🎓
简单来说,控制图是用来区分"偶然波动"和"异常信号"的特殊图表。普通图表没有的"管理限界线(UCL/LCL)"在这里很关键,当数据点超过这条线或出现特定模式时,就说明"工序可能偏离正常了"。比如你在汽车发动机螺栓生产线上定期抽样检查长度,用控制图来监控。这个模拟器的"生成样本数据"按钮可以直接生成数据并画出控制图,你可以试试看。
🎓
实际工作中就像这个模拟器一样自动计算。对于X-bar控制图,从历史数据求出总体平均$\bar{\bar{X}}$和范围平均$\bar{R}$,再乘以根据样本大小$n$确定的系数$A_2$就算出来了。试试拖动上面的"样本大小 n"滑块,当$n$变化时,系数$A_2$会变,自动算出的管理限界线宽度也会跟着变化,这就是原理。
🙋
Western Electric规则是什么?即使不超出管理限界也能检出异常?
🎓
完全正确!即便点都在管理限界内,但数据中出现不自然的“模式”也可能预示异常。比如“连续8个点都在中心线上方”,这通常说明工序平均有向上偏移。这个模拟器会自动检查Western Electric规则中的主要项目,告诉你哪个规则被触发了。现场常见的是“2σ范围外的点”连续出现,这是典型信号。
粘贴的数据需要1行为1个样本,每行的列为测定值。如果含有数字以外的字符或空行,就无法正确识别。另外,当样本大小(n)不一定时,不推荐使用X-bar-R图,应改用个别值管理图。
这是用于检测过程异常的一组判定规则(经典版本为8条)。本工具实现其中的主要规则,例如单点超出控制限、连续点位于中心线同侧等。命中的点会用颜色标出,便于及早发现异常并追查原因。
Cp低(如<1.33)说明工序的变动(R)太大,应考虑从设备和材料的变动着手减小。当Cpk远低于Cp时,说明工序平均(X-bar)偏离规格中心,需要调整或重新设定。
通常推荐n=4~5。太小(如n=2~3)会导致管理限界变宽,异常检出灵敏度降低;太大(n>10)则会延迟对工序内变动的检出。本工具支持n=2~10范围的使用。
汽车·精密机械零件尺寸管理:对发动机零件直径或螺栓长度定期采样(每次几个),用X-bar-R控制图实时监控。一旦趋近管理限界,就能及早发现刀具磨损或机器设定偏差,避免大批次不合格。
注塑成形重量·外观管理:成形每一件产品时测量其重量,用控制图追踪。重量波动变大可能说明原料流动性或模具温度有问题,用p图(不良率管理图)监控表面划伤或缺陷的发生率。
电子零件装配不良率监控:在印刷电路板贴装工序中,通过视觉检查找出不良,记录不良个数和比率,用c图(缺点数管理图)或p图管理。不良率突然上升就是需要检查贴装机精度或焊膏质量的信号。
化工·食品生产特性值管理:对可连续测定的特性值(如药液浓度、食品pH值、包装封口强度等)用X-bar-R控制图监控。Western Electric规则对检出缓慢漂移(工序劣化)特别有效。
开始用控制图时,有几个容易掉进的坑。第一个是"混淆管理限界和规格限界"。管理限界(UCL/LCL)是"工序目前稳定输出结果的变动范围",从历史数据算出。规格限界是"客户要求的品质范围",来自设计图纸。比如螺栓长10±0.1mm(规格),即便工序稳定,管理限界可能是9.98~10.02mm。规格和管理限界都画在图上没问题,但千万别去"调整管理限界去贴近规格",这就错了。
第二个坑是"不做数据分层就混在一起监控"。来自不同生产线、不同班次、不同原料批次的数据混在一起,容易隐藏异常或造成误报。比如A线和B线的数据混合,可能本该聚集在中心线附近的点反而分散成两个群,错判为"管制内",很危险。数据收集前要仔细观察工序,有意义地分组。
第三个坑是"工序还没稳定就急着算Cp/Cpk"。Cp/Cpk是"稳定工序能否满足规格"的指标。如果控制图上异常点和违反规则的点很多(管制外),这时的Cp/Cpk几乎没意义。正确步骤是先用控制图除掉特殊原因(刀具磨损、治具错位等),让工序真正稳定,然后再评价Cp/Cpk。试试用这个模拟器生成样本数据,看看在消除异常达到稳定状态时,Cp/Cpk怎样变化。