质量管理与可靠性实验报告.docx
- 文档编号:3515290
- 上传时间:2022-11-23
- 格式:DOCX
- 页数:11
- 大小:166.56KB
质量管理与可靠性实验报告.docx
《质量管理与可靠性实验报告.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报告.docx(11页珍藏版)》请在冰豆网上搜索。
质量管理与可靠性实验报告
中北大学
质量管理与可靠性
实验报告
班级:
姓名:
学号:
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%,Cr(铬):
<=0.015%
Cu:
<=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MinitabProject,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-->SaveProjectAs
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Excel数据表中的数据“copy”过来。
二、选择要分析的成份(下面以Si为例)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Si,单击OK;
4.为了测定成份Si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Si,单击OK
如上图所示,成份Si的数据分布曲线是近似正态分布。
(如果观察值少于50个,也可以用正态概率图象来检验其正态性Graph-->ProbabilityPlot或StatBasicsatistics-->NormalityTest)
下图是用Graph-->ProbabilityPlot得出的结果。
5.成份Si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Si;
4.单击DataView,选中MeanConnectline。
单值图显示了四个生产班组所炼的钢,C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Si成份数据描述性统计量的计算;
1.选择Stat-->BasicStatistics-->DisplayDescriptiveStatistics;
2.在Variables中键入Si;
3.单击Statistics;
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:
DescriptiveStatistics:
Si
Total
VariableCountMeanSEMeanStDevMinimumMaximum
Si500.260800.003170.022390.200000.30000
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-->ControlChartsandQualityTools-->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-->ControlChart-->VariablesChartsforSubgroups-->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“Si”,在Subgroupsize中,键入10;
7.
工序受控状态分析。
控制图分析:
该车轴钢种Si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0.02126,平均标准差(S)为0.02239。
[注]也可以绘制其他类型的控制图,比如(Xbar-R,Xbar,R,S,I-MR-R/S等等)上图即为I-MR-R/SChart,也就是三者Xbar、Rs(移动极差)、S合成图。
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(%):
C—0.48~0.52,Si-0.20~0.30,Mn-0.70-0.80,P-<0.015,S-<0.010,Cu-<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-->CapabilityAnalysisNormal;
2.在Dataarearrangedas下面,选择Singlecolumn,键入Si。
3.在Subgroupsize中,键入10。
4.在Upperspec中,键入0.30
5.在Lowerspec中,键入0.20
6.单击Option。
在Target(addsCpmtotable)里,键入0.25。
7.在每个对话框中都单击OK
8.根据Cp计算可能的不合格品率p=2-Ф[3Cp(1+k)]-Ф[3Cp(1-k)]:
1.选择Calc-->ProbabilityDistributions-->Normal;
2.选中Cumulativeprobability;
3.选中Inputconstant,并输入[3Cp(1+k)]的值:
2.77248,在Session窗口输出如下结果,即Ф[3Cp(1+k]的值:
CumulativeDistributionFunction
Normalwithmean=0andstandarddeviation=1
xP(X<=x)
2.772480.997218
4.重复上述步骤(输入1.78752)可以得出Ф[3Cp(1-k)]:
Session窗口输出结果如下:
CumulativeDistributionFunction
Normalwithmean=0andstandarddeviation=1
xP(X<=x)
xP(X<=x)
1.787520.963073
5.p=2-0.997218-0.963073=0.039709。
如分析结果所示:
所有的潜在能力(0.76)和总体能力(0.74)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Si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:
0.25—>0.27;
从图a中可以看出:
Cp0.76—>0.76
2.调整规范限为:
(0.20,0.30)—>(0.19,0.31);
从图b中可以看出:
Cp0.76—>0.92
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=50,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=50,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(8,0);
2.随机抽样;
1.选择Calc-->RandomData-->SampleFromColumns;
2.在“Sample”后面的空白框内填入样本量:
8,在“rowsfromcolumn(s)”,输入“Si”;
3. 在“Storesamplesin”后输入:
SiSample,ok。
在数据窗口就会增加“SiSample”列,该列就是从Si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;
4.将样本统计结果d与抽样方案的接受标准c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;
d=0,接受。
5.应用五点作图法绘制该方案的特性曲线OC1:
1.选择Calc-->ProbabilityDistributions-->Binomial;
2.选中Cumulativeprobability,在“numberoftrails”栏填入样本量13,在“probabilityofsuccess”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Inputconstant,输入抽样方案的接受标准Si,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):
CumulativeDistributionFunction
Binomialwithn=8andp=0.039709
xP(X<=x)
00.723141
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);
Binomialwithn=8andp=0.01
xP(X<=x)
00.922745
Binomialwithn=8andp=0.015
xP(X<=x)
00.886115
Binomialwithn=8andp=0.025
xP(X<=x)
30.0000473
Binomialwithn=8andp=0.8
xP(X<=x)
70.0000152
Binomialwithn=8andp=0.99
xP(X<=x)
70.0000000
5.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,
放宽检验一次
Binomialwithn=8andp=0.039709
xP(X<=x)
00.444690
Binomialwithn=8andp=0.2
xP(X<=x)
00.0115292
Binomialwithn=8andp=0.4
xP(X<=x)
20.0036115
Binomialwithn=8andp=0.6
xP(X<=x)
50.0016115
Binomialwithn=8andp=0.8
xP(X<=x)
80.0001017
Binomialwithn=8andp=0.99
xP(X<=x)
120.0000000
7.比较三条曲线,分析三种抽样方式的特点。
[注]:
由于Minitab绘图功能的限制,需要手工绘制OC曲线。
也可以采用Matlab绘制,便于实验报告的打印。
方法如下:
[p=0:
0.01:
1;
x1=10;%c1=10
LP1=binocdf(x1,20,p);%n1=20
x2=8;%c2=8
LP2=binocdf(x2,20,p);%n2=20
x3=5;%c2=5
LP3=binocdf(x3,8,p);%n3=8
gridon;
holdon
plot(p,LP1,'-.r*')
holdon
plot(p,LP2,'--mo')
holdon
plot(p,LP3,':
bs')]
h=legend('LP1','LP2','LP3',3)
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 质量管理 可靠性 实验 报告
![提示](https://static.bdocx.com/images/bang_tan.gif)