בהנדסה המודרנית, ניתוח מערכת מדידה (MSA) הוא אבן הפינה של בקרת איכות ושיפור תהליכים. Gauge Reability and Reproducibility (R&R) מחקרים הם הכלים העיקריים המשמשים כדי להעריך את הדיוק של מערכות מדידה. as Manufacturingסובלנות מתדקת ותהליכי ייצור גדלים יותר מורכבים, R& המסורתית; שיטות יכולות ליפול קצר.

הבנת Gauge R &R בהנדסה

(ג'וג R&R הוא גישה מובנית לכמת את הכדאיות שתרמה על ידי מערכת מדידה ביחס למגוון ההנחיות הנצפות בתהליך.TheFLT:0 ⁇ abilityFLT:1 בדרך כלל לוכד את הווריאציות כאשר אותו מפעיל מודד את אותו חלק פעמים באמצעות אותו מכשיר בתנאים זהים.

הגבלות של R& המסורתי;R Methods

ניתוח ההרחבה של האמנה R&R, המבוצע לעתים קרובות באמצעות שיטת טווח ממוצע וטווח או פשוט ANOVA, עושה כמה הנחות מפתח שעשויות לא להחזיק בסביבות הנדסיות מורכבות:

  • (FLT:0) נומאליות: ההרחבה הקלאסית של ANOVA מניחה שטעויות המדידה מופצות בדרך כלל.למעשה, נתוני מדידה עשויים להיות מזוקקים, יש זנבות כבדים, או לכלול חריגים בשל ללבוש gage, רעש סביבתי או אי דיוק.
  • (FLT:0 Homogeneity of variance:cioFLT:1) השחלות על פני מפעילי, חלקים, או ניסויים הוא מונח קבוע. בפועל, מפעילים מסוימים עשויים להיות פחות עקביים, או תכונות מסוימות עשויים להיות קשה יותר למדוד, המוביל לשחלות heterogeneous.
  • (FLT:0) שקיפות ועצמאות: שיטות מסורתיות מניחות יחסים ליניאריים בין ערכים חלקיים בפועל לבין ערכים נמדדים, וכי שגיאות מדידה הן עצמאיות. Drift in Measureleation או מתאם בין אמצעים חוזרים יכול להפר הנחה זו, בנפח R&R הערכות.
  • (FLT:0) טיפול מונע של מקורות מרובים של וריאציות: אנדרל 1 (IQREFLT:1), כאשר מערכת מדידה כוללת מכשירים מרובים, תיקונים או תנאים סביבתיים (למשל, טמפרטורה, לחות), R& המסורתית;R נאבק כדי להסביר את המקורות הנוספים האלה ללא תכנון מחקר מורכב יותר דרסטי.
  • (FLT:0) אין מנגנון לשילוב ידע קודם: מהנדסים 1 ; לעתים קרובות יש נתונים היסטוריים או שיפוט מומחה על ביצועי מערכת מדידה, אך שיטות R& מסורתיות הן רק מונעות נתונים ולא יכולות למנף את המידע הקודם.

מגבלות אלה נובעות לעיתים קרובות R&R מעריך כי או מזלזלות באמינות האמיתית (הופנה מהדף אמון כוזב) או להעריך אותה יתר (הפצה של מערכת מיותרת מעל למולות) טכניקות סטטיסטיות מתקדמות מטפלות בפערים אלה, ומספקות תובנות מדויקות יותר ופעולותיות.

טכניקות סטטיסטיות מתקדמות

השיטות המתקדמות הבאות הופיעו כדי להתגבר על החסרונות של ניתוח R& המסורתי;R. כל טכניקה מתאימה לתרחישים ספציפיים של מערכת מדידה ומאפיינים נתונים.

מודלים מעורבים

מודלים מעורבים-אפקטים (נקראים גם מודלים היררכיים או רב-דרגיים) מרחיבים את ANOVA הפשוטים על ידי טיפול במפעילים, חלקים, וגורמים אחרים כאפקטים אקראיים ולא אפקטים קבועים.זה מאפשר את הערכת רכיבי השחלות לכל מקור של variability, בעודם גם חשבונאי עבור דגמי RMPed או מחצויים פחות.

שיטות Bayesian

הסטטיסטיקה Bayesian מספקת מסגרת לעדכון אמונות על מערכת מדידה פנויות כמו איסוף נתונים.בניתוח Bayesian R &R, התפלגות לפני מוקצה רכיבי השחלות הלא ידועים (למשל, חלק לחלק אל חלק, חלק ל-part-part variance, gage sage variance) ניתן לעדכן על ידי נתונים היסטוריים של גאדג'טים דומים, מפרטים ספקים, או שיפוט הנדסי.

  • גודל הדגימה קטן, מה שהופך את ההערכות הקלאסיות לבלתי יציבות.
  • כמה מרכיבים של השחלות צפויים להיות ליד אפס (למשל, מפעיל עקבי ידוע).
  • מערכת המדידה היא חדשה ורק נתונים מוגבלים קיימים, אך יש לבצע החלטות.

Bayesian R &R יכול לייצר מרווחים אמינים (למשל, 95% ההסתברות כי הגאז האמיתי R & R אחוז הוא בטווח מסוים) ולא רק הערכות נקודה, המציע מידע עשיר יותר עבור החלטות המבוססות על סיכונים. גישות Bayesian גם לשלב באופן טבעי את חוסר ודאות ויכול להכיל התפלגות לא סטנדרטית (למשל, סטודנט-לא לניתוחים חזקים).

Multivariate Gauge R &R

כאשר מערכת מדידה מתאמצת מאפיינים מתואמות מרובים (למשל, ממדים של אותו חלק, או מספר מקרי קריאות חיישן), R&R מנתח על כל מאפיין בנפרד להתעלם מהתאם. Multivariate index R&R משתמש בניתוח רב-תחומי של קידוד (ManOVA) או ניתוח רכיב עיקרי כדי להעריך את יכולת מדידה בכל המאפיינים בו-זמנית זה יכול לזהות דפוסים כגון משקף מידה מסוימת של תכונות מדידה או מדידה).

שיטות לא-פרמטריות

כאשר הנתונים מציגים אי-נורמליות חמורה, חריגים, או בינוני / בינוניים / בינוניים, שיטות סטטיסטיות חזקות ניתן להשתמש.טכניקות אלה להפחית את ההשפעה של תצפיות קיצוניות. עבור R&R, חזק ANOVA (למשל, שימוש ב- M-estimators) או שיטות לא-פרמטריות (כגון מבחן קרוסקאל-וליס להשוואה של אפקט) יכול להיות מועסק אחד מעשי של שיטות בדיקה סטנדרטית של מדיה ואפקטים (למשל, לעומת שיטות מדידה), אך ורקמותרפיות) ואפקטים (שיטות קבועות) ואפקטים פחות קבועות (ממדמטיות) ואפקטים של שיטות מדידה (R) או שיטות מדידה לא-ממדמטיות (למשל, לעומת שיטות מדידה) או שיטות קבועות) או לא-מסוגיות (מסוגיות (ממדיקים) או לא-ממדיקים) או שיטות מדידה (ממדיקים) או שיטות מדידה חוזרות על ידי שימוש חוזרות (ממדמטיות) או לא-ממדמטיות (למשל, כאשר שיטות מדידה לא-מפרקרטיות) או לא-ממדיקים (למשל, כאשר הן פחות) הן פחות (למשל, לדוגמה, לדוגמה, לדוגמה, כאשר הן פחות זעזועים) או

Machine Learning Accesss

אלגוריתמים של מכונות (ML) יכולים ללכוד מערכות יחסים לא לינאריות ואינטראקציות מורכבות כי מודלים ליניאריים קלאסיים מתגעגעים.עבור ניתוח מערכת מדידה, ML טכניקות כגון יערות אקראיים, תמיכה במכונות וקטוריות, או רשתות עצביות ניתן לאמן כדי לחזות שגיאות מדידה בהתבסס על תכונות כמו ניסיון מפעיל, גיל המכשיר, טמפרטורה, חלק גיאומטריה, וזמן של יום.על ידי מודל מבנה השגיאה, אלגוריתמים אלה יכולים לזהות מקורות עדינים של שינויים כי הם תואמים באופן חריגים, בעוד שיטות פעולה סטנדרטיות (אך).

המונחים

צמצום טכניקות סטטיסטיות מתקדמות לגג'וג ר' &אמפ;R דורש תכנון זהיר והבנה מעמיקה של תהליך המדידה והשיטות הסטטיסטיות.

איכות נתונים ועיצוב מחקר

שיטות מתקדמות לא יכולות לפצות על נתונים עניים.עיצוב המחקר חייב עדיין לעקוב אחר עקרונות אקראיות, כוללים חלקים המקיפים את טווח הסובלנות המלא, ומעורבים מפעילים המייצגים את הייצור שגרתי.עבור אפקטים מעורבים ומודלים Bayesian, תכנון גודל הדגימה הופך קריטי - חלקים ומפעילים בדרך כלל לשפר את הערכות רכיב השחלות.עבור מחקרים רב-תחומיים, מספר מספיק של חלקים עם כל המאפיינים נמדדים הוא צורך להימנע מתועלת יתר.

תוכנה ומומחיות

(הטכניקות המתקדמות דורשות תוכנה מיוחדת מעבר לכלים ה-SPC המסורתיים.R (עם חבילות כמו FLT:0 (FLT:1, FLT:2), JMP, Minitab, ו-SAS כולם תומכים באפקטים מעורבים ו- Bayesian R &R. Implementing Bayesian ניתוח דורש מומחיות מסוימת; שיתוף פעולה עם סטטיסטיקאי או הכשרה ב-FLTs מומלץ גם עבור שיטות הפעלה של DIronic.

אימות ומודל בדיקת

לאחר התאמה לכל מודל מתקדם, יש לבצע אבחון שאריות.עבור מודלים של אפקטים מעורבים, לבחון את העלילה Q-Q של שאריות, לבדוק את ההומוסטסטיות על פני קבוצות, ולהאשר כי ההשפעות אקראיות משוערות הפצה נורמלית.עבור מודלים בייסינזיים, להעריך MCMC התכנסות באמצעות מעדשות ואת הסטטיסטיקה גלמן-רובין להיכשל כדי לאמת את R& מסקנות.

שילוב עם מערכות איכות קיימות

תוצאות R& מתקדמות צריכות להאכיל במערכת ניהול האיכות הרחבה יותר.חברות רבות יש נהלים סטנדרטיים של MSA; הצגת שיטות מתקדמות עשויה לדרוש עדכון הליכים אלה, אנשי הדרכה, ותיעוד זרמי עבודה חדשים.

יישומים אמיתיים

המונחים: space Component Inspection

יצרנית חלל המשמשת את Bayesian R &R כדי להעריך מערכת חדשה לייזר לייזר עבור בדיקת פרופילים פני פני השטח של טורבינות.קלאסי ANOVA הראה קו הגבול R &R ערכים ליד 30%, אבל הדגימה הייתה מוגבלת (רק 10 להבים, 2 מפעילי מפרץ ניתוח מודגש עם מידע חלש על רכיבי השחלות התשואות התפלגות מהירה עם מרווח אמין של 90%-4%) כדי להפחית את רמת הדיוק של השימוש של Rampture 25%-R.

גלולות מעקב

חברת תרופות מיושמת מחקר רב-תחומי של R&R עבור מערכת בדיקת משקל אשר מדדה במקביל משקל טבליות, עובי, קשיחות. Univariate R &R על כל תכונה הראה מדדים אישיים מקובלים, אבל ניתוח רב-תחומי גילה כי אותו מפעיל תחת בדיקה עקבית של כל שלוש התכונות על הרבה - תוך מתן סיבה נפוצה לטיפול בטכניקה מתוקנת על הפעולה של כל אחת משלושת התרגילים, אשר שיפרה באופן עקבי, אשר לא הצליח לשפר את כל ניתוח זהה.

סרט הקולנוע של הרכב

קו ציור רכב השתמש באפקטים מעורבים מודלים כדי להפריד בין variability מ מפעילי, אמצעי מדידה, תנאים סביבתיים (temperature, לחות) המודל הראה כי לחות תרם כמעט כמו הבדלי ממריצים עד ל-operator. על ידי שליטה לחות במעבדה המדידה, החברה הפחיתה את מדד R& הכולל; R מ 22% עד 12% ללא שינוי חומרה.זה היה בלתי אפשרי עם Ramp & R; בהנחה שגיאות עצמאיות.

היתרונות של טכניקות סטטיסטיות מתקדמות

שימוש בשיטות אלה מניב יתרונות מרובים, מוחשיים:

  • (FLT:0) ליתר דיוק של השחלות: ibph:1) מודלים מעורבים ו Bayesian לספק הערכות לא מובנות של כל מקור וריאציות, גם עם נתונים לא מאוזנים או גדלים מדגם קטן, המוביל ליתר דיוק R& R אחוזים.
  • (FLT:0) מחיקת מערכות יחסים לא לינאריות מורכבות: ⁇ FLT 1 Machine Learning and Multivariate ניתוחים ללכוד אינטראקציות ולא לינאריות שאנתרופוסופים מסורתיים מתייחסים לרעש לא מדגמים, שיפור יכולת אבחון.
  • (ב) [ה]ההתעבה [ה] [ה] [ה] [ה]] [ה]]]] [ה]]] [ה]]] [ההה]]]]] [הההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההההה] [ההההה] [ההה] [ה] [ההההה] [ה] [ה] [ההההה] [הההה]]] [ה]]]] [ההההה]] [ההההה
  • (FLT:0) אי הוודאות המודעת: 1FLT:1 Bayesian אמין המרווחים מספקים תמונה ברורה של האמון ב-R&R מעריך, תמיכה בקבלת החלטות המבוססת על סיכון.
  • (FLT:0) התובנה של מערכת ההולוציונית:FLT:1ibd) גישות רב-אפקטים מעורבבות משלבות מקורות מרובים של וריאציות בו-זמנית, המציעות תצוגה שמתאימה למורכבות הייצור האמיתי.
  • (FLT:0) החלטות תהליך מוכחות: FLT:1 עם הערכה מדויקת יותר של R&R, מהנדסים יכולים להבדיל בביטחון בין בעיות מערכת מדידה וריאציות תהליכים, המוביל לשיפורים ממוקדים ופחות אזעקה כוזבת.

מסקנה

מאחר שמערכות מדידה הנדסיות הופכות ליותר מתוחכמות והייצור דורשות אי-וודאויות הדוקות יותר, המבוססות אך ורק על ניתוח מסורתי של Gauge R& שיטות R יכולות להשאיר צוותים עם תובנות לא שלמות או אפילו לא נכונות.טכניקות סטטיסטיות מתקדמות - מודלים של אפקטים מעורבים, שיטות Bayesian, ניתוח רב-לשוני, גישה חזקה / לא-לא-פרמטרית, ולמידה - מהנדסים כוח-מספקי-מספקי-מספקי-ממדנים כדי להפיק מידע סטטיסטי עמוק יותר מהנתונים שלהם על ידי השקעה במומחיות, באמצעות תוכנה, באמצעות תוכנה, ורק על ידי תוכנה מתקדמת, הוא יעיל יותר, ומומחיות, כלומר, הוא יעיל יותר, יעיל יותר, כלומר, יעיל יותר, יעיל יותר, יעיל יותר, פיתוח, יעיל יותר, יעיל יותר, יעיל יותר, פיתוח יעיל יותר, יעיל יותר, פיתוח יעיל יותר, פיתוח יעיל יותר, פיתוח יעיל יותר, פיתוח יעיל יותר, פיתוח יעיל יותר, מודלים של שיטות למידה, יעיל יותר, מודלים של שיטות למידה, יעיל יותר, יעיל יותר, מודלים של שיטות בקרה, יעיל יותר, יעיל יותר, מודלים של שיטות למידה, יעיל יותר, יעיל יותר, מודלים של שיטות למידה, הוא יעיל יותר, יעיל יותר, יעיל יותר, פיתוח יעיל יותר,