(GRR² + PV²) 零件变异（PV）：公式 PV = Rp × K3 判断原则： ndc（可区分的类别数）： ndc = 1.41 × (PV / GRR)，一般要求大于5。 七、量测系统分析——计数值 Go-No Go数据模式： 人为因素主导，情况复杂。 对于以"是"和"不是"为计数基础的定性数据，其GR&R考察的概念是与定量数据一样的，但方法上完全不同。 定性数据测量系统的能力，取决于操作员判断的有效性，即将"合格"判断成合格、将"不合格"判断成不合格的程度。 判断所用的指标： 1. 有效性（Effectiveness, E）： 即判断"合格"与"不合格"的准确性。 E = 实际判断正确的次数 / 可能判断正确的机会次数。 2. 漏判的几率（Probability of miss, P-miss）： 将"不合格"判为合格的机会。 P(miss) = 实际漏判的次数 / 漏判的总机会数。 3. 误判的几率（Probability of false alarm, P-FA）： 将"合格"判为不合格的机会。 P(false alarm) = 实际误判次数 / 误判的总机会数。 4. 偏倚（Bias, B）： 指漏判或误判的偏向。 B = P(false alarm) / P(miss) B = 1：无偏倚 B > 1：偏向误判 B < 1：偏向漏判 示范案例： 外观检验量测分析，两个人（小宝、志明），15个样本，重复两次。 Minitab分析结果： Within Appraiser（重复性/自身一致性）： 小宝：15个样品，15个一致，100%（95%置信区间：81.9%到100%） 志明：15个样品，14个一致，93.3%（95%置信区间：68.1%到99.8%） Each Appraiser vs Standard（准确性/与标准比较）： 小宝：15个样品，14个匹配，93.3% 志明：15个样品，12个匹配，80.0% Assessment Disagreement（不一致分析）： 漏判次数、误判次数、混合次数（同一操作员多次测量结果不一致）。 Between Appraisers（再现性/操作员之间一致性）： 15个样品，11个所有操作员一致，73.3%（95%置信区间：44.9%到92.2%） All Appraisers vs Standard（所有操作员与标准比较）： 15个样品，11个匹配，73.3% Kappa量测能力评价指标： Kappa是评价操作员之间一致性的指标。 判断基准： 注意： 上面的判断基准根据Project的目标有可能变更。例如，不良率0.1%改善到0.001%的课题，检出率必须为100%。满足指数40%改善到60%的课题，如果检出率是70%以上就可以被选择。基本上，达不到100%时，必须调查其原因。 Kappa计算： Pobserved = 对角线上概率的总和 Pchance = 每个分类概率乘积的总和 Kappa = (Pobserved - Pchance) / (1 - Pchance) Kappa的解释： Kappa Rater A = 操作员A的自身一致性 Kappa Rater B = 操作员B的自身一致性 Kappa Between Raters = 操作员之间的一致性 计数型GR&R的留意事项： 样品应选定代表Process的样品。 任意选定25个样品时，以下能成为向导： 差劲的属性测量系统，几乎总是可以归咎于差劲的操作定义。 操作定义不清，操作员就无法准确判断。 数据类型： 常态（Nominal）：包含不具有排序基础或可以分别出量的差别的数字。例如：部门A、B、C；机器1、2、3；运输类型：船、火车、飞机。 顺序（Ordinal）：包含可以分等级的数字，但是不能根据该标度推断出数字之间差别。例如：产品性能——优秀、很好、好、一般、差；品尝试验——味淡、辣、很辣、辣得难受；客户调查——强烈满意、满意、不满意、强烈不满意。 八、附录：控制图系数表 MSA分析中常用的控制图系数：
01
评估新的测量仪器，判断其是否适合投入使用；
将两种不同的测量方法进行比较，选择更优方案；
对可能存在问题的测量方法进行评估，找出问题根源；
确定并解决测量系统误差问题，提升数据质量。
02
03
改进生产区域：减少过程变差，没有零件产生在II区（混淆区域）。
改进测量系统：减少测量系统误差，从而减小II区域的面积。
04
重复性分析、再现性分析
稳定性分析、偏倚分析
线性分析
变异分析：极差法、均值极差法（包括控制图法）、ANOVA法（方差分析法）
小样法、大样法
风险分析、信号分析
变异分析、位置分析
稳定性分析、偏倚分析
决定要分析的测量系统。 选取一标准样本，取参考值。针对样本使用更高精密度等级的仪器进行精密测量十次，加以平均，作为参考值。 请现场测量人员连续测量25组数据，每次测量2到5次。 输入数据到Excel，Xbar-R表格中。 计算控制界限，并用图判定是否稳定。 后续持续点图、判图。 保留记录。
决定要分析的测量系统。 抽取样本，取参考值。 请现场测量人员测量15次。 输入数据到Excel表格中。 计算t值，并判定是否合格，是否要加补正值。 保留记录。
调查量具测量范围中上部或下部的刻度是否合适。
检验基准值是否正确。
检验测量位置是否正确。
检验测量者是否正确地使用了仪器。
检验量具磨损与否。
检验量具校准与否。
调查量具本身内部设计问题。
电子式的话，在测量全范围进行再校准。
机械式的话，在测量范围中以经常使用的范围为中心进行校准后，不允许在其他范围使用。
选取2个操作员，5个零件。 每个操作员对每个零件测量一次。 计算极差R = 最大值 - 最小值。 平均范围 = 各零件极差的平均值。 量具误差 = 5.15 × Rbar / d2 % Gage R&R = 量具误差 / 允差 × 100%
%GRR数值小于10%：表示该量具系统可接受。
%GRR数值在10%到30%之间：表示该量具系统可接受或不接受，决定于该量具系统之重要性、修理所需之费用等因素。
%GRR数值大于30%：表示该量具系统不能接受，须予以改进。
良好：90%以上
考虑：70%到90%
不足：70%以下
很难区分良/不良的样品：20%到30%
不易区分良/不良的样品：30%到40%
比较容易区分良/不良的样品：30%到40%
很容易区分良/不良的样品：0%到20%
本文来自网友投稿或网络内容，如有侵犯您的权益请联系我们删除，联系邮箱：wyl860211@qq.com 。
