质量过程控制及改善培训教材.pptx

《质量过程控制及改善培训教材.pptx》由会员分享，可在线阅读，更多相关《质量过程控制及改善培训教材.pptx（34页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、本资料来源单 位：力诺太阳能集团姓 名：李哲质量过程控制及改善培训课件培训目标u本课程旨在帮助同事们掌握minitab统计分析软件，研究和检测质量问题并改进生产过程 。掌握几种图形工具，检测出质量问题使用控制图跟踪质量过程并检测是否存在特殊原因 绘制能力直方图和能力图评估过程能力 利用抽检特征曲线确定整个批次接收还是拒收学习方法技巧 u要有几本好的工具书要有几本好的工具书u 要学会在网上寻找资源要学会在网上寻找资源u从模仿开始，慢慢理解从模仿开始，慢慢理解 u培训结束后经常练习、使用培训结束后经常练习、使用 Minitab使用教程、EXCE图表制作质量检测图形工具质量检测图形工具11-1. 运

2、行图1-2. 帕累托图1-3. 因果图运行图概念： 所有过程中都会发生变异。常规原因变异是过程中正常的一部分。另一种类型的变异（称为特殊原因）来自系统外部，并导致数据中可识别的模式、偏移或趋势。运行图显示特殊原因是否正在影响您的过程。当只有常规原因影响过程输出时，过程受控制。运行图执行两种随机性检验，提供有关因趋势、振动、混合和聚类引起的非随机变异的信息。 10987654321454035302520样样 本本隔隔膜膜关 于 中 位 数 的 游 程 个 数 :3期 望 游 程 个 数 :6.0关 于 中 位 数 的 游 程 最 大 长 度 :5检 验 聚 类 性 的 近 似 p 值 :0.0

3、22混 合 的 近 似 P 值 :0.978向 上 或 向 下 的 游 程 个 数 :5期 望 游 程 个 数 :6.3向 上 或 向 下 的 游 程 最 大 长 度 :3检 验 趋 势 性 的 近 似 p 值 :0.135检 验 振 动 性 的 近 似 p 值 :0.865隔隔 膜膜 的的 运运 行行 图图解释结果解释结果在 0.05 水平下聚类检验很显著 。由于聚类检验的概率 (p = 0.022) 小于 a 值 0.05，因此可以断定特殊原因正在影响您的过程，且您应该调查可能的来源。聚类可以指出抽样问题或测量问题。帕累托图概念： Pareto 图 是一种条形图，帮助您确定哪些问题最重要，

4、以使您可以集中改进可获得最大收获的领域。其中水平轴表示所关注的类别，而非连续尺度。类别通常是缺陷 。通过从大到小排列条形 ，Pareto 图可帮助您确定哪些缺陷组成“少数重要”，哪些缺陷为“多数琐碎”。累积百分比 线条帮助您判断每种类别所加入的贡献。Pareto 图可帮助着重改进能获得最大收益的方面。 解释结果解释结果由于超过一半的测速计因此缺陷遭到拒收，因此请着重改进缺失螺丝钉的数量。 计数2745943191018百分比64.813.910.24.52.44.3累积 %64.878.788.993.495.7100.0缺陷数其他不完整部件有缺陷的外罩漏油衬垫缺少的线夹丢失的螺丝钉40030

5、02001000100806040200计计数数百百分分比比缺缺陷陷数数 的的 P Pa ar re et to o 图图因果图概念： 因果 （或鱼骨）图描述问题的潜在原因。右侧显示问题（效应），左侧以树状结构显示原因的列表。树的分支常常与原因的主类别相关联。每个分支都列出该类别中的更多具体原因。您还可以向任何分支中添加子分支。鱼骨图是一种方便地组织问题原因的相关信息的工具。 尽管没有构造鱼骨图的“正确”方法，但某些特定的类型本身就很适合于许多不同的情况。这些类型之一是“5M”图，这样称呼是因为分支上的五个类别都以字母 M 开头（“人员”也称“Man”）。表 面 瑕 疵环 境测 量方 法材 料

6、机 器人 员运 算 符培 训主 管 人班 次速 度车 床位套 接 字供 应 商滑 润 剂合 金刹 车接 触角 度检 查 员显 微 镜微 米凝 聚湿 度 %检 验指 导 者错 误太 慢条 件准 确 度因因 果果 图图 跟踪质量过程并检测是否存在特殊原因 21-1. 控制图概念1-2. 缺陷（计数型）控制图1-3. 成型过程（测量型）控制图1-4. 利用控制图判断生产过程失控控制图概念：可以使用控制图跟踪一段时间内的过程统计量并检测是否存在特殊原因。 控制图的结构控制图的结构质量特征 样本编号（或时间 ） 控制上 中心 控制下限特殊原因所导致的变异可以检测并受控制。示例包括设备、班次或天数的差异。

7、而另一方面，常规原因变异是过程中所固有的。当只有常规原因（而非特殊原因）影响过程输出时，过程即受控制。 当点落于控制限制的界限之内，且这些点未显示出任何非随机模式时，过程即受控制。4 54 13 73 32 92 52 11 71 39511 0 5 01 0 0 09 5 09 0 08 5 0观观测测值值单单 独独 值值_X = 9 3 6 . 9U C L = 1 0 1 0 . 9L C L = 8 6 2 . 8111111权权重重 的的单单值值控控制制图图1-2. 缺陷（计数型）控制图缺陷控制图缺陷控制图 概念：概念： 结构上类似于变量控制图，只不过它们是根据计数数据而不是测量数据

8、绘制统计图。例如，可将产品与标准进行比较，并将其归类为有缺陷产品 或无缺陷产品。也可以根据产品的缺陷数为产品归类。 与使用变量控制图一样，绘制过程统计量（如缺陷数）也是相对于样本数量或时间的。缺陷品控制图缺陷品控制图您可以将产品与标准进行比较，并将其归类为有缺陷产品或无缺陷产品。例如，线长是否满足强度要求。缺陷品控制图有： P 控制图 ，该控制图绘制每个子组中缺陷品的比率。 NP 控制图 ，该控制图绘制每个子组中缺陷品的数量。缺陷控制图缺陷控制图如果产品非常复杂，则某一缺陷并不一定会导致缺陷产品。根据产品的缺陷数将产品归类有时会更加方便。例如，您可以统计产品表面的刮痕数。缺陷控制图有： C 控

9、制图 ，该控制图绘制每个子组中的缺陷数 。当子组大小固定时，请使用 C 控制图。 U 控制图 ，该控制图绘制在每个子组中抽取的每单位样本的缺陷数。当子组大小不固定时，请使用 U 控制图。例如，如果您要统计电视屏幕内表面的瑕疵数，C 控制图将绘制实际瑕疵数，而 U 控制图将绘制所抽取样本中每平方英寸的瑕疵数。1-2. 缺陷（计数型）控制图1 09876543210 . 0 2 50 . 0 2 00 . 0 1 50 . 0 1 00 . 0 0 50 . 0 0 0样样本本比比率率_P = 0 . 0 1 2 8 2U C L = 0 . 0 2 3 5 3L C L = 0 . 0 0 2

10、1 0C C 1 1 的的 P P 控控制制图图使用不相等样本量进行的检验1 09876543213 02 52 01 51 050样样 本本样样本本计计数数_ _N P = 1 2 . 7 2U C L = 2 3 . 3 4L C L = 2 . 0 9C C 1 1 的的 N N P P 控控 制制 图图使 用 不 相 等 样 本 量 进 行 的 检 验1 09876543210 . 0 2 50 . 0 2 00 . 0 1 50 . 0 1 00 . 0 0 50 . 0 0 0样样 本本比比率率_P = 0 . 0 1 2 8 2U C L = 0 . 0 2 3 5 3L C L

11、 = 0 . 0 0 2 1 0C C 1 1 的的 P P 控控 制制 图图使 用 不 相 等 样 本 量 进 行 的 检 验1-2. 缺陷（计数型）控制图3 73 32 92 52 11 71 3951876543210样样 本本样样本本计计数数_C = 2 . 7 2 5U C L = 7 . 6 7 7L C L = 0污污 点点 的的 C C 控控 制制 图图1 91 71 51 31 1975310 . 1 60 . 1 40 . 1 20 . 1 00 . 0 80 . 0 60 . 0 40 . 0 20 . 0 0样样 本本每每单单位位样样本本计计数数_U = 0 . 0 5

12、 4 4U C L = 0 . 1 2 3 7L C L = 011缺缺 陷陷 数数 的的 U U 控控 制制 图图变量控制图变量控制图 概念：概念：多值变量控制图 数据标绘来自连续测量数据 （如长度或外径）的统计量。单值的变量控制图、时间加权控制图 和多变量控制图 也标绘测量数据。缺陷控制图标绘计数数据，如缺陷或缺陷单元 的数量。 选择多值的变量控制图选择多值的变量控制图有五种变量控制图： X 和 R - X 控制图和 R 控制图（显示在一个窗口中） X 和 S - X 控制图和 S 控制图（显示在一个窗口中） I-MR-R/S（组间/组内） - 同时使用子组间和子组内变异的三向控制图。I-

13、MR-R/S 控制图由 I 控制图、MR 控制图以及 R 或 S 控制图组成。 X - 子组平均值的控制图 R - 子组极差的控制图 S - 子组标准差的控制图 I-MR-R/S（组间/组内）控制图要求在至少一个子组中有两个或更多观测值。子组大小不必相同。 1-3. 变量（测量数据）控制图1-3. 变量（测量数据）控制图2523211917151311975310.800.750.700.650.60样样本本样样 本本 均均 值值_X =0.716UB=0.7LCL=0.60982523211917151311975310.40.30.20.10.0样样本本样样 本本 极极 差差_R=0.18

14、42UCL=0.3895LCL=01C C6 6, , . . . ., , C C2 2 的的 X Xb ba ar r- -R R 控控制制图图4641363126211611615040302010观观 测测 值值单单独独值值_X =10.69UCL=15.30LCL=6.08六 月七 月八 月重重 症症 室室 收收 治治 按按 月月 份份 的的 单单 值值 控控 制制 图图1-3. 变量（测量数据）控制图通过绘制历史图，可以显示过程中的各个阶段通过绘制历史图，可以显示过程中的各个阶段 ，历史图是对数据中的不同组独立估计控，历史图是对数据中的不同组独立估计控制限制和中心线的控制图。在比较

15、过程改进前后的数据时历史图尤其有用。制限制和中心线的控制图。在比较过程改进前后的数据时历史图尤其有用。 控制图是统计过程控制（SPC）理论与实践的核心工具。我们用控制图来监控过程、判断过程的受控状态，一旦控制图出现异常的信息，就可以认为过程发生了异常，从而对生产过程进行检讨，寻找原因，制定改善措施，对过程进行修正，直到过程重新达到质量要求。 利用控制图识别生产过程状态-受控状态或失控状态，是根据图上样本点的位置以及变化趋势进行分析和判断的。判断的依据主要有两点：（1）如果控制图上点所反映的过程的均值和/或方差发生（不允许的）变化 。1-4. 利用控制图判断生产过程失控过程能力分析过程能力分析3

16、1-1. 过程能力概念1-2. 连续数据能力分析1-3. 缺陷数据能力分析1-4. 过程能力指数的解释方法1-5. 样本数据分布的识别与选择1-6. 力诺太阳CPK数据采集方法（草案）1-1. 过程能力概念 过程一旦处于统计控制 状态下（即稳定生产）后，就可能要确定其是否有能力（即符合规格限制并生产出“良好”的部件）。您通过将过程变异的宽度与规格限制的宽度相比较来确定能力。过程需要处于受控状态，然后才能评估其能力；否则，会错误地估计过程能力。只有过程受控 ，才有能力一说。为正确使用能力统计量，应通过检查位置的控制图（如 Xbar 控制图或 I 控制图）或变异的控制图（如 R 控制图、S 控制图

17、或 MR 控制图）来证实过程稳定 可以通过绘制能力直方图和能力图以图形化方式评估过程能力。这些图形有助于评估数据的分布并证实过程受控。还可以计算能力指数，即规格公差 占自然过程变异的比率。能力指数（即统计量）是评估过程能力的简单方法。由于将过程信息简化为一个数字，因此可以使用能力统计量对一个过程与另一个过程的能力进行比较。 能力统计量使用起来很简单，但是它们也有一些分布属性尚未完全为人所了解。一般而言，最好不要依赖单个能力统计量确定过程的特征。 1-2. 连续数据能力分析-CPK分析0.600.580.560.540.520.50LSL目标USLLSL0.5目标0.55USL0.6样本均值0.

18、54646样本 N100标准差（组内）0.0185477标准差（整体）0.0193414过程数据CL 下限0.74CL 上限0.98PPL0.80PPU0.92Ppk0.80CL 下限0.67CL 上限0.93Cpm0.85CL 下限0.75Cp0.90CL 下限0.76CL 上限1.04CPL0.83CPU0.96Cpk0.83CL 下限0.69CL 上限0.98Pp0.86整体能力潜在（组内）能力PPM USL 10000.00PPM 合计20000.00实测性能PPM USL1947.11PPM 合计8071.61预期组内性能PPM USL2818.71PPM 合计10969.28预期整

19、体性能组内整体电电缆缆直直径径（使用 95.0% 置信）解释结果解释结果如果要解释过程能力统计量，则数据应近似服从正态分布。这一要求似乎已得到满足，正如上方重叠有正态曲线的直方图所示。但是，可以看到过程平均值 (0.54646) 略小于目标 (0.55)。并且分布的两个尾部都落在规格限之外。这意味着，有时会发现某些电缆直径小于 0.50 厘米的规格下限或大于 0.60 厘米的规格上限。Ppk 指数表明过程生产的单位是否在公差 限内。此处，Ppk 指数为 0.80，表明制造商必须通过减少变异并使过程以目标为中心来改进过程。显然，与过程不以目标为中心相比，过程中的较大变异对此生产线而言是严重得多的

20、问题。同样，PPM 合计（预期整体性能）是其受关注的特征在公差限之外的百万分数 部件数 (10969.28)。这意味着每一百万条线缆中大约有 10969 条不符合规格。制造商未满足客户的要求，应通过降低过程变异来改进其过程。1-2. 连续数据能力分析-综合能力分析解释结果解释结果 在控制图和 R 控制图上，点都是随机分布在控制极限之间的，表明这是稳定过程 。但是，还应比较 R 控制图与 控制图上的点，以查看它们是否彼此相似。本例中的这些点并非这样，再次表明这是稳定过程。最后 20 个子组的控制图上的点随机地水平散开，没有趋势或偏移，这也表明过程是稳定的。 如果要解释过程能力统计量，则您的数据应

21、近似服从正态分布。在能力直方图上，数据近似服从正态曲线。在正态概率图上，点近似呈一条直线，并落于 95% 置信区间内。这些模式表明数据是正态分布的。但是，从能力图 可以看出，整体过程变异的区间（整体）比规格限的区间（规格）宽。这意味着有时线缆的直径会超出公差 限 0.50, 0.60。此外，Ppk 的值 (0.80) 落于要求的目标 1.33 之下，表明制造商需要改进过程。1917151311975310.560.540.52样样 本本 均均 值值_X =0.54646UCL=0.57134LCL=0.521581917151311975310.100.050.00样样 本本 极极 差差_R=

22、0.0431UCL=0.0912LCL=020151050.600.550.50样样 本本值值0.600.580.560.540.520.50LSL目 标USLL S L0 . 5 0目 标0 . 5 5U S L0 . 6 0规 格0.600.550.50组 内整 体规 格标 准 差0 . 0 1 8 5 4 7 7C p0 . 9C p k0 . 8 3组 内标 准 差0 . 0 1 9 3 4 1 4P p0 . 8 6P p k0 . 8C p m0 . 8 5整 体电电 缆缆 直直 径径X X b b a a r r 控控 制制 图图R R 控控 制制 图图最最 后后 2 2 0 0

23、 个个 子子 组组能能 力力 直直 方方 图图正正 态态 概概 率率 图图A D : 0 . 2 3 3 ， P : 0 . 7 9 4能能 力力 图图解释结果解释结果 P 控制图表明有 1 个点不受控。累积缺陷百分比控制图 显示整体缺陷品率的估计值似乎停留在 22% 左右，但需要收集更多数据对此加以验证。缺陷品率似乎不受样本大小的影响。过程 Z 大约为 0.75，非常差。此过程可能需要进行大量改进。1-3. 缺陷数据能力分析-缺陷品1917151311975310.260.240.220.20样样本本比比 率率_P=0.22643UCL=0.25552LCL=0.19733201510523

24、.523.022.522.021.5样样本本% % 缺缺 陷陷置信区间上限:0.7646%缺陷:22.64置信区间下限:22.22置信区间上限:23.07目标:0.00PPM 缺陷:226427置信区间下限:222241置信区间上限:230654过程 Z:0.7507置信区间下限:0.7367（95.0% 置信）摘要统计20001920184026242220样样本本数数量量% % 缺缺 陷陷2420161284086420% %缺缺陷陷频频 率率Tar1废废品品的的检检验验P P 控控制制图图使用不相等样本量进行的检验累累积积 % %缺缺陷陷缺缺陷陷率率直直方方图图 解释结果解释结果 U 控

25、制图 表明有 3 个点不受控制。累积 DPU 控制图 （每单位的缺陷数 ）停留在值 0.0265 附近，表明收集的样本足以很好地估计 DPU 平均值。DPU 的比率似乎不受电线长度的影响。1-3. 缺陷数据能力分析-缺陷品91817161514131211110.0750.0500.0250.000样样本本每每单单位位样样本本计计数数_U=0.02652UCL=0.06904LCL=01008060402000.0300.0250.0200.015样样本本D DP PU UDPU均值:0.0265置信区间下限:0.0237置信区间上限:0.0295最小 DPU:0.0000最大 DPU:0.0

26、753目标 DPU:0.0000（95.0% 置信）摘要统计1401201000.0750.0500.0250.000样样本本数数量量D DP PU U0.070.060.050.040.030.020.010.001612840D DP PU U频频率率Tar1气气线线控控制制能能力力分分析析U U 控控制制图图使用不相等样本量进行的检验累累积积 D DP PU U缺缺陷陷率率直直方方图图 Cp、Cpk、Pp 和 Ppk 统计量是潜在和整体能力的度量。由于将过程信息简化为一个数字，因此可以使用能力统计量对一个过程与另一个过程比较其能力。在实践中，许多人将 1.33 视为过程能力统计量的最小可

27、接受值。小于 1 的值表明过程变异比规格展开要宽。要了解和解释能力统计，请使用以下信息作为指导。 使用能力统计量可以监视并报告一段时间内系统的改进情况。能力统计量的解释因对分析所使用的分布而异。对于：正态分布：正态分布： Cp 和和 Cpk - Cp 不考虑过程平均值相对于规格限的位置。Cpk 指数度量的与过程展开相比，过程运行接近其规格限的程度。仅当您满足目标值 （未指定目标值时为过程平均值）且变异最小时，Cpk 才较高。例如，过程在执行中可能变异最小，但远离目标（或过程平均值）并接近规格限之一，这样会导致 Cpk 较低而 Cp 较高。 Pp 和和 Ppk - Pp 和 Ppk 的解释方式分

28、别与 Cp 和 Cpk 相同。 Cpk 与与 Ppk - 使用整体变异来计算 Ppk。子组 间变异和子组内变异都对整体变异有所贡献。计算 Cpk 时使用子组内变异，而不使用子组间的偏移和漂移。Ppk 针对整个过程。如果 Cpk 与 Ppk 相同，则整体标准差与子组内标准差近似相等。 Cpm - 指定了目标值时， 计算 Cpm。使用 Cpm 评估过程是否以目标为中心。 Cpm 指数越高，过程越好。如果 Cpm、Ppk 与 Pp 相同，则过程平均值与目标值相同。 非正态分布：非正态分布： 基于非正态分布的能力指数可按照与基于正态分布的指数相同的方式来解释。比较 Pp 和 Ppk 以评估过程中位数是

29、否接近于规格中点。如果 Pp 大于 Ppk，则过程中位数将远离规格中点并接近于规格限之一。1-4. 过程能力指数的解释方法解释结果解释结果通过拟合优度检验结果和概率图来识别和选择数据分布。拟合优度检验拟合优度检验 - 该表包括 Anderson-Darling (AD) 统计量 以及分布的对应 p 值。对于临界值 a，大于 a 的 p 值表明数据服从该分布。大于 0.25、0.467、0.213 和 0.238 的 p 值表明 Weibull、3 参数 Weibull、最大极值和 Gamma 分布与数据的拟合良好。Box-Cox（p 值 = 0.574）和 Johnson 变换（p 值 = 0

30、.799）也较好地拟合了数据。概率图概率图 - 概率图包括有序数据集相应概率的百分位数点。概率图显示，对于 2 参数 Weibull、3 参数 Weibull、最大极值和 Gamma 分布，数据点近似成一条直线，并在置信区间内。如果有多个分布与数据拟合如果有多个分布与数据拟合：选择 p 值最大的分布； 如果 p 值非常接近，则选择：以前对类似数据集使用过的分布。基于能力统计量的分布。选择最保守的分布。1-5. 样本数据分布的识别与选择100.00010.0001.0000.1000.0100.00199.990501010.1扭扭曲曲百百分分比比10.0001.0000.1000.0100.0

31、0199.990501010.1扭扭曲曲 - - 阈阈值值百百分分比比10.001.000.100.0199.990501010.1扭扭曲曲百百分分比比10.01.00.199.990501010.1扭扭曲曲 - - 阈阈值值百百分分比比WeibullAD = 0.248 P 值 0.2503 参数 WeibullAD = 0.359 P 值 = 0.467拟合优度检验指数AD = 5.982 P 值 0.0032 参数指数AD = 3.892 P 值 0.010扭扭曲曲 的的概概率率图图指数 - 95% 置信区间2 参数指数 - 95% 置信区间Weibull - 95% 置信区间3 参数

32、Weibull - 95% 置信区间1050-599.99990501010.1扭扭曲曲百百 分分 比比100.010.01.00.199.99990501010.1扭扭曲曲百百 分分 比比10010199.99990501010.1扭扭曲曲 - - 阈阈值值百百 分分 比比420-299.99990501010.1扭扭曲曲百百 分分 比比3 参数对数 Logistic AD = 0.692 P 值 = *Johnson 变换AD = 0.231 P 值 = 0.799拟合优度检验Logistic AD = 0.879 P 值 = 0.013对数 Logistic AD = 1.239 P 值

33、 0.005Johnson 变换后扭扭曲曲 的的概概率率图图Logistic - 95% 置信区间对数 Logistic - 95% 置信区间3 参数对数 Logistic - 95% 置信区间正态 - 95% 置信区间1-6. 力诺太阳CPK数据采集方法（草案）制定产品抽样验收计划制定产品抽样验收计划41-1. 抽样验收概念1-2. 不合格品类抽样验收方法1-3.产品特征类抽样验收方法1-4. 批次接收、拒收方法 抽样验收是评估进厂的产品样本以确定是接受整个批次以供使用还是拒收并退回的过程。例如，假设一个杂货商收到 5000公斤苹果。他想检验少量苹果以确定是接受整批货进行销售，还是应当拒收并

34、退给供应商。抽样验收将帮助他决定要检验多少苹果，以及接受货物时允许有多少缺陷品。在 100% 检验的代价比接受缺陷品所产生的后果高得多时，抽样验收 非常有用；但是，抽样验收无法估计质量水平，也不提供任何直接的过程控制。 抽样计划的类型抽样计划的类型 属性属性 ，它以样本中的缺陷 数或缺陷品 数为基础。例如，毛管的结石数。 变量变量，它以可测量的质量特征为基础。例如，可以检验毛管的壁厚。 对于变量计划，需要基于实际测量值来计算平均值、标准差和 Z 值。使用按变量抽样验收 - 接受/拒绝批次基于特定样本数据执行计算并决定接受批次与否。 此外，对于变量抽样计划，每个抽样计划只能检验一个测量值。例如，

35、如果需要检验壁厚和外径，则需要两个单独的抽样计划。变量抽样计划假设质量特征的分布是正态的。但是，使用变量数据的主要优势是变量抽样计划所需的样本大小比属性抽样计划小得多。1-1. 抽样验收概念 创建抽样计划以确定样本大小，并基于该样本中发现的缺陷品数或缺陷数决定是接受还是拒收整个批次的产品。 实例：假设收到 车间5000 支毛管，使您很不满意的是许多毛管壁厚不达标。您决定实施一个抽样计划，以便能够判断接受或拒收整个批次。您与车间协商后共同认可的整批产品不合格率比例为 1.5%时，可接受车间毛管，否则将退回车间。在建立抽样计划时，质检人员和车间议定大约有 95% 的时间会接受含 1.5% 缺陷品的

36、批次，以保护车间的利益。同时质检人员和车间议定绝大多数情况下将拒收含 10% 缺陷品的批次，以保护公司的利益。抽样计划确定： 1-2. 不合格品类抽样验收方法201510501.00.80.60.40.20.0批次百分比缺陷验收概率 201510502.41.81.20.60.0引入批次百分比缺陷AOQ（缺陷百分比）20151050900700500300100批次百分比缺陷平均合计检查抽抽 检检 特特 征征 曲曲 线线 ( (O OC C) )平平 均均 交交 付付 质质 量量 曲曲 线线 ( (A AO OQ Q) )平平 均均 总总 检检 验验 数数 曲曲 线线 ( (A AT TI I

37、) )样本数量 = 52, 接受数 = 2解释结果解释结果对于每个 5000 支毛管的批次，您需要随机选择并检验其中的 52 支。如果在 52 支中发现的缺陷品超过 2 支，则应拒收整个批次。如果缺陷品为 2 支或更少，则接受整个批次。 创建抽样计划以确定样本大小，并基于该样本中发现的缺陷品数或缺陷数决定是接受还是拒收整个批次的产品。 实例：假设每周收到 2500只壁厚1.6的毛管，决定实施一个抽样计划以验证管壁厚度。管道的管壁厚度的规格下限为 0.09“。您与车间议定 AQL 为每百万 100 个缺陷品，RQL 为每百万 300 个缺陷品。抽样计划确定： 解释结果解释结果对于每个 2500

38、个批次，您需要随机选择并检验其中的 104 个。根据随机样本的测量值，确定平均值和标准差以计算 Z 值。Z = (平均值 - 规格下限)/ 标准差。如果历史标准差已知，则可以使用该值。如果 Z.LSL 大于临界距离（在本例中 k = 3.55750），则接受整个批次；否则，拒收整个批次。1-3.产品特征类抽样验收方法60045030015001.00.80.60.40.20.0每百万缺陷数验收概率 60045030015001007550250引入批次每百万缺陷数AOQ（每百万缺陷数）6004503001500220017001200700200每百万缺陷数平均合计检查抽抽检检特特征征曲曲线线 ( (O OC C) )平平均均交交付付质质量量曲曲线线( (A AO OQ Q) )平平均均总总检检验验数数曲曲线线 ( (A AT TI I) )样本数量 = 104，临界距离 = 3.55750您随机从每批次的 2500 个毛管中选取并测量了 104 个。您将数据记录在 工作表中，根据随机样本的测量值，确定平均值和标准差以计算 Z 值。Z = (平均值 - 规格下限)/ 标准差。 。如果计算得到的 Z 值大于临界距离 (3.55750)，则可以接受整个批次。 1-4. 批次接收、拒收方法