GB∕T 17989.9-2022 生产过程质量控制统计方法 控制图 第 9 部分:平稳过程控制图.pdf
《GB∕T 17989.9-2022 生产过程质量控制统计方法 控制图 第 9 部分:平稳过程控制图.pdf》由会员分享,可在线阅读,更多相关《GB∕T 17989.9-2022 生产过程质量控制统计方法 控制图 第 9 部分:平稳过程控制图.pdf(24页珍藏版)》请在淘文阁 - 分享文档赚钱的网站上搜索。
1、ICS03.120.30CCSA41中 华 人 民 共 和 国 国 家 标 准GB/T17989.92022/ISO7870-9:2020生产过程质量控制统计方法控制图第9部分:平稳过程控制图StatisticalmethodofqualitycontrolinproductionprocessControlchartsPart9:Controlchartsforstationaryprocesses(ISO7870-9:2020,ControlchartsPart9:Controlchartsforstationaryprocesses9IDT)2022-03-09发 布2022-10-01
2、实 施1III1I11II发 布GB/T17989.92022/ISO7870-9:2020次目刖 目引言ni范围2规范性引用文件3术语和定义、符号和缩略语4监测自相关过程均值的控制图4.1概 述4.2残差图4.3调整控制限的控制图4.4监测自相关数据的控制图比较5平稳过程散度的监测6监测自相关过程的其他方法附录A(资料性)随机过程和时间序列附录B(资料性)传统控制图在自相关数据上的表现参考文献3335779111317GB/T17989.92022/ISO7870-9:2020言刖本文件按照GB/T1.1一2020标准化工作导则第1部分:标准化文件的结构和起草规则的规定起草。本文件是GB/T
3、17989的第9部分。GB/T17989已经发布了以下部分:控 制 图 第1部分:通用指南;控 制 图 第2部分:常规控制图;控 制 图 第3部分:验收控制图;控 制 图 第4部分:累积和控制图;生产过程质量控制统计方法控制图第5部分:特殊控制图;生产过程质量控制统计方法控制图第6部分:指数加权移动平均控制图;生产过程质量控制统计方法控制图第7部分:多元控制图;生产过程质量控制统计方法控制图第8部分:短周期小批量的控制方法;生产过程质量控制统计方法控制图第9部分:平稳过程控制图。本文件等同采用ISO7870-9:2020控 制 图 第9部分:平稳过程控制图。本文件做了下列最小限度的编辑性改动:
4、将标准名称改为生产过程质量控制统计方法控制图第9部分:平稳过程控制图。请注意本文件的某些内容可能涉及专利。本文件的发布机构不承担识别专利的责任。本文件由全国统计方法应用标准化技术委员会(SAC/TC21)提岀并归口。本文件起草单位:清华大学、中国标准化研究院、山西嘉世达机器人技术有限公司、内蒙古蒙牛乳业(集团)股份有限公司、聊城科创节能设备有限公司。本文件主要起草人:孙静、张昱妍、丁文兴、马岸原、牛立群、孙晓普、杨志刚、田桂艳、门广才。GB/T17989.92022/ISO7870-9:2020言引控制图是过程控制中常用的统计工具,用来监测过程中的偏移,保持过程稳定。GB/T17989控制图系
5、列标准分为以下9部分:控制图第1部分:通用指南。目的在于给出控制图基本术语、原理及分类,以及选择控制图的指南。控制图第2部分:常规控制图。目的在于确立使用常规控制图进行过程控制的指南。控制图第3部分:验收控制图。目的在于确立验收控制图进行过程控制的使用指南,并规定了确定子组样本量、行动限、和决策准则的一般程序。控制图第4部分:累积和控制图。目的在于确立应用累积和技术进行过程检测、控制和回顾性分析的统计方法。生产过程质量控制统计方法控制图第5部分:特殊控制图。目的在于确立理解和应用特殊控制图进行统计过程控制的指南。生产过程质量控制统计方法控制图第6部分:指数加权移动平均控制图。目的在于确立理解和
6、应用指数加权移动平均(EWMA)控制图进行统计过程控制的指南。生产过程质量控制统计方法控制图第7部分:多元控制图。目的在于确立构建和应用多元控制图进行统计过程控制的指南,并建立了使用和理解计量数据多元控制图的常规方法。生产过程质量控制统计方法控制图第8部分:短周期小批量的控制方法。目的在于确立子组大小为1时,应用常规计量控制图检测短周期和小批量生产过程的方法。生产过程质量控制统计方法控制图第9部分:平稳过程控制图。目的在于确立构建和应用控制图对平稳过程进行控制的指南。在工业生产中,统计过程控制(SPC)技术被广泛用于过程控制和质量提升。多种基于统计的控制图被提岀,用来监测过程的均值和散度。传统
7、的统计过程控制理论是基于“过程数据统计独立”这一基本假设而建立的。然而,过程数据并不总是彼此统计独立。在诸如化工这类连续生产的行业,大多数描述质量特性的过程数据存在自相关。总的来说,自相关性可能由测量系统、动态过程或二者共同引起的。多数情况,数据会产生漂移。生物学中,随机的生物性变化可能会带来持续的影响,以至于几次连续的测量都受到同一个随机现象的影响。例如,某些影响血压的物质的随机爆发式分泌。在数据采集过程中,当采样间隔较短时,数据的自相关性,尤其是正自相关性,就成为要注意的问题。这种情况下,传统的统计过程控制方法不再适用于过程质量的监测、控制和提升。根据是否平稳,自相关过程可以分为以下两类:
8、1)平稳过程独立同分布(U.d.)序列的直接延伸。若一个自相关过程处于“统计平衡”的状态,则是平稳的。这表明过程的基本表现不会随着时间而变化。特别是,平稳过程的均值和方差是不变的。2)非平稳过程关于随机过程和时间序列的详细信息请见附录A。为了监测自相关数据,提出了新的统计过程控制方法,主要分为两种:第一种方法是,先利用数据拟合时间序列模型或其他数学模型,然后利用过程的残差控制图进行监测。另一种更为直接的方法则是改进现有的控制图,例如,根据过程的自相关性,调整控制限。本文件旨在概述了监测平稳过程均值和方差的几种主要控制图。nGB/T17989.92022/ISO7870-9:2020生产过程质量
9、控制统计方法控制图第9部分:平稳过程控制图1范围本文件给岀了构建和应用控制图对平稳过程进行控制的指南。2规范性引用文件下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中,注日期的引用文件,仅该日期对应的版本适用于本文件;不注日期的引用文件,其最新版本(包括所有的修改单)适用于本文件。GB/T3358.2统计学词汇及符号第2部分:应用统计(GB/T3358.22009,ISO3534-2:2006,IDT)3术语和定义、符号和缩略语3.1术语和定义GB/T3358.2界定的以及下列术语和定义适用于本文件。3.1.1自t办A#autocovariance按时间顺序排列的观测值序列
10、中,观测值之间的内部协方差。3.1.2自相关过程的控制图controlchartsforautocorrelatedprocesses用于自相关过程进行统计过程控制的控制图。3.2符号和缩略语3.2.1符号F列符号适用于本文件。AR(1)过程中z时刻的随机变量a,Z,的控制限的参数值(以Z,的标准差的倍数表示)Lz均 值 为 方 差 为 的 正 态 分 布N(,a2)EWMS控制图的平滑参数t时刻的残差R,RRt的算术平均的标准差GB/T17989.92022/ISO7870-9:2020反的标准差SRS,2的初始值s?t时亥_EWMSSf随机过程的指标集Tt时刻的随机变量XX tX,的预测值
11、xtx的算术平均t时刻的EWMA统计量Z,的初值Zo自相关系数P自相关系数的估值P自协方差7自协方差的估值7均值的阶跃变化(以过程标准差的倍数表示)EWMA控制图的平滑参数A过程均值的真值过程标准差的真值EWMA统计量的标准差AR(1)过程的白噪声随机变量a,的标准差两个时间点之间的时间间隔AR(1)过程的相关系数3.2.2缩略语下列缩略语适用于本文件。ACFARLAR(1)CUSUMEWMAEWMAST自相关函数(autocorrelationfunction)平均链长(averagerunlength)阶向回归过程(firstorderautoregressiveprocess)累积和(c
12、umulativesum)指数加权移动平均(exponentiallyweightedmovingaverage)平稳过程的指数加权移动平均(exponentiallyweightedmovingaverageforastationaryprocess)指数力口权均方差(exponentiallyweightedmeansquareddeviation)独立同分布(independentandidenticallydistributed)统计过程控制(statisticalprocesscontrol)EWMSi.i.dSPC2GB/T17989.92022/ISO7870-9:20204监
13、测 自 相 关 过 程 均 值 的 控 制 图4.1概 述许多统计学家和从事统计过程控制的工作人员都发现,过程数据中存在的自相关会影响传统的用于统计过程控制的控制图的表现。类似于自协方差(见3.1.1),自相关系数是以时间为序的观测数据内部的相关系数。测量系统、过程的动态属性,都可能导致自相关性。自相关为正时对多种传统控制图的影响见附录B。4.2残 差 图残差图用于监测过程均值可能发生的变化。若要构建残差图,则需要将时间序列或其数学模型用于过程数据的分析。构 建 残 差 图 前,需 要 对 过 程 数 据 建 模 以 得 到 过 程 的 残 差2。对 于 一 组 时 序 数 据,N,可建立时间
14、序列或数学模型去进行数据拟合。在f时刻的残差被定义为:oci;Z=1,2,Rt=其中,乞是基于时间序列或数学模型得到的z时刻的预测值。假设模型正确,则残差在统计意义上彼此独立。传统进行统计过程控制的控制图,如单值X图、CUSUM控制图、EWMA控制图,都能用来监测残差。若使用单值X图监测残差,就得到X残差图。一旦检测到残差过程中出现了均值变化,则判定过程本身的均值已处于失控状态。相似地,CUSUM残差图和EWMA残差图分别在参考文献3和参考文献4中提出。关于残差图和其他控制图之间的对比,见参考文献5。残差图的优势:残差图能用于任何自相关数据,包括非平稳序列。通常,使用软件来拟合时序模型。残差图
15、的劣势:残差图和传统控制图的性质不尽相同。AR(1)过程AR(1)过程见A.3.3的X残差图对均值变化的监测效果不佳。参考文献6表明当过程岀现正自相关时,X残差图的效果并不理想。参考文献7表明,与单值X图相比,X残差图的检测能力,有时更弱。构建残差图,需要用时间序列或模型来处理数据。残差图的使用者应不断检查模型的有效性,以减弱建模误差和过程变化带来的混合效果。为了更直观地说明,给出一个示例。通过对铝冷轧过程中冷却剂的黏度进行测量,得到一个样本量为50的数据集8。图1表明,数据呈现下降的趋势。然而,怀疑这些观测数据并不相互独立。图2为间隔取为0到12时,得到的样本自相关函数(ACF)的图像。对于
16、样本自相关和ACF,见附录A中的A.4.2、A.5和参考文献9。如A.5所述,基于独立同分布的正态序列的假设,间隔大于1的样本自相关系数应有约95%落在1.96/#之间。基于此,由图2可见,上述观测数据并不独立。参考文献8提供了一个预测z时刻冷却剂黏度的模型:xOCt+bxt-+CXt-2+dxt-+,=1,,50 xt=atA3GB/T17989.92022/ISO7870-9:2020Y3.83.63.4A3.2V32.82.62.42.203050X101520403545525标引序号说明:X观测序号黏度。;y图1示 例Ylliini0.80.60.40.20-0.20.4023456
17、89101112X标引序号说明:间隔X;自相关系数。y图2每 日 黏 度 的 观 测 序 列 的 自 相 关 函 数 及 近 似95%置 信 带参考文献8给出了a、b、c、d的估值,通过样地,为了检验残差是否彼此独立,可再利用带有置信带的自相关函数ACF图像,如图4所示。可证明残差不再存在自相关,可使用k控制限的单值X图(歹3SR,其中歹为序列只,的均值,SR是序列尺,的标准差)来监测残差。由图3可见,残差的均值以及过程的均值处于受控状态。,=1,46来计算残差,如图3所示。同=x,x4GB/T17989.92022/ISO7870-9:2020Y0.40.30.20.1.AYv肩M0V-0.
18、1-0.2-0.3-0.450X300102515203540455标引序号说明:时间X残差。y图3黏 度 序 列 的 残 差 以 及3r控制限的单值A:图Y0.80.60.40.20-0.20.423458910111206X标引序号说明:X间隔;自相关系数。y图4黏 度 序 列 残 差 的 自 相 关 函 数 及 其 近 似95%置 信 带4.3调 整 控 制 限 的 控 制 图4.3.1调整的EWMA控制图与残差图相比,更直接的方法是:不建立时序模型,而直接对控制图的控制限进行调整。基于此思路得到了一些方法,然而他们仅适用于一些特定的过程,如AR(1)过程1。参考文献11提出了平稳过程的
19、监测EWMA的方法,即EWMAST控制图,适用于常规意义的平稳过程。基于下面的统计量来5GB/T17989.92022/ISO7870-9:2020构建控制图11:Zt(1A)Zt-+XXt即过程的均值;A是平滑参数(0A1)。其中,Z假设过程序列X,j=l,2,,iV是均值为y方差为V的平稳序列。当值很大时,Z,的方差可近似为:0=fj-M()21+2(1A)1(1A)2(2(2)其中,M是整数,)是间隔为的过程自相关系数。注意,当过程不存在自相关性时,4与传统EWMA控制图相同。假设X,服从正态分布,那么也服从均值为p的正态分布。Z,在图上打点,得到EWMAST控制图,控制图的中心线位于p
20、的 位 置,且 控 制 限 由 下 式 给 出:士Lz50且N/4时,才能得到有效的)估值。因此,公式(2)中的M宜足够大,使得公式(2)给出的近似值可使用;同时M要小于iV/4,以避免自相关系数的估值有较大的误差。模拟研究表明,当100时,M=25是推荐的取值11。为了更直观地加以说明,以#=0.5、方差a2=l、链长为200的AR(1)过程的模拟数据为例。白噪声(见A.3.2)服从正态分布。前100个观测值的过程均值为0。从第101个观测值,过程均值出现从01(即Id的阶跃变化。图5给岀这些模拟数据的折线图。和自相关系数未知时,通常用过程处于160180200I60100120140080
21、2 040标引序号说明:X时间;Y观测值。图5列举EWMAST图对AR(1)过程的实现若将前100个数据构成的过程视为平稳的,据此对过程的均值、标准差和样本的自相关系数进行估,25)。取M=25,A=0.2,由公式(2)得到,Z,标准计,得到;Fo.io,s=o.9i,以及ga)a=i,2,差的估值h=0.24。图6为中心线为IMAST控制图。该控制图发岀警报:从第110个观测值开始,控制图监测到过程均值增大。0.10、3a控制限由X35z=(-0.81;0.60)给岀的EW6GB/T17989.92022/ISO7870-9:2020Y1.50.5hAAv07-0.5180200206080
22、040100120140160标引序号说明:X时间;YEWMA0图6用 于 图5均 值 增 大 的 模 拟 数 据 的EWMAST控 制 图4.3.2调整的CUSUM控制图参考文献13讨论了在过程自相关较弱时,用CUSUM控制图直接处理原始数据的效果。在过程自相关较强时,则考虑使用经过处理的观测数据。参考文献10和参考文献14还提出了将改进后的CUSUM控制图应用于AR(1)过程或其他时间序列过程的方法。4.4监 测 自 相 关 数 据 的 控 制 图 比 较关于监测自相关数据的控制图之间的比较,已有文献进行了讨论。参考文献10和参考文献5通过数据模拟,对比了平稳AR(1)过程的单值X控制图、
23、X残差图、CUSUM残差图、EWMA残差图,以及EWMAST控制图的效果。研究发现,EWMAST控制图的表现要优于CUSUM残差图和EWMA残差图。总体来看,EWMAST控制图的表现同样优于单值X控制图和X残差图。模拟结果还表明,CUSUM残差图和EWMA残差图的效果相差无几。当过程自相关不强时,CUSUM残差图和EWMA残差图的效果优于X残差图。与之相反,当过程自相关较强时,X残差图的效果则要优于其他残差图。当过程自相关很强时,此时过程已近乎不平稳,EWMAST控制图的表现相对来说仍优于其他控制图。应用EWMAST控制图的一个明显的优势,就是不需要为平稳过程数据构建时间序列模型。EW-MAS
- 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:
- GBT 17989.9-2022 生产过程质量控制统计方法 控制图 部分:平稳过程控制图 GB 17989.9 2022 生产过程 质量 控制 统计 方法 部分 平稳 程控 制图
链接地址:https://www.taowenge.com/p-62795871.html
限制150内