Передовые статистические методы для повышения точности калибровки R & R в инженерии

В современной технике анализ измерительной системы (MSA) является краеугольным камнем контроля качества и улучшения процессов. Исследования повторяемости и воспроизводимости (R &R) являются основными инструментами, используемыми для оценки точности систем измерения. По мере того, как производственные допуски ужесточаются, а производственные процессы становятся более сложными, традиционные методы R &R могут отставать. Передовые статистические методы предлагают путь к более точным, надежным и проницательным оценкам R &R, позволяя инженерам принимать более правильные решения о возможностях системы измерения и качестве данных. В этой статье рассматриваются эти передовые методы, их реализация и ощутимые преимущества, которые они обеспечивают.

Понимание Gauge R&R в инженерии

Gauge R&R представляет собой структурированный подход к количественной оценке изменчивости, вносимой системой измерений относительно общего наблюдаемого изменения в процессе.повторяемость компонент захватывает вариацию, когда один и тот же оператор измеряет одну и ту же часть несколько раз при использовании одного и того же устройства в одинаковых условиях. Воспроизводимость фиксирует вариацию, вносимую различными операторами, факторами окружающей среды или сдвигами, которые происходят между сеансами измерения. Типичное исследование R&R включает в себя несколько операторов, измеряющих набор частей (расширяющий диапазон процесса) в рандомизированной последовательности в нескольких испытаниях. Полученные данные анализируются с использованием анализа вариации (ANOVA) на разделение общего изменения на компоненты взаимодействия части к части, оператора и оператора по частям. Затем показатель R&R процент сравнивается с отраслевыми руководящими принципами: менее 10% приемлемо, 10-30% может быть приемлемым в зависимости от приложения, и более 30% обычно считается неприемлемым. Хотя эта структура является

Ограничения традиционных методов R&R

Обычный R&R анализ, часто выполняемый с использованием метода Average and Range или простого ANOVA, делает несколько ключевых предположений, которые могут не выполняться в сложных инженерных средах:

• Нормальность: Классическая ANOVA предполагает, что ошибки измерения обычно распределены.В действительности данные измерений могут быть искажены, иметь тяжелые хвосты или включать выбросы из-за износа зубчатой кости, шума окружающей среды или частичного несоответствия.
• Гомогенность дисперсии: Разница между операторами, частями или испытаниями предполагается постоянной.На практике некоторые операторы могут быть менее последовательными, или некоторые особенности частей могут быть более трудными для измерения, что приводит к разнородной дисперсии.
• Линейность и независимость: Традиционные методы предполагают линейные отношения между фактическими значениями деталей и измеренными значениями, и что ошибки измерения независимы.Дрифт в калибровке измерительного прибора или корреляция между повторными измерениями может нарушать это предположение, раздувая оценки R&R.
• Ограниченная обработка нескольких источников вариации: Когда система измерения включает в себя несколько устройств, приспособлений или условий окружающей среды (например, температуру, влажность), традиционная R&R изо всех сил пытается объяснить эти дополнительные источники без значительно более сложной конструкции исследования.
• Никакой механизм для включения предшествующих знаний: Инженеры часто имеют исторические данные или экспертное суждение о производительности системы измерения, но традиционные методы R&R являются чисто данными и не могут использовать эту предыдущую информацию.

Эти ограничения часто приводят к оценкам R&R, которые либо недооценивают истинную изменчивость (что приводит к ложной уверенности), либо переоценивают ее (что способствует ненужным пересмотрам системы).

Передовые статистические методы

Для преодоления недостатков традиционного анализа R&R были разработаны следующие передовые методы. Каждая методика подходит для конкретных сценариев системы измерений и характеристик данных.

Смешанные модели эффектов

Модели со смешанными эффектами (также называемые иерархическими или многоуровневыми моделями) расширяют простую ANOVA, рассматривая операторов, части и другие факторы как случайные эффекты, а не фиксированные эффекты. Это позволяет оценивать компоненты дисперсии для каждого источника изменчивости, а также учитывать вложенные или скрещенные экспериментальные конструкции. Например, в исследовании, где каждый оператор измеряет каждую часть, оператор и часть пересекаются случайные эффекты. Модели со смешанными эффектами могут обрабатывать несбалансированные данные (например, когда оператор пропускает измерение) и могут включать дополнительные фиксированные эффекты, такие как тип устройства, сдвиг или температура. Полученные оценки компонентов дисперсии являются более надежными и менее предвзятыми, когда предположения о нормальности и однородности умеренно нарушаются. Многие статистические пакеты программного обеспечения (R, JMP, Minitab, SAS) поддерживают подгонку моделей со смешанными эффектами для данных R & Amp; R.

Байесовские методы

Байесовская статистика обеспечивает основу для обновления убеждений о изменчивости системы измерений по мере накопления данных. В байесовском анализе R&R предварительные распределения назначаются неизвестным компонентам дисперсии (например, дисперсия от части к части, дисперсия гейга). Эти априорные данные могут быть проинформированы историческими данными из аналогичных гейгов, спецификаций поставщика или инженерного суждения. Марковская выборка цепи Монте-Карло (MCMC) используется для моделирования заднего распределения метрик R&R. Байесовские методы особенно ценны, когда:

• Размер выборки невелик, что делает классические оценки нестабильными.
• Некоторые компоненты дисперсии, как ожидается, будут близки к нулю (например, известный последовательный оператор).
• Система измерений является новой, и данные существуют лишь в ограниченном объеме, однако решения должны приниматься.

Байесовские R&R могут создавать достоверные интервалы (например, 95% вероятность того, что истинный процент R&R находится в определенном диапазоне), а не просто точечные оценки, предлагая более богатую информацию для решений, основанных на риске. Байесовские подходы также естественным образом включают неопределенность модели и могут вместить нестандартные распределения (например, Student-t для надежного анализа).

Многомерный Gauge R&R

Когда измерительная система выводит несколько коррелированных характеристик (например, размеры одной и той же части или показания нескольких датчиков), одномерные R&R анализы по каждой характеристике отдельно игнорируют корреляции. Многомерный калибр R&R использует многомерный анализ дисперсии (MANOVA) или анализ основных компонентов для оценки возможностей системы измерения по всем характеристикам одновременно. Этот подход может обнаруживать шаблоны, такие как оператор, последовательно меняющий весь профиль измерения или дрейф зазора, который смещает несколько выходов в одном направлении. Полученные многомерные R&R метрики (например, многомерная повторяемость и воспроизводимость) обеспечивают глобальную оценку адекватности системы измерения. Например, в координатных измерительных машинах (CMMs), которые измеряют несколько признаков, многомерные R&R могут выявить, является ли общая вариация системы приемлемой, даже если индивидуальные значения R&R различаются.

Надежные и непараметрические методы

Когда данные демонстрируют серьезную ненормальность, выбросы или порядковые / ранжированные измерения, могут использоваться надежные статистические методы. Для R & R можно использовать надежные ANOVA (например, с использованием M-оценщиков) или непараметрические подходы (например, тест Крускаля-Уоллиса для сравнения эффектов оператора). Одной из практических альтернатив является использование медианного и медианного абсолютного отклонения (MAD) вместо средств и стандартных отклонений для расчета R & Amp; R. В то время как менее распространенные в промышленности надежные методы бесценны, когда данные измерений поступают из процессов, подверженных случайным шокам или неправильному обращению, или когда разрушительное тестирование предотвращает повторные меры с той же стороны.

Подходы машинного обучения

Алгоритмы машинного обучения (ML) могут захватывать нелинейные отношения и сложные взаимодействия, которые пропускают классические линейные модели. Для анализа системы измерений, такие методы ML, как случайные леса, машины вектора поддержки или нейронные сети, могут быть обучены прогнозированию ошибок измерения на основе таких функций, как опыт оператора, возраст устройства, температура, геометрия деталей и время суток. Путем моделирования структуры ошибок эти алгоритмы могут идентифицировать тонкие источники вариаций, которые будут объединены в стандартной ANOVA. Кроме того, неконтролируемые методы (например, кластеризация) могут обнаруживать необычные модели измерения, которые сигнализируют о смене процесса. Хотя ML еще не является основным в исследованиях R & R, он набирает силу в высокоавтоматизированных производственных средах, где доступны большие наборы данных. Он служит дополнительным инструментом для традиционного разложения дисперсии.

Рассмотрение осуществления

Развертывание передовых статистических методов для Gauge R&R требует тщательного планирования и глубокого понимания как процесса измерения, так и статистических методов.

Качество данных и дизайн исследования

Передовые методы не могут компенсировать плохие данные. В проекте исследования по-прежнему должны соблюдаться принципы рандомизации, включать детали, которые охватывают весь диапазон допусков, и привлекать операторов, которые представляют рутинное производство. Для смешанных эффектов и байесовских моделей планирование размера выборки становится критическим - больше деталей и операторов обычно улучшают оценки компонентов дисперсии. Для многовариантных исследований необходимо достаточное количество деталей со всеми измеренными характеристиками, чтобы избежать переобучения.

Программное обеспечение и экспертиза

Большинство передовых методов требуют специализированного программного обеспечения за пределами традиционных инструментов SPC. R (с пакетами, такими как , , ), JMP, Minitab и SAS все поддерживают смешанные эффекты и байесовский R & R. Внедрение байесовского анализа в частности требует некоторой опыт моделирования; рекомендуется сотрудничество со статистом или обучение в байесовском MCMC. Инструменты с открытым исходным кодом (например, Python и ) также жизнеспособны для организаций с навыками программирования.

Проверка и проверка моделей

После установки любой передовой модели должна быть выполнена остаточная диагностика. Для моделей со смешанными эффектами, изучить остаточные Q-Q-графики, проверить гомоскедастичность по группам и подтвердить, что случайные эффекты приближаются к нормальному распределению. Для байесовских моделей оценить конвергенцию MCMC с использованием следовых участков и статистики Гелмана-Рубина. Неспособность проверить может привести к вводящим в заблуждение выводам R&R.

Интеграция с существующими системами качества

Результаты расширенного исследования и разработки должны быть включены в более широкую систему управления качеством. Многие компании имеют стандартные операционные процедуры для MSA; внедрение передовых методов может потребовать обновления этих процедур, обучения персонала и документирования новых рабочих процессов. Следует взвесить такие соображения, как стоимость увеличения времени анализа по сравнению со значением улучшенной точности.

Реальные приложения World

Аэрокосмическая инспекция компонентов

Для оценки новой системы лазерного сканирования для проверки профилей поверхности лопастей турбины аэрокосмический производитель использовал байесовскую R&R. Классическая ANOVA показала пограничные значения R&R около 30%, но выборка была ограниченной (только 10 лопастей, 2 оператора). Байесовский анализ со слабоинформативными априорами для компонентов дисперсии дал заднего распределения с 90% достоверным интервалом 18%-45% для R&R процент. Это подчеркнуло неопределенность и позволило инженерам принять решение, основанное на данных, инвестировать в дополнительное обучение оператора и второй фиксинг перед обязательством по использованию в производстве, в конечном итоге уменьшив истинный R&R до менее 15%.

Фармацевтический контроль веса таблетки

Фармацевтическая компания внедрила многомерное калибровочное исследование R&R для системы проверки веса, которая одновременно измеряла вес, толщину и твердость таблеток. Одномерное R&R по каждому атрибуту показало приемлемые индивидуальные показатели, но многомерный анализ показал, что один и тот же оператор последовательно недооценивал все три атрибута на определенных партиях, что указывает на общую причину, связанную с техникой обработки. Корректирующее действие на обучение оператора улучшило все три измерения одновременно, что было обнаружено, что одномерные анализы пропустили.

Автомобильная краска фильм толстость

В автомобильной линии покраски использовалось моделирование смешанных эффектов для отделения изменчивости от операторов, измерительных устройств и условий окружающей среды (температура, влажность). Модель показала, что влажность способствовала почти такой же дисперсии, как различия между оператором и оператором. Контролируя влажность в измерительной лаборатории, компания сократила общую калибровку R&R с 22% до 12% без изменения какого-либо оборудования. Это было бы невозможно с традиционным R&R, предполагающим независимые ошибки.

Преимущества передовых статистических методов

Использование этих методов дает множество ощутимых преимуществ:

• Более точное разложение дисперсии: Смешанные эффекты и байесовские модели дают объективные оценки каждого источника вариаций, даже с несбалансированными данными или небольшими размерами выборки, что приводит к более точному проценту R&R.
• Обнаружение нелинейных и сложных отношений: Машинное обучение и многомерный анализ фиксируют взаимодействия и нелинейности, которые традиционная ANOVA рассматривает как немоделированный шум, повышая диагностику.
• Устойчивость к нарушениям допущений: Надежные и байесовские методы противостоят влиянию выпадений и ненормальности, предотвращая вводящие в заблуждение выводы R&R.
• Количественная неопределенность: Байесовские достоверные интервалы дают четкую картину уверенности в оценках R&R, поддерживая принятие решений на основе рисков.
• Подходы с многомерными и смешанными эффектами включают несколько источников вариаций одновременно, предлагая взгляд, который согласуется с реальной сложностью производства.
• Улучшенные решения процесса: С более точными оценками R&R инженеры могут уверенно различать проблемы системы измерения и вариации процесса, что приводит к целенаправленным улучшениям и меньшему количеству ложных тревог.