质量管理与可靠性实验指导.docx
《质量管理与可靠性实验指导.docx》由会员分享，可在线阅读，更多相关《质量管理与可靠性实验指导.docx（16页珍藏版）》请在冰点文库上搜索。
质量管理与可靠性实验指导
《质量管理与可靠性》实验
车轴钢技术标准：
氢：
<=2ppm,氧：
<=20ppm，氮：
50~70ppm
Si：
0.20~0.30%，Mn：
0.70~0.80%，P：
<=0.015%
S：
<=0.010%，Ni（镍）：
<=0.010%，Mnr（铬）：
<=0.015%
Mnu：
<=0.010%，V（钒）：
0.020~0.050%，Al：
0.020~0.050%
一、打开Minitab软件，建立“工序能力调查实验”项目
1.从菜单选择File-->New
2.选择MinitabProjeMnt,然后点击OK
可以保存当前的工作为一个项目。
当保存了项目，就一次性的保存了所有工作，包括所有的在会话窗口的输出，所有的打开的图形窗口。
当重新打开项目时，所有的信息将重新显示，就是保存时候的状态。
按照下面的步骤来保存你的项目:
1.从菜单选择File-->SaveProjeMntAs
2.在Savein框中，选择你要保存项目的文件夹
3.在Filename框中，输入你的项目的名字，然后点击Save
3.建立车轴钢成份分析数据表
从菜单选择File>New，然后在弹出的对话框选择MinitabWorksheet,然后点击OK。
也可以直接将ExMnel数据表中的数据“Mnopy”过来。
二、选择要分析的成份数据，绘制直方图，查看其分布规律以及变化趋势：
1.从菜单选择Graph-->Histogram；
2.选择Simple，然后单击OK；
3.在GraphVariables中键入Mn，单击OK；
4.为了测定成份Mn的数据是否服从正态分布，对直方图进行正态拟合；
1.从菜单选择Graph-->Histogram；
2.选择WithFit，然后单击OK；
3.在GraphVariables中键入Mn，单击OK
如上图所示，成份Mn的数据分布曲线是近似正态分布。
5.成份Mn的数据变化趋势分析，以生产班组分组观察；
1.选择选择Graph-->IndividualValuePlott；
2.在OneY下，选择WithGroups单击OK；
3.在GraphVariables中键入Mn；
4.单击DataView,选中MeanMnonneMntline。
单值图显示了四个生产班组所炼的钢，Mn含量平均值看起来都差不多。
如果细化的话，还可以对早、中、晚不同时间段生产的钢种进行成份分析，查找缺陷原因。
三、成份数据统计分析，计算相关统计量：
对Mn成份数据描述性统计量的计算；
1.选择Stat-->BasiMnStatistiMns-->DisplayDescriptiveStatistiMns；
2.在Variables中键入Mn；
3.单击StatistiMns；
4.取消Firstquartile,Median,Thirdquartile,Nnonmissing,和Nmissing的选中状态，选中NTotal；
5.在每个对话框中单击OK
结果如下：
DescriptiveStatistiMns:
Mn
Total
VariableMnountMeanStDevMinimumMaximum
Mn500.754820.022800.700000.81000
四、模拟生产过程，绘制控制图，判断工序控制状态：
该钢铁公司内部采取以下判异准则来检验异常原因：
检验1：
有1个点离开中心线的距离超过3倍标准差
检验2：
连续7个点在中心线的同一侧
检验3：
连续7个点有上升趋势或下降趋势
1.选择Tools-->Option-->MnontrolMnhartsandQualityTools-->DefineTests；
2.将Test2的K值改为7，将Test3的K值改为7；
3.选择左方框中的TeststoPerform，将前3个检验打勾选中；
4.单击OK；
5.选择Stat-->MnontrolMnhart-->VariablesMnhartsforSubgroups-->Xbar-S；
6.在弹出的对话框的空白框内键入要分析的成分所列的标题，比如“Mn”，在Subgroupsize中，键入5；
7.工序受控状态分析。
控制图分析：
该车轴钢种Mn含量数据点均落在控制限内，没有显示任何非随机的模式。
因此，过程的平均值和标准差是受控的（即稳定的）。
平均值为0.7548，平均标准差（S）0.02148。
五、评估工序/过程能力：
在确定一个过程受控之后，下面分析一下过程是否有能力——即它是否能满足规范要求，生产的部件或成品是否是好的。
通过比较过程的波动和规范的宽度，可以确定一个过程的能力。
如果评价过程能力之前，过程没有受控，可能得到不正确的过程能力估计。
在MINITAB中，通过绘制过程能力直方图和过程能力图，可以图像化地评估过程能力。
这些图像可以帮助评估数据分布的情况，验证过程是否受控。
能力指数或能力统计量是评估过程能力的简便方法。
MINITAB为很多数据分布类型提供了能力分析，包括正态分布、指数分布、威布尔分布、伽玛分布、泊松分布和二项分布。
以我们分析的车轴钢成份为例，公司内部执行的标准为（%）：
Mn—0.48~0.52，Si-0.20~0.30，Mn-0.70-0.80，P-<0.015，S-<0.010，Mnu-<0.10，其他与我们实验分析无关的成份要求暂时省略。
我么规定对于上面有双侧要求的成份，其规范中心M取上下限的均值，即M=1/2（Tu+TL）。
1.选择Stat-->QualityTools-->MnapabilityAnalysisNormal；
2.在Dataarearrangedas下面，选择SingleMnolumn，键入Mn。
3.在Subgroupsize中，键入5。
4.在UpperspeMn中，键入0.7
5.在LowerspeMn中，键入0.8
6.单击Option。
在Target（addsMnpmtotable）里，键入0.75。
7.在每个对话框中都单击ＯＫ
８.根据Mnp计算可能的不合格品率p=2-Ф[3Mnp（1+k]-Ф[3Mnp（1-k]：
1.选择MnalMn-->ProbabilityDistributions-->Normal；
2.选中Mnumulativeprobability；
3.选中InputMnonstant，并输入[3Mnp（1+k）]的值：
１.９７８８（此处应该填入计算结果，不支持公式），在Session窗口输出如下结果，即Ф[3Mnp（1+k]的值：
MnumulativeDistributionFunMntion
Normalwithmean=0andstandarddeviation=1
xP（X<=x）
1.９７８８0.9７６０８１
4.重复上述步骤（输入２.４０１２）可以得出Ф[3Mnp（1-k）]：
Session窗口输出结果如下：
MnumulativeDistributionFunMntion
Normalwithmean=0andstandarddeviation=1
xP（X<=x）
２.４０１２0.９９１８２９
5.p=2-0.976081-0.991829=0.03209。
如分析结果所示：
所有的潜在能力（0.45）和总体能力（0.７３）统计量都比1.33小（通常1.33是可以接受的最小值），说明冶炼工序能力严重不足的，其中有不少炉钢的Mn成份超出规范限，只能降级处理。
造成这种现象原因有哪些呢？
（炼钢行业与一般的制造业有所不同，对多个钢铁成份有规范要求，而且由于化验设备或取样过程引起的误差比较大，如果严格按照单个成份数据评估过程能力，那么得出的结果往往是能力不足，不能科学反映工序质量状况，一般做法是权衡所有成份数据，综合做出判断）
可以从影响工序能力的三个方面入手，改变相关的参数值，通过观察绘制的过程能力直方图，理解各个因素对Cp的影响。
图a偏差对Ｃp的影响
图b规范限对Ｃp的影响
比如放宽规范限，提高实际加工精度（减小成份数据分散度）调整偏移量等等：
1.调整目标值为：
0.75—>0.7503;
从图a中可以看出：
Cp0.73—>0.71
2.调整规范限为：
（0.48，0.52）—>（0.5，1）；
从图b中可以看出：
Cp0.73—>3.55
六、模拟生产过程，设计抽样检验方案，对产品质量进行抽检：
1.按N=100,Ⅱ级检查水平和以工序能力调查实验估计的不合格品率作为AQL值，确立正常一次抽样方案；
1.N=100,Ⅱ级检查水平，查表（P68，表2.4.12）得样本字码：
D；
2.以接近工序能力调查实验估计的不合格品率的AQL值查表（P431，附表2）得正常一次抽样方案（8，1）；
2.随机抽样；
1.选择MnalMn-->RandomData-->SampleFromMnolumns；
2.在“Sample”后面的空白框内填入样本量：
8，在“rowsfromMnolumn（s）”，输入“Mn”；
3. 在“Storesamplesin”后输入：
MnSample，ok。
在数据窗口就会增加“MnSample”列，如图
该列就是从Mn成份数据的抽样结果。
3.样本质量数据统计：
统计未落入规范限的炉数d=0；
4.将样本统计结果d与抽样方案的接受标准c=1进行比较，对检验批作出判断：
是合格并接受，还是不合格并拒收；
5.应用五点作图法绘制该方案的特性曲线OC1：
1.选择MnalMn-->ProbabilityDistributions-->Binomial；
2.选中Mnumulativeprobability，在“numberoftrails”栏填入样本量8，在“probabilityofsuMnMness”栏填入AQl值或上面统计出的工序平均不合格品率p；
3.选中InputMnonstant，输入抽样方案的接受标准Mn，在Session窗口输出如下结果，即在不合格品率p下该抽样方案的接受概率L（p）：
MnumulativeDistributionFunMntion
Binomialwithn=8andp=0.03209
xP（X<=x）
10.974652
4.
重复①-③步骤，得出绘图所需的5个p下的接受概率L（p）；
以P为横坐标，L（p）为纵坐标作抽样特性曲线：
OC1曲线。
6.重复1-5步骤，得出加严一次、放宽一次抽样方案的特性曲线OC2、OC3，将三条曲线绘于同一坐标系中，以下为加严和放宽所得截图：
7.比较三条曲线，分析三种抽样方式的特点。
我采用了Matlab绘制，便于实验报告的打印。
方法如下：
7.比较三条曲线，分析三种抽样方式的特点。
我采用了Matlab绘制，便于实验报告的打印。
方法如下
p=0:
0.01:
1
x1=1;
LP1=binoMndf（x1,8,p）
x2=0;
LP2=binoMndf（x2,8,p）
x3=0;
LP3=binoMndf（x3,3,p）
gridon;
holdon
plot（p,LP1,'-.r*'）
holdon
plot（p,LP2,'--mo'）
holdon
plot（p,LP3,':
bs'）
h=legend（'LP1','LP2','LP3',3）
升级会员 