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)