エンジニアリングにおけるアクセシビリティ・サンプリングの統計的基礎

品質管理における統計的合理的な評価の不可欠

エンジニアリングのプロセスを高速化することで、生産ロットの受け入れや拒否の決定は、100%の検査に基づいていません。多くの試験のコスト、時間、破壊的な性質は、完全な検査の実用性を生じます。受容率は、統計理論で根ざした、定量的なリスクでこれらの決定を行うための規準的フレームワークを提供します。すべてのユニットを調べるよりも、エンジニアは、ランダムなサンプルを描画し、それをテストし、その結果、欠陥の検出回数に基づいて、または承認を許容する[FOR]を生産基準にするために、 [FOR] [F] および [FORF] QCF] のプロセスをクリアする。 [F] [F] [F] [F] [F] [F] QCF] [F] [F] [F] [F] [F] [F] プロセスは、プロセスは、プロセスは、プロセスは、 QCF] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F] [F]

コア統計的アンダーピニング

受容率サンプリングは、サンプル結果を人口特性にリンクするために確率論に依存しています。基本的な仮定は、サンプルがロットからランダムに描画され、生産プロセスは、代表者になるために十分な安定しているということです。関与する主要な統計分布は、分岐分布(パス/失敗などの属性データ)とPoisson分布(ユニットごとの欠陥に使用されます)です。これらの分布を理解すると、エンジニアは、特定のロットの欠陥数を観察する確率を計算することができます。

生産者のリスクと消費者のリスク

あらゆるサンプリングプランには、エラーの2種類が含まれています。 ]タイプIエラー、または])プロデューサーのリスク(α)は、実際に許容品質レベル(AQL)を満たしているロットを拒絶する確率です。これは、良い生産のためのサプライヤーに浸透します。 タイプIIエラー]は、実際に許容品質レベル(AQL)を満たしているか、または、または、その危険性を低減する[FLT]を許容する]と、または、または、その両方を[FLT]を[FLT]が、または[FLT]が、または[FLT]が、または[FLT]が、または[FLT]が、または[FLT]が、または[FLT]が、または[FLTFLTF]が、または[F]が、または、または[F]が、または[F]が、または、または[F]が、または[F]が、または[FLTF]が、または[FLTFLTF

動作特性(OC)曲線

OC曲線は、受入サンプリングにおいて最も重要なグラフィカルツールです。それは、ロットの真の分断欠陥(x軸)に対する多くの(y軸)を受け入れる確率をプロットします。理想的なOC曲線は、ステップ関数です。 AQLの下のすべてのロットを受け入れ、上記のすべてを除外します。実際には、曲線は滑らかなS字形です。曲線をスタイパーし、より差別化計画は、計画を計画します。 OCFは、さまざまなレベルの分析のために、単一のレベルの分析を[1]と[1]を1つの[1]に分けます。

見本抽出計画の設計

効果的な計画を設計するには、4つのパラメータを指定する必要があります。ロットサイズ(N)、サンプルサイズ(n)、受諾番号(c – サンプルの欠陥の最大許容数)、および拒絶数(r – 通常1つの計画のc +)。これらは、AQL、LTPD、α、およびβを満たすように選択されます。プロセスは、多くの場合、反復的な計算を含みます:試験nとcを選択し、OC曲線を計算し、その後、両方のリスクが公開されるまで調整します。

シングル、ダブル、シーケンシャルプラン

[単サンプリング]は最も簡単です:nのサイズの1サンプルを取ります。欠陥の≤ cの数は、受け入れます。それ以外の場合は拒否します。 [ダブルサンプリング[]]は、次の2番目のチャンスを提供します。欠陥のあるサンプルをn1に取ると、受け入れます。 > r1、拒否; c1とr1の間の場合、c2番目の欠陥が、多くの場合、c2番目の受諾を取除きます。

[]シーケンシャルサンプリング[はさらにさらに行きます:単位は一度に1つを検査されます。各ユニットの後、累積欠陥数は、上(reject)境界と下(accept)境界と比較しています。検査は1つの境界が交差するまで続きます。これは、特にロット品質が非常に良いか、非常に悪い場合、平均サンプルサイズの面で最も効率的な計画です。ANSIAS / Q Z1.4 Zlingは、複数のスキームと複数のスキームが含まれています。

右プランタイプを選ぶ

選択を影響する要因は、検査のコスト、試験の破壊的な性質、所望の速度、および管理の複雑さを含みます。単一計画は管理が容易ですが、より大きなサンプルを必要とする場合があります。二重および順次の計画は平均サンプルサイズを低下させるが、より複雑な決定ルールを必要とします。航空宇宙および医療機器製造では、テストが破壊的である場合、順次サンプリングは、破壊されたユニットの数を最小限に抑えることがよくあります。

アクセシビリティ・サンプリングにおける統計的分布

ビンオミアルモデル

大きいロット(典型的にN > 10n)からサンプリングし、属性欠陥(例えば、パス/失敗)のために点検するとき、大部分の分布モデルはサンプルの欠陥の数をモデル化します。 n項目のx欠陥を観察する確率は、多くの分断不良pを与えられた、P(x) = C(n、x) px(1-p)^(n-x)です。これらは、クラスを制限する量を想定しています。これらは、これらは、クラスを制限する量またはクラスを制限する量を制限する量を制限する。

レッスンのレッスン

欠陥率が低い(p < 0.1)とサンプルサイズが大きい場合、Poisson分布は近接を提供します。パラメータλ = n * p。これは計算を簡素化し、一般的に産業テーブルで使用されます。ロットを受け入れる確率は、0からcの欠陥に対するPoissonの確率の合計になります。 Poissonモデルは、欠陥ユニットではなく、ユニットごとの欠陥(非適合性)にも使用されます。

過熱測定の検討

小さなロットサイズ(例えば、N < 10n)の場合、有限の人口補正が重要になります。交換なしでサンプリングが著しく変化する確率を変化させることなく、過小数分布は、大幅な差異を伴わないため、大幅な分岐点の代わりに使用されます。このような場合、OC曲線は精巧であり、消費者のリスクは与えられた計画のために低下します。多くの基準は、小ロットサイズのための別表を提供します。

業界横断の実用化

自動車製造

受諾のサンプリングは、原材料とサブコンポーネントを着信するために使用されます。例えば、ティアワンサプライヤーは5000の出荷からブレーキパッドをサンプルすることができます。 n = 125とc = 3(AQL = 1.0%、LTPD = 5.0%)の単一の計画を使用して、サプライヤーは、ロットを受け入れるか、ベンダーに返還するかどうかを迅速に決定することができます。これは、アセンブリラインに入るの欠陥部品を防ぎ、再作業コストを削減します。自動車品質基準は、多くの場合、IFLの文書を要求します。

エレクトロニクス・半導体業界

電子では、すべてのコンポーネントをテストすることはコストと時間のために不可能です。サンプリングは、集積回路、抵抗器、コネクタに適用されます。欠陥率は非常に低い(百万分の部分)であるため、悪いロットを受け入れるのを避けるために、計画はしばしばゼロ受諾番号(c=0)を使用する。しかし、そのような計画は、サンプルサイズが大きい場合を除き、高い消費者のリスクを持っています。順次または二重サンプリングは、一般的にリスクのバランスをとるために使用されます。

医薬品・医療機器

FDA などの規制機関は、試験が破壊的である、生殖能力試験のためのサンプリング計画の厳密な検証を必要とします。それらは統計的自信を維持しながら、破壊されたユニットの数を最小限に抑えるため、シーケンシャル計画が優先されます。 OC 曲線は、計画が生産者のリスク要件と消費者のリスク要件の両方を満たしていることを確認するために検証する必要があります。

航空宇宙・防衛

MIL-STD-1916(現在、スーパーシードが使用されていましたが、まだ使用済み)は、政府の請負業者のための属性と可変サンプリング計画を提供します。焦点は、高い信頼性とトレーサビリティです。ダブルサンプリング計画は、高い差別を維持しながら、サンプルサイズを減らすために一般的です。エンジニアリングチームは、使用されるすべての計画のための統計正当を文書化しなければなりません。

属性を超えて: 変数サンプリング

属性サンプリング(欠陥/非欠陥)は、連続測定のために単純にしかし非効率的です。変数サンプリングは、実際の測定値(例えば、直径、引張強さ)を使用します。計画は通常、通常の分布を想定し、サンプル平均と標準偏差を使用して、ロットの欠陥率を推定します。変数は、測定が容易で、分布が理解されると、同じ差別電力のための小小小小小小小小のサンプルサイズを必要とします。 ANSI およびZ ANSI 規格規格規格規格規格規格規格規格は、および適合規格規格規格規格規格規格規格規格規格規格規格規格に準拠して、および適合規格規格規格規格規格規格の異なる規格の仕様の仕様を検証します。

一般的な落札と誤解

]サンプル結果を多くの品質で組み合わせる:[ 良いサンプルは、良いロットを保証するものではありません。常にサンプリングエラーがあります。 OC曲線は、このリスクを定量化します。
[] 適切な統計ベースなしでゼロ受容計画を使用する:[] 多くの人が、c=0の計画が「パーフェクト」であると仮定していますが、サンプルサイズが十分に大きい場合だけ、彼らは非常に小さな消費者のリスクを持っています。
[]プロデューサーのリスクを無視する:[]) 過度に厳しい計画は、サプライチェーンの混乱を引き起こし、多くの良いロットを拒否することができます。 AQLは現実的であるべきです。
[] 妥当な仮定なしで標準計画を適用:[[]ロット均質、ランダムサンプリング、およびプロセス安定性が検証されなければならない。クラスターされた欠陥は、binomialの仮定を無効にすることができます。
[]] 更新計画の失敗:[ プロセスが改善されると、同じ計画はあまりにも保守的になる可能性があります。定期的なレビューは不可欠です。

コンテンツ

受入サンプリングの統計基盤は、エンジニアに合理的、リスクベースの品質保証のためのメソッドを提供します。OC曲線、プロデューサーのリスク、消費者のリスクを理解し、適切なサンプリング計画タイプ、エンジニアリングチームは、コスト、効率、品質のバランスのとれた検査を設計することができます。属性または変数の計画を使用している場合でも、キーは、任意のルールではなく、厳しい統計的推論です。製造は、自動化とリアルタイムデータ、エンジニアリングチームは、これらの要件を満たすように、さらなるプロセスを継続します。[FAS]と品質を最適化するプロセスは、QCF(QCF)が、これらの要件を満たしています。