MSA GRR研究时两个普遍纠结的问题

文章原创:姜传武(John Jiang) 资深质量咨询&培训师 电话:18501797352,个人主页:[url]http://www.jiangshi...
文章原创:姜传武(John Jiang) 资深质量咨询&培训师
电话:18501797352,个人主页:http://www.jiangshi99.com/home/jiangchuanwu/?from=recommend
 
在我所讲的MSA课程中,我发现有两个问题,学员们每次都在纠结,它就是:
第一个问题:我们周期性地评价GRR时,是使用初次评价时的样本,还是当前过程的样本?
第二个问题:在PPAP时做的GRR是满意的,但是在量产很长一段时间后,再用当前产品做分析样本时,GRR指标又不好了,但是制造过程比当初更加稳定了,零件的变差减小了,所以不能就说测量系统的GRR是不满足要求的,测量系统不用改进!我们不能为了MSA而MSA,因为再提高测量精度,所用的成本太高了!

以上问题,我基本上保留原样,但是在给出正式的解答前,忍不住先反问一下:
在没有分析测量系统是否真的变坏了前,怎么能讲零件的变差变小了呢?用于分析零件变差的测量数据可信吗?
这个问题反映的其实是MSA的最基本的概念,甚至还涉及一些质量理念方面的东西,所以值得写一下,与大家分享和探讨。

在回答这个问题之前,必须首先要明确什么是GRR。GRR是测量系统中的精度误差,是MSA工作的一部分,是用测量值的标准差来估计的,它表示测量系统本身的测量误差大小。它在测量系统的所有影响因素没有显著变化的情况下是不变的,它的大小与用什么时候的样本也是没有关系的。

测量系统的精度是否满足测量要求呢?这就要把GRR值与要求进行比较,看一下测量系统满足测量要求的能力是否发生了变化。这才是进行测量系统评估的真正目的!

测量的目的不同,要求也就不同。通常情况下,我们把测量用于满足下面两类不同的目的:
第一类:用于产品检验,判断产品的特性是否合格,将GRR与特性公差比。测量要求就是测量系统能够区分合格与不合格;
第二类:进行统计分析,由于测量值由真实值和测量误差构成,这时的测量要求就是测量值之间的变差能够足以精确反映制造过程的实际总变差(表现为该过程所生产的零件特性的一致性),就要把GRR与测量值之间的变差进行比较,所占比例越小,则说明测量值越能反映实际的过程总变差。这类应用常见的有:SPC控制图、CPK、6SIGMA改善、STA(统计公差分析)等。

在MSA中,针对这两类应用的目的,规定了如下三个GRR的评价指标:

4.png


当测量值被用于第一类目的,即产品的检验、验收时,使用100(GRR/T),可见,大小只与测量系统本身的GRR和公差T有关,与用什么时候的样本是没有关系的,反映的是测量系统精度是否存在显著的绝对变化。

当测量值被用于第二类目的,即统计分析时,使用100(GRR/TV)和分类数ndc来评价。其中,TV是一个总变差,它是通过测量值(也叫观察值)来计算的,它总是或多或少地含有测量误差,即由两部分构成:真实的过程总变差(零件特性间的真实变差)和测量误差(GRR)。因此,TV是动态的,它随着零件特性之间的变差的变化而变化,当然,也会因GRR变化而变化。

一般情况下,在刚刚量产时,由于还可能存在着许多问题没有完全解决,零件特性间的变差会比较大,而随着量产时间的增加,问题逐渐解决,又做了一系列的持续改善,零件特性的一致性就会变得越来越好,这时σpart和TV就会变小!换句话讲,就是100(GRR/TV)和ndc会与我们用哪些样本来评价有关系,如果再使用当初的样本评价GRR,所计算出的这个结果就不能正确判断测量系统是否真正满足当前的测量要求了。如果硬要使用当初的样本,则会有如下可能的误导:
1. CPK很高,但可能是一派虚假的繁荣!或者SPC控制图上出现连续水平排列的点。但过程能力是否真的提高了,还是测量系统是否真的变差了,单从100(GRR/TV)和ndc上是看不出的;
2. CPK保持稳定,但可能是一个虚假的稳定,测量系统和实际过程能力可能同时都变差了!
3. 评价一项改善是否成功时,我们需要进行改善前、后的CPK对比,若使用当初的样本,则测量结果会显示没有成效或未达改善目标!因为测量系统的分辨率差,不能有效分辨出改善措施所带来的变化!

在以上基础上,我们可以对一开始的两个问题总结出以下GRR研究的策略:
1. 如果测量系统只用于检验产品,则可以使用任何时候的产品作为样本,只考察100(GRR/T)这个指标;
2. 如果测量系统同时还用于统计分析,则要讲究样本了。我们可以用以下步骤来做:

1) 从当前过程中抽取样本,这个样本应涵盖当前过程的所有5M1E过程因素的正常更替,如:换班次、换料批、修磨刀具等,怎样才能做到呢?这就需要时间来抽样!例如,把所用的不同样本分配到不同的班次、原材料批次中。
此时,需要注意的是:如果你没有足够的时间得到满足上述要求的样本,是可以从一个班次中抽样的,但是,从样本中计算出来的TV就不能很好地反映真实的过程的总变差(零件特性间的真实变差)!建议使用过程总变差的目标值来代替TV,可以从PPK计算公式中推导出来(此处略去公式和推导)。但是要注意:如果实际过程的性能还未达标,则我们评价的%GRR就相当于对测量系统满足期望目标的能力;如果过程性能实际上已经超过了PPK的目标要求,则此处%GRR的结果可能要高估了当前测量系统满足当前测量要求的真实能力,即100(GRR/TV)和ndc虚高!

2) 计算100(GRR/TV),并将结果与100(GRR/T)的结果进行对比。
a) 若100(GRR/TV)不满足要求(如大于10%),同时100(GRR/T)满足要求,该测量系统的精度没有发生显著下降,这是由于制造过程能力提高的结果,使得总变差TV变小的原因,但是事实是:测量系统已经不能满足对当前制造过程的统计分析的要求了!

到底需不需要改善呢?很多人在这个地方纠结!因为测量系统本身没有下降,要改善的话,可能要投入很多成本,例如更换高等级的测量仪器或自动化测量设备,会投入巨资的!这个时候就要看我们的质量管理的要求了,理论上讲,如果没有过程持续改善的测量需求,就没有必要改善测量系统,但此时要注意两点:
第一,当客户需要CPK报告时,你是否能够说服客户?
第二,为什么不对过程和产品进行持续改善?!客户有了更高的质量水平的要求、竞争对手有了更高的质量水平的表现,你还在停滞不前吗?很多时候,需要我们有战略观,战略就是要求我们不只是看到眼前所花的成本,而是要看到更长远、更大的范围内的风险和要求,从而保证战略总成本最低!
b) 若100(GRR/TV)是满足要求的,但是100(GRR/T)是不满足要求的,则说明测量系统并不是真正的好,与第一次GRR分析(当时是满足要求的)的时候相比,已经发生了显著的下降了,但其测量精度仍然能够满足当前制造过程的统计分析的要求。这时应当对测量系统进行改善了,最起码要满足检验的要求!若不改善,100(GRR/TV)也很可能会在下一次GRR研究前就不合要求了。
c) 若二者同时满足要求,则测量系统没有问题。
d) 若二者同时不满足要求,则毫无疑问,测量系统的精度已经绝对地变差了,必须要改善了。

总之,周期性进行的GRR分析,应当使用代表当前制造过程实际总变差的样本,并同时进行两种%GRR指标的对比分析,从而判断出两层涵义:
第一,测量系统的精度是否绝对地发生了显著变化; 
第二,测量系统的精度是否满足当前过程的测量要求。
若没有足够的时间抽取代表当前过程的样本,则可以使用PPK目标值所对应的过程总变差来代替当前过程的TV,但这样做也不是最好的。
  收起阅读 »

MSA中d2与d2*的区别

最近在整理MSA资料,查了一下d2和d2*的区别,记得论坛里以前有过讨论,AIAG手册里并没有说清楚二者之间的关系。 供大家参考吧,知道出处心里感到踏实些。 ...
最近在整理MSA资料,查了一下d2和d2*的区别,记得论坛里以前有过讨论,AIAG手册里并没有说清楚二者之间的关系。
供大家参考吧,知道出处心里感到踏实些。

毕竟我们不是统计学家:-)









  收起阅读 »

测量系统分析-线性偏倚分析

个人觉得不错,分享给大家。 为保证我们的测量系的准确性,我们生产过程中,要对测量系统进行测量系统分析,以了解测量系统的变差分量,确定这变差分量是否可接受以及做相...
个人觉得不错,分享给大家。
为保证我们的测量系的准确性,我们生产过程中,要对测量系统进行测量系统分析,以了解测量系统的变差分量,确定这变差分量是否可接受以及做相应的改善。
以下我介绍一下测量系统分析中的线性偏倚分析,知识有限有不对的地方请多多指教。
决定要对某工序测量外形尺寸的测量系统做线性偏倚分析,此过程变差=0.01mm.要求测量系统偏小于过程变差的1/3.
一、数据收集:
1、    人员:经培训合格的操作人员1位;
2、    测量仪器:测量范围为(0~100)mm的A仪器;
3、    分析样品:取5个分析样品,使用高一级测量仪器测得量值分别为: 
 
        1mm、5 mm、10 mm、50 mm、100 mm。
4、    测量方法:测试人员,在重复性条件下,使用直接测量分析对5个样品测量15次,得到测量结果;
5、    分析环境:23℃,54%RH.
二、分析数据-使用MINITAB工具
1、把数据按MINITAB的数据格式,填入MINITAB工作表中:
 
a1.jpg


2、使用MINITAB的量具线性和偏倚研究工具,计算出结果。
   
a2.jpg


a3.jpg


a4.jpg


a5.jpg

 



 
3、输出结果如下:
 
a6.png



4、分析判定:
从上图与数据我们可判定,此测量系统存在显著的线性偏倚,但%偏倚都小于30%,所以对于此过程,此测量系的偏倚可接受;
1)    常量P=0.000<0.05, 斜率P=0.000<0.05,说明存在线性偏倚;
2)    图表与R-S=71.9%也证实了这一结论;
最大%偏倚=17.3%<30%,所在虽然此测量系统存在线性偏倚,但用于此过程是可接受的。不需要修正或改善。
如果需修正可使用此线性回归方程对测量结果进行有效的修正:
Y=1.00002X-0.000722.
  收起阅读 »

MSA MINITAB 6图分析 详细

一、变异分量图 (理想情况下)  贡献%<10%(方差分量/变异度),研究变异%<30%(量具变异/总变异),公差%(6*...
一、变异分量图(理想情况下) 
贡献%<10%(方差分量/变异度),研究变异%<30%(量具变异/总变异),公差%(6*量具标准差/公差)<30%。
二、测量值样品图(理想情况下)
样本内部比较集中,说明测量的值变异较小。样本间波动大,说明样本选取覆盖了过程。
三、R图(理想情况下)
不能超出规格线,子组内变异较小,差异小。
四、测量值检验员(理想情况下) 
箱形图看分布(直方图原理),差别小,均值近似在一条线上。
五、XBar图(理想情况下)
 此处论坛疑问较多,实则与SPC处控制图无异,当我们选取样本时,最好要覆盖过程,10个数值,两三个在规格线外,两三个在规格线处,两三个在规格线内,即 MSA手册中的三个区。
I Bad parts will always be called bad(坏的就是坏的,怎么测都是坏的)
II Potential wrong decision can be made(可能好,可能坏)
III Good parts will always be called good(好的就是好的,怎么测都是好的)。
样本选取时为什么建议覆盖过程公差而不去覆盖过程变差,情况:当过程变差远远小于过程公差,此时若按过程变差选的话,所选的数据非常集中,一般情况下,测量系统分析的结果是分辨力不够。不合格。 10:1后(过程变差/10)<< 量具分辨力.
六、部件*操作员交互作用图(理想情况下) 
表明员工与零件之间的关系怎样随着操作员的变化而变化,正常状况是每条线的形状一样。即没有交错。
欢迎补充           
2017/7/27  
4:15
  收起阅读 »

喷漆附着力与零件表面清洁度的关系

在各种产品的表面处理工艺中, 喷漆与底材的附着力差,出现掉漆、起泡、划格法测试不合格的问题会经常出现。 而底材表面不干净,有油污、油尘、指纹等污染物是造成附着力...
在各种产品的表面处理工艺中, 喷漆与底材的附着力差,出现掉漆、起泡、划格法测试不合格的问题会经常出现。 而底材表面不干净,有油污、油尘、指纹等污染物是造成附着力不良的关键原因。而表面处理70%的不良都是在清洗过程造成的。由于清洗不彻底,清洗过后的零件表面容易残留油、脂、蜡、胶黏剂、指纹、残留的清洗剂等有机污染物。这些有机污染物的过量残留是影响后工序如焊接、喷涂效果的主要原因之一。

通过荧光激发法对零件表面进行检测,监控清洗后工件的清洁度,建立清洁度标准,可以避免因胶黏剂残留过量造成的喷涂附着力差、甚至喷涂不上的问题。

以汽车铭牌为例,汽车铭牌毛坯在加工过后通过贴膜来防止毛坯板刮花和二次污染。目前的贴膜方式有两种:第一种为静电吸附膜,第二种为丙烯酸胶黏剂(丙烯酸)粘合膜。粘合膜在撕掉后会有胶黏剂残留在毛坯板上,工程师认为这是造成后续工序中喷涂效果不好的主要原因,使喷涂涂层有附着不上或涂层脱落的风险。
 
相关测试仪器
SITA Cleanospector清洁度测试仪
 
 
以下为合格样品和不合格样品的比较
不合格样品(A样品)
sample.jpg

 
合格样品(B样品)

sample2.jpg

通过比较A、B两样品的清洁度曲线可以发现:

A样品曲线平稳的地方为底材干净的部位,示值为5RFU左右;示值在中后部有波动,最大值达到了15RFU,说明此区域有胶黏剂残留。

B样品曲线一直平稳在5RFU左右,几乎没有波动,说明B样品这个板面清洁度很均匀,相对比较干净。
  收起阅读 »

测量系统评价Gage R&R分析

日本原版测量系统分析
日本原版测量系统分析

【实话百科】什么是MSA(2)偏倚

文章被删除了,再发一次,已经删除二维码信息 71288
文章被删除了,再发一次,已经删除二维码信息

【品管大实话】什么是MSA2_6sq.png

1分钟教你制作测量系统线性案例

某工厂检验员对某过程引进一套新测量系统,作用PPAP的一部分需要对测量系统的线性进行评价。 根据已文件化的过程变差描述,在测量系统的全部工作量程范围内选取了五个...
某工厂检验员对某过程引进一套新测量系统,作用PPAP的一部分需要对测量系统的线性进行评价。
根据已文件化的过程变差描述,在测量系统的全部工作量程范围内选取了五个零件。通过对每个零件进行
全尺寸检验测量以确定其参考值,然后由主要操作者对每个零件测量12次。 在分析中,这些零件是附件抽取的.
 
数据如下:
 
基准值                
2    4    6    8    10
测试数据                
2.7    5.1    5.8    7.6    9.1
2.5    3.9    5.7    7.7    9.3
2.4    4.2    5.9    7.8    9.5
2.5    5    5.9    7.7    9.3
2.7    3.8    6    7.8    9.4
2.3    3.9    6.1    7.8    9.5
2.5    3.9    6    7.8    9.5
2.5    3.9    6.1    7.7    9.5
2.4    3.9    6.4    7.8    9.6
2.4    4    6.3    7.5    9.2
2.6    4.1    6    7.6    9.3
2.4    3.8    6.1    7.7    9.4
 
操作:
1, 6SQ统计--测量系统分析--线性

 
2, 分布选择基准值范围和数据范围

QQ图片20161005135844.png

3,点确定,输出结果

QQ图片20161005140219.png


Sheet16_SixSQStat_LinearityChart.jpg


线性百分率(斜率 * 100 的绝对值)是 13.2,这表示量具线性占整个过程变异的 13%。

Excel数据及案例
http://pan.baidu.com/s/1i5AXSRN​ 

  收起阅读 »

1分钟教你制作计数型测量系统案例

MSA手册中的案例。 随机选择了50个表示过程的部件。由三名操作员按照随机顺序评价这50个部件,每个部件评价三次  1表示判断为良品,0表示判断为坏品 同时这5...
MSA手册中的案例。
随机选择了50个表示过程的部件。由三名操作员按照随机顺序评价这50个部件,每个部件评价三次
 1表示判断为良品,0表示判断为坏品
同时这50个部件的准确值我们是已知的。
注意:
  目前本软件只能分析两个层次的计数型测量系统分析。即分为良品/坏品,好/坏。 而不可以用于分析更多层次的,比喻,好 中 坏。
 
操作:
1, 6SQ统计--测量系统分析--计数型测量系统研究

 
2, 输入: 实验次数: 3
          评价人数: 3
          零件个数: 50
QQ图片20161004152756.png

 
点击设计,输出设计表格.
QQ图片20161004153010.png

 
3,在青色的区域填入实验数据,  1表示判断为良品,0表示判断为坏品 . 
 填入基准.
 基准值是这个样品的真实测量值,与计算无关,可以不填
QQ图片20161004153343.png

 
4, 分析时请选择红色框内的区域!点击确认输出结果.
QQ图片20161004152756.png

QQ图片20161004154735.png

QQ图片20161004154740.png

Kappa值大于0.75则表示有很好的一致性,Kappa最大值为1,Kappa小于0.4则表示一致性差。
 
注释:
(1) 评价人自己在所有试验上都一致
(2) 评价人在所有试验上都与基准一致
(3) 所有评价人自己保持一致,两两间一致
(4) 所有评价人自己和两两间一致并且于基准一致
(5) UCI和LCI分别是上、下置信区间边界线

QQ图片20161004155129.png


为进一步分析,列出以下表格, 为每个评价人的结果提供指南。
结论: 当考量有了有效性,错误率与错误警报率, 该测量系统究评价人B来说有限度的接受,评价人A处于边缘,评价人C不可接受。
 
Excel数据案例:
http://pan.baidu.com/s/1i5AXSRN​
  收起阅读 »

1分钟教你制作GR&R案例(方差分析法)

MSA手册中的案例。 选择了十个表示过程变异预期极差的部件。由三名操作员按照随机顺序测量这十个部件,每个部件测量三次。 我们用方差分析法进行GRR分析:   操...
MSA手册中的案例。
选择了十个表示过程变异预期极差的部件。由三名操作员按照随机顺序测量这十个部件,每个部件测量三次。
我们用方差分析法进行GRR分析:
 
操作:
1, 6SQ统计--测量系统分析--量具R&R(方差分析法)
QQ图片20161002161834.png

 
2,输入 实验次数: 3 
     评价人数: 3  
     零件个数:10
QQ图片20161002161757.png

点击设计,生成数据表。
QQ图片20161002160904.png


3,填入实验数据
QQ图片20161002162717.png

4,数据范围选择全部的红色的框内,输入过程公差8 , 点击确认,输出分析结果。

QQ图片20161002161757.png


QQ图片20161002163437.png

Sheet12_SixSQStat_VarComp.jpg

Sheet12_SixSQStat_XBarChart.jpg

Sheet12_SixSQStat_RChart.jpg

Sheet12_SixSQStat_MeasurementPart.jpg

Sheet12_SixSQStat_MeasurementApp.jpg

Sheet12_SixSQStat_InteractionPlot.jpg

 
会话窗口输出 

·    查看方差分析表中操作员*部件交互作用的 p 值。当操作员与部件的 p 值 > 0.05 时,在整个模型中忽略此交互作用。请注意,有一个方差分析表没有交互作用,因为 p 值为 0.974。

·    查看量具 R&R 表中的“%贡献”列 - 来自部件间的贡献百分比 (92.24) 大于合计量具 R&R 的贡献百分比 (7.76)。这表明大部分变异是由于部件间的差异所致。 

·    查看“%研究变异”列 - 合计量具 R&R 占研究变异的 27.86%。虽然合计量具 R&R %贡献是可接受的,但仍有改进的余地。请参见测量系统可接受性准则。 

·    对于此数据,可区分的类别数为 4。按照 AIAG 的要求,您需要至少 5 个可区分类别才能得到满足要求的测量系统。请参见可区分类别数声明。 



图形窗口输出 


·    在“变异分量”图中,部件间的贡献百分比大于合计量具 R&R 的贡献百分比,表明大部分变异是由于部件间的差异所致。

·    在“按部件”图中,部件间存在较大差异,。

·    在“R 控制图(按操作员)”中,操作员 B 的部件测量值很不稳定。 

·    在“按操作员”图中,与部件间的差异相比,操作员之间的差异较小,但仍属显著(p 值 = 0.00)。操作员 C 的测量值似乎比其他人略低一些。

·    在“Xbar 控制图(按操作员)”中,X 和 R 控制图中的大部分点都在控制限制之外,表明变异主要是由于部件间的差异所致。

·    “操作员*部件交互作用”图是对于操作员*部件的 p 值(此处为 0.974)的直观表示,表明每个部件和操作员之间不存在显著的交互作用。
 
Excel数据案例:
 http://pan.baidu.com/s/1i5AXSRN​ 

6SQ统计3.0企业版90天试用下载​ http://pan.baidu.com/s/1i5AXSRN    收起阅读 »

QSB-GM

QSB(Quality Systems Basic,质量体系基础)是上个世纪九十年代,由通用汽车的供应商质量管理部门在零部件供应商之间首先开展的一项质量改进活动...
QSB(Quality Systems Basic,质量体系基础)是上个世纪九十年代,由通用汽车的供应商质量管理部门在零部件供应商之间首先开展的一项质量改进活动。随着全球供应链战略以及低成本国家的汽车零部件的崛起,通用汽车已经把QSB的要求纳入供应商质量评估体系,要求其供应商必须建立QSB体系。

QSB(质量管理体系基础)为美国通用汽车公司(GM)的核心管理工具,是一套理论完备、可操作性强的体系,得到汽车供应链上很多厂商的认可和运用(例:Delphi、Continental、Mobis等)。QSB+(Quality Systems Basic Plus,质量体系基础+)是QSB的最新版本,从13个战略方向不断提升整个供应链质量管理水平。

QSB+核心要素之一:快速响应

快速反应是这样一个系统:

● 使用标准化的反应流程来应对重大的内/外部质量问题

● 使用标准的问题解决报告格式, 逐步培养问题解决原则意识

● 通过每日例会加强沟通和管理

● 采用目视管理方法展示重要信息

● 尽早尽快地从上游解决问题


QSB+核心要素之二:不合格品控制

可追溯性使得顾客能准确识别可疑产品,并便于遏制和召回。

1、召回:

● 保护终端顾客,不得遗漏任何车辆

● 限制召回车辆的数量

● 品牌形象

● 避免给用户造成无用的召回

● 在现场,限制资源

2、遏制:

● 帮助确定问题的准确范围

● 可用来确定,采用不合格品装配的车辆是否已经装运至经销商/终端顾客

● 确定适当的断点


QSB+核心要素之三:防错验证

● 验证岗位的目的是什么?

● 验证岗位就是检查你的工序是否提供你所要的产品。

● 验证岗位提供了一个通过报警系统来专注于顾客关注问题(PR&R 缺陷)的方法。

● 验证岗位也对频发的,低严重度不合格品提醒注意。(对顾客的危害:灰尘,橘皮脱落,等。)

● 验证岗位最终减少缺陷零件数量,改善厂内一次合格率,直通率,从而在为顾客提供更好产品的同时也降低了成本。

QSB+核心要素之四:标准化操作
消除浪费:

消除浪费是每个人的责任,在持续改进的企业文化中,通过日常工作来推进和参与消除浪费活动。持续改进是一个永不停止,永无尽头的过程。即使当过程是稳定的,业务计划的目标已经达到时,我们也应寻求进一步的提高改进之路,更上一层楼!


QSB+核心要素之五:培训
● 领导必须利用年度培训计划发展提高他们的员工(包括所有生产和支持部门员工) 对于新员工/新职位特别派遣的人员/临时员工,要有特殊的考虑

● 员工要有培训计划,培训计划基于评估需要(比如:组织目标,个人培训需求,执行计划等)

● 利用培训工具:

● 课程目标

● 计划和跟踪

● 柔性图(用以确认培训和评价培训需求)

● 培训考核

● 培训计划应包含以下领域:

● 健康,安全,环境

● QSB+

● 技能培训

● 领导力培养

● 项目投产等特殊培训(如果适用的话)


QSB+核心要素之六:分层审核

● 过程分层审核提供了一套系统来:

● 验证操作是否符合文件规定的流程 

● 逐步建立纪律

● 促进沟通

● 改善总体质量

● 过程分层审核成为一个汽车行业的标准

● 过程分层审核应由制造部门主导。

● 质量和其他职能部门参与并支持过程分层审核系统。

● 过程分层审核是对控制计划和作业指导书的补充检查。

 
QSB+核心要素之七:风险降低
● 领导层必须支持 RPN 降低活动,为多功能小组的定期评审提供必要的资源。

● 多功能小组必须全面评审 PFMEA:

● 符合 AIAG 和顾客要求

● 要包含所有过程和控制,且正确无误

● 频度和探测度打分依据真实数据、并准确

● 针对各被动式 & 主动式活动的更新

● 必须建立高 (RPN) 风险降低机会项目清单。

● 必须使用措施计划或类似记录跟踪RPN 降低活动的进度。

●  必须验证纠正措施实施后新的频度和探测度打分,并计算 RPN。

● 应该实施逆向 PFMEA 过程。


QSB+核心要素之八:异物控制

异物原理

● 致力于5个不同的异物分类,采取必要的控制手段使异物对产品外观和/或功能的影响最小化。

● 沉淀物

● 沉淀物减少策略

● 洁净间

● 涂装异物

● 多余零件

● 供应商应该在必要的地方有异物控制程序和作业指导书

● 程序/作业指导书的要求:

● 过程监控

● SPC或者数据收集

● 常规维护

● 预防或预见性维护


QSB+核心要素之九:供应链管理

● 开发供应链管理体系

● 满足GM/PSA质量准则

● 实施QSB+战略

● 应用GM/PSA问题解决方法论(深入分析和横向展开/8D)

● 所供应的产品进行APQP (GM) / Formalized Qualification Process (PSA) 和 PPAP/EI提交

● 建立质量绩效指标,如FTQ,PPM,内/外部质量

● 朝着高质量和低成本的方向持续改善

GM 期望一级供应商能采用类似通用管理他们的系统去管理他们的供应商。

组织必须:

● 采用文件化的系统方法管理其分供方

● 使用管理工具来管理其分供方:

● 通过下列手段来评估供应商是否符合要求,也要测评与最佳实践的差距。潜在供应商评估, QSB审核,标签审核, AIAG 特殊过程审核,DDW 审核。

● 监控供应商绩效目标与实绩。

● 有一个问题跟踪系统,直到获得问题根源并消除。

 
QSB+核心要素之十:变更管理
 
所有供应商都应有一个控制工厂过程变更的程序:

● 所有的变更都需要客户审核和批准

● 变更应使用文件化的工厂过程变更申请表

● 此程序应涵盖计划好的和紧急的变更

● 每个月要提前通知客户/SQE相关的下个月的变更(EWO和BTAB)

● 针对一切产品/过程/供应商的变更,需要执行有效的分析。此分析应该考虑成本,技术,性能,质量,时间结点,产能

● 在变更发生后,应该定义相关的断点,以及和客户的沟通。
 

QSB+核心要素之十一:设备维护

● 纠正型维护:

● 发生故障后进行维护

● 目的:尽快重新启动设备(甚至降级解决)

● 预防型维护:

● 按规定频次或规定条件(节拍数…)进行维护

● 目的:降低停机或设备损耗可能性。例:飞机维护

● 条件维护(预测型维护):

● 根据设备关键参数测量值进行维护

● 例:旋转机器震动分析、流体分析、电气设备温度分析


QSB+核心要素之十二:生产和物料流管理

每日生产计划

● 制定日生产计划小组应至少考虑下列要素,以建立每日生产计划:

● 设备和资源可用性

● 当前利用率

● 规划的维护

● 可用工时

● 规划的换产/工装变更

● 净可用分钟/小时数

● 最新OEE Overall Equipment Effectiveness(全局设备效率,常用算法:=设备利用率X 实际产能X质量指数。可利用率=实际生产时间/计划生产时间,实际产能=实际产量/理论产量。质量指数=合格率)

● 遏制方法
QSB+核心要素之十三:外部物流
  收起阅读 »

检验员技能MSA—KAPPA分析总结

Kappa,中文为卡帕,是度量测验结果一致程度的统计量。 在计数型测量系统中研究一个测量员重复两次(或测量结果与标准之间的一致性)测试结果的一致性...
Kappa,中文为卡帕,是度量测验结果一致程度的统计量。
在计数型测量系统中研究一个测量员重复两次(或测量结果与标准之间的一致性)测试结果的一致性或者两个测量员的测量结果之间的一致性。
如何有效地评价检验员的检验技能、整体提升检测岗位员工的技能水平,避免不良品的漏检流出。企业中针对检测员需要100%考核上岗(既满足自身检验一致性,同时也满足与标准判定一致性)。根据品质工具Kappa测试特点,检查岗位员工技能可通过Kappa测试,进行员工检出能力分析; 并系统推广到其他计数性测试岗位中,加以应用分析:
1、统计目前所有检验工位在岗检验员名单(岗位、姓名、入职时间、培训履历);
2、对在岗检验员进行资格审核,如有未经过流程培训考核上岗的在岗检验员(含未转正员工),则安排重新培训考核认证;
3、对最终确认人员进行产品检验标准培训及有关Kappa测试相关事项说明(含Kappa判定标准);
4、对在岗所有计数型检测岗位进行Kappa测试,每人对同份样本分2次进行检查,如有考核不过人员则要求对其重新培训,再次考核或淘汰剔除;
5、根据员工Kappa测试结果,对员工的检验技能进行认证;
样品收集:

应用Minitab工具
路径:打开Minitab软件—打开工作表—统计—质量工具—属性一致性分析表 收起阅读 »

我们公司原来都是使用控制计划代替作业指导书

我们公司原来都是使用控制计划代替作业指导书,上面要检测的尺寸,使用上面量检具我们都有,后来客户对我们评审,每个产品都要有配套的作业指导书,和检验规范,请问是否有...
我们公司原来都是使用控制计划代替作业指导书,上面要检测的尺寸,使用上面量检具我们都有,后来客户对我们评审,每个产品都要有配套的作业指导书,和检验规范,请问是否有必要,还有作业指导书和检验规范的作用是什么?可能我们就是搞不懂其中的作用才搞不懂为什么要做。请高人指教。 收起阅读 »

浅谈六西格玛 ARR

浅谈ARR 为了便于初学者对测量系统有初步的认识和使用,这里给大家简单介绍一下ARR的MINITAB使用方法,以及在现实中的使用技巧。 首先ARR和GRR...

浅谈ARR

为了便于初学者对测量系统有初步的认识和使用,这里给大家简单介绍一下ARR的MINITAB使用方法,以及在现实中的使用技巧。

首先ARR和GRR在MINITAB中的使用时有一定的区别的,大部分人认识测量系统是从GRR开始,但是对ARR认识不是太深入,那么下面我们简单的介绍一下ARR。


浅谈ARR_Page_1.jpg


浅谈ARR_Page_2.jpg


浅谈ARR_Page_3.jpg


浅谈ARR_Page_4.jpg
收起阅读 »

如何提高陶瓷墨水的稳定性

深色喷墨打印时出现,其与喷头本身有很大的联系,但本质上还是因为墨水体系不稳定,着色剂轻易团聚、沉降,堵塞喷头或者残余油墨粘附在喷头上。可通过选择结...
深色喷墨打印时出现,其与喷头本身有很大的联系,但本质上还是因为墨水体系不稳定,着色剂轻易团聚、沉降,堵塞喷头或者残余油墨粘附在喷头上。可通过选择结晶度高、中位粒径小、粒度分布窄的色料,选择合适的分散系统与合适的分散剂等方法来解决此问题。

  此外,陶瓷墨水的稳定性还牵涉到墨滴与坯体结合的问题。在实际生产中存在墨滴在坯体上润湿性不好以及墨滴在坯体上过度扩散的问题。润湿性不好可以添加恰当的分散剂,从而降低墨水体系的表面张力,使得陶瓷墨水中非极性的有机物能够与极性的陶瓷坯体形成润湿。至于墨水在坯上过度扩散,可能是由于墨水的表面张力过小,亦可通过控制分散剂的添加量的方法来解决。

  因此,选择适合的分散剂/润湿剂以及控制其添加量显得极其重要。

  一般说来,分散剂的性能和体系的润湿剂含量与其表面张力的大小有紧密的联系。所以,通常以测量分散剂的表面张力来确定分散剂的性能和体系的润湿剂含量,从而量化得出分散剂/润湿剂的性能与添加量。

  表面张力的测量一般分为传统的拉环/拉板法与新兴的最大气泡法。传统的拉环/拉板法是以往较为常用的测试方法,但因其有清洗麻烦、寿命短和易受客观条件影响的弊端,特别是不能反应墨水的动态表面张力已被逐渐淘汰。而新兴的最大气泡法表面张力仪测量喷墨的动态表面张力,得出动态部份的数据与墨水的性能有密切相关, 而且操作简便、测量快捷准确、使用寿命长和不易受客观条件影响等优点,现已被陶瓷墨水行业广泛接受与认可。

  动态表面张力仪是基于起泡压力法原理,和对比所提及的测试方法,它提供一个简便、实惠、可靠应用的方法。因为动态表面张力可以提供给你一个与动态时间和速度相关的数据,一边在打印质量上作出结论。

SITA表面张力仪可以用于检测测量分散剂的表面张力,提高墨水的稳定性,如果需要,在选择一个长的气泡寿命时间时,也可以提供准静态的表面张力值。 收起阅读 »

荧光法测量金属表面清洁度

  在电镀、漆凃等工艺过程中,对于金属表面的清洁程度要求十分严格,在金属的清洁过程中,如果无法进行清洁残留在金属表面的油污,容易造成被黏附油污的地方不通电,基体...
  在电镀、漆凃等工艺过程中,对于金属表面的清洁程度要求十分严格,在金属的清洁过程中,如果无法进行清洁残留在金属表面的油污,容易造成被黏附油污的地方不通电,基体结合不牢等,造成工艺质量上的产品问题。

  一般来说,黏附在金属制品表面的油污,不外乎矿物油、动物油和植物油。由于动植物油和碱作用发生皂化,称为皂化油。而各种矿物油如石蜡、凡士林、多种润滑油等不与碱发生皂化反应,统称为非皂化油。在肉眼观察的情况之下,往往无法能够准确的对于金属表面油污的洁净程度进行判断。在以往的工艺流程中,对于金属表面的干净程度往往是根据经验来判定的。
相对于主观的判定来说,通过荧光法克查出金属表面诸如油渍、油脂、冷却润滑剂以及蜡等污染物。测试结果可为清洁时间、化学工艺和浸泡温度等整个清洁过程的优化提供可靠信息。通过清洁过程中对金属部件的质量控制来确保产品的高质量要求。

  紫外线照射后产生的荧光是一种特殊形态的冷光。当荧光分析的电子吸收了光子后能量提高,但是这种状态并不稳定,它会马上变回初始状态并把吸收的能量再次释放出来,发出荧光。由于部分能量转化成热量消耗了,所以发出的光线能量降低,波长也变长了。由于玷污物的荧光特性,通过一个含紫外光波的LED灯照射,通过仪器即可探测出玷污物。仪器探头里的光电二极管负责测量UV荧光的强度。UV荧光越强表示污染程度越大,反之则越洁净。
201407301342446037.jpg


以测量金属管外侧和已切割金属管的内侧(即切割管)的清洁度。为例
测试仪器:CleanoSpector表面清洁度仪

  测试结果

  对样品管进行清洁度测试,要在各样品管上选取10个测量点,分别对切管内壁和未切割金属管外壁进行表面清洁度测试。

  为了准备一个干净的校准件,样品2已使用碱性清洁剂SurTec 151(3%)在60℃的超声波水浴中经过清洗,再用离子水冲洗干净并烘干。

  该荧光测试结果如图1所示。所有测量点的测量结果数值均列在下图中

201407280912124597.jpg

图1

201407280910529670.jpg

图2

  评价

  所有样品中,样品1的荧光值显著高于其他样品管,特别是其内壁荧光值;而样品1的外壁荧光值相对较低,但依然比其它样品管的外壁荧光值高。
收起阅读 »

计数型测量系统分析在外观检查上的应用(一)

美国3大汽车公司共同提出了QS-9000质量管理体系,在该体系中,首次完整明确地提出了测量系统分析(MSA—Measurement Systems An...
美国3大汽车公司共同提出了QS-9000质量管理体系,在该体系中,首次完整明确地提出了测量系统分析(MSA—Measurement Systems Analysis)的理念,并确立了其在现代企业质量保证体系中的重要地位。2010年由克莱斯勒集团公司、福特汽车公司和通用汽车公司供方质量要求特别工作组认可的测量系统分析(MSA)工作小组编写了《测量系统分析参考手册》第四版,主要介绍了基本计量型的MSA方法(极差法、均值和极差法、方差分析(ANOVA)法、偏倚、线性、控制图法)和基本计数型MSA方法(信号探测法,假设试验分析法)两类测量系统类型。用来对被测特性定量测量或定性评价的仪器或量具、标准、操作、夹具、软件、人员、环境和假设的集合,用来获得测量结果的整个过程称为测量系统。S.W.I.P.E(S标准、W零件、I仪器、P人/程序、E环境)表示一个普通的测量系统为了达成被要求的目标,有六个必要因素作为整个测量系统的一个误差模型。
从质量管理统计学的角度来看,测量系统分析实质上是变异分析的范畴,即分析测量系统所带来的变异相对于工序过程总变异的大小,以确保工序过程的主要变异源于工序过程本身而非测量系统,并且测量系统能力能满足工序要求。测量系统分析针对的是整个测量系统的稳定性和准确性,它需要分析测量系统的位置变差、宽度变差,在位置变差中包括测量系统的偏倚、稳定性和线性,在宽度变差中包括测量系统的重复性、再现性。

LSL和USL代表的是产品规范的上下限,第I类区代表不合格区域,第II类区代表可能做出潜在的错误决定区域,第III类区代表合格区域。我们的目标是尽可能地对产品状态做出正确的判断和决定,那么有两种选择:一是改进生产过程,减少过程变差,不生产出落在区域I和II的产品;二是改进测量系统,减少测量系统误差以降低区域II的大小,从而使得生产出的所有产品落在区域III内,并且降低做出错误决定的风险(也就是II类风险)。测量系统分析的目的就是改进测量系统,现今大部分企业关注更多的是计量型测量系统分析改进,例如购买CMM三坐标测量机等测量器具设备。相对而言计数型测量系统的改进空间小,一些定性测量设备器具大都属于人工判断,自动化程度低。所以,往往计数型测量系统发生问题的可能性更大,产生II类风险的几率更高。
计数型测量系统是一种测量数值为一有限的分类数量测量系统,它与能获得一连串数值结果的计量型测量系统截然不同。通/止规(G/NG gage)是最常用的量具,它只有两种可能的结果(合格、不合格)。其它的计数型测量系统,如目视标准,可能产生五到七个分类,如非常好、好、一般、差、非常差。计数型测量系统的分析是为了确定不同班次,不同生产线的检测人员是否能正确地区分合格品和不合格品,分析出测量结果与标准值的符合程度,以及他们自身和相互之间重复检查的一致程度。

曾经遇到这样的案例:由于客户那里经常反馈检测出少量产品外观裂纹,造成大量产品重复检测,既增加检测成本,又延误交付周期,这对客户而言是不可接受的。所以我们尝试各种激励的、惩罚的、或监控监督等方法,效果都不明显。因此召开头脑风暴会议分析问题根本原因,发现设备鉴别能力、检测方法、光线照明条件、物流通道、劳动强度、人员操作培训等都没发现异常情况,生产部门和品质部门最后判断最大可能性的是人为影响。但因为检测人员一共有三位,没有合理依据的情况下无法做出判断和决定,为此采用了计数型测量系统分析方法——假设试验分析(交叉表法)来进行评价。 收起阅读 »

镍表面清洁度的分析和处理

镍片清洗后需要焊接,最终成品为电池模组及电路板上的组件。 在焊接过程中不仅受焊接机器的焊接参数影响,而且镍片表面的状况也影响到焊接过程。镍片表面上的污垢,会影响...
镍片清洗后需要焊接,最终成品为电池模组及电路板上的组件。 在焊接过程中不仅受焊接机器的焊接参数影响,而且镍片表面的状况也影响到焊接过程。镍片表面上的污垢,会影响油焊接时焊点的接触面积从而降低焊接牢固程度。污染的不均匀性还会影响各个焊点加热的不一致,引起焊接质量的波动。另一方面,油和其他污染物会增大接触电阻,过厚的油膜层等其他类型污染物甚至会使电流不能通过,局部的导通,由于电流密度过大,则会产生飞溅和表面烧损。因此,清洁彻底的镍片表面是保证获得优质接头的必要条件。

测试仪器:德国SITA CleanoSpector

测试过程:在每个样品上取1至3个测量点读数,每个点直径为1毫米,测试时间约需1--2分钟。

傲游截图20140718162033.jpg




注:1)清洁度以百分数表示,数值越高,清洁度越好,反之亦然;

2)样品的测量结果测量点中,百分数的最低值作为最终结果,即用样品最脏的点代表整个零件的清洁度;

3)同一种颜色为同一组对比测试。

用RFU绝对值表示清洁度,值越高表示越脏


QQ截图20140718162045.jpg



注:1)清洁度以RFU绝对值表示,数值越高,清洁度越差,反之亦然;

2)同一种颜色为同一组对比测试。

由以上测试数据,结论:

污染过后的样品经过清洗,清洁度明显提高;由此可根据后续工艺的反复验证,来寻找到最适合的清洁度范围达到量化控制清洗过程的目的,是帮助排除、判断后续焊接过后产品问题的有效手段。
收起阅读 »

为什么要做MSA?MSA的作用和方法

看到坛子里有贴子在讨论什么时候要做MSA,各位提出了不少合理的意见,但更关键的是要明白为什么要做MSA,即测量系统分析。只有弄清楚了为什么要做测量系统分析,才能...
看到坛子里有贴子在讨论什么时候要做MSA,各位提出了不少合理的意见,但更关键的是要明白为什么要做MSA,即测量系统分析。只有弄清楚了为什么要做测量系统分析,才能既不遗漏又不过多地重复做测量系统分析。

所谓测量系统分析,就是要确认测量系统过程稳定,且测量结果数据满足对产品质量特性正确判别的准确度、精确度要求。测量系统操作的整个过程和加工系统过程一样,影响其结果的因素也是:人(测量设备操作者)、机(测量设备)、料(测量对象)、法(测量设备操作指导书。这点在某些测量设备上特别重要,如大型综合检具上手动夹紧装置的先后夹紧次序。)环(测量设备所处的环境要求)。我们说,测量结果的真值是永远得不到的,我们可以通过控制影响测量过程结果波动的因素,从而稳定的接近真值。综上所述,我们明白了一个重要概念,做MSA决不是仅仅对测量设备的评估,而是对测量整个系统过程的评估,这个系统包括了人、机、料、法、环。

清楚了要做的工作后,再来看看在做MSA前的准备工作,当选用的测量设备确定后(包括检定、校准工作已完成),我们首选需要完成测量设备的操作指导书(当然,简单的通用量具可简略),在操作指导书中需要对影响测量波动的因素进行分析,如前面提及的手动夹紧方式、次序;定位点垃圾的清理、环境要求的点检、是否需要预开机时间、被测产品毛刺、垃圾的清理,等等,然后对正式生产时检测设备的操作者进行培训确认,注意是正式生产时检测设备的操作者,做MSA时是不能临时由计量人员等代替正式生产时检测设备的操作者来进行的。接下来就是开始做MSA,方法大家都知道,恕不重复,关键提醒的是:所有操作步骤必须严格按测量设备操作指导书上要求逐一按次序进行,一旦发现测量设备操作指导书上规定有缺失以致影响到MSA评估,需要及时修订后再按新测量设备操作指导书内容重做,直至完成MSA评估工作。

现在回过头来看什么时候需要做MSA就非常明了,首先,测量设备(系统)正式启用时从来没做过MSA评估的那当然要做,其次,我们通过变化点管理,当因响测量系统的人、机、料、法、环各因素发生变化时,需要分析后判别是否要重做,这个分析是需要针对具体不同测量设备而进行的。举个例子:人员的变动(当然指经过培训后的员工)对不同的测量设备的影响程度是不一样的,自动化程度高的测量设备,清理定位基准、夹紧、读取测量值、结果判断都是自动完成,甚至是自动报警、不合格品自动分流隔离等测量设备,人员的变动完成就没必要重做MSA;反之,定位、夹紧、读数、判别依靠人员为主的综合检具,人员的变动就需要重做MSA。其他诸如产品、方法、设备、环境的变化同理,在此恕不一一举例。 收起阅读 »

Kappa 中对样本的选择

选择Sample 的时候要注意以下几点. [list=1] ]样本数量最好在30个以上 ] [[i]]样本中20% 为良品(此为送分题, ...
选择Sample 的时候要注意以下几点.
    []样本数量最好在30个以上[/][]样本中20% 为良品(此为送分题, 一眼就能看判断.)[/][]样本中20%为不良品(这也是送分题, 一眼就能判断.)[/][]其他60%为limit, 比较有争议的样品.[/]
收起阅读 »

Kappa 分析摘要

一般把Kappa值列为非参数统计(检验)方法参数统计: 在统计推断中,如总体均数的区间估计、两个或多个均数的比较、相分析和回归系数的假设检验等,大都是假...
一般把Kappa值列为非参数统计(检验)方法参数统计:

在统计推断中,如总体均数的区间估计、两个或多个均数的比较、相分析和回归系数的假设检验等,大都是假定样本所来自的总体分布为已知的函数形式,但其中有的参数为未知,统计推断的目的就是对这些未知参数进行估计或检验。这类统计推断方法称为参数统计。
在许多实际问题中,总体分布函数形式往往不知道或者知道的很少,例如只知道总体分布是连续型的或离散型的,这时参数统计方法就不适用,此时需要借助另一种不依赖总体分布的具体形式的统计方法,也就是说不拘于总体分布,称为非参数统计或分布自由统计。
参数统计:样本来自的总体分布型是已知的(如正态分布),在这种假设基础上,对总体参数进行估计或检验。若总体非正态,则样本例数必须充分多,或经过各种变换(对数、开方、角度……),使之近似正态分布,再进行估计和检验。?非参数统计:

未知研究总体的分布,或已知总体分布与检所要求的条件不符时,称非参数统计。?优点:
① 不受总体分布的限定,适用范围广,对数据的要求不像参数检验那样严格,不论研究的是何种类型的变量。
② 包括那些难以测量,只能以严重程度优劣等级、次序先后等表示的资料,或有的数据一端或两端是不确定数值,例如“&gt;50mg”,或“0.5mg以下”等。
③ 易于理解和掌握。
④ 计算简单,在急需结果时可采用。?
缺点:
① 比起参数估计来显得比较粗。
② 对适宜参数分析方法的资料若用非参数法处理,常损失部分信息、降低效率。
③虽然许多非参法计算简便,但不少方法计算仍繁杂。
?非参数适用于:
① 检验假设中没有包括总体参数。
② 资料不具备参数方法所需条件。
③ 计算简单实验未结束,急需知道初步结果。
④ 用于等级资料或某些计数资料。

非参数统计方法:

一、Ridit分析 (relative to an indentified distribution)
二、?秩和检验: N-1?ni[Ri-(N+1)/2]2
三 一致性检验:?Kappa

临床试验研究中把重复观察的一致性分为:

(1) 同一医务者对同一患者进行两次以上观察,?

(2) 两个及两个以上医务者对同一对象进行观察。

? Po- Pe统计量:Kappa = -------------? 1–Pe

Po:实际观察的一致率 ΣA 实际观察一致数Po = ----- = ----------------------
N 总检查人数

Pe:期望一致率(两次检查结果由于偶然机会所造成的一致性)?Kappa取值在[-1,+1]之间, 其值的大小均有不同意义.Kappa = +1 说明两次判断的结果完全一致?Kappa = -1 说明两次判断的结果完全不一致?Kappa = 0 说明两次判断的结果是机遇造成?Kappa &lt; 0 说明一致程度比机遇造成的还差,两次检查结果很不一致,但在实际应用中无意义?Kappa &gt; 0 此时说明有意义,Kappa愈大,说明一致性愈好?Kappa≥0.75 说明已经取得相当满意的一致程度Kappa&lt;0.4 说明一致程度不够理想

Kappa 统计量

是为了评价者之间比较的统计量,使用于标准和评价者之间的测量结果精确性或评价者之间测量结果的一致性判定.

假设验证

H0 : 对全体 范畴评价者 间的 意见 一致是依据偶然的.
H1 : 对全体 范畴评价者 间的 意见 一致是非依据偶然的. 对个别 范畴的假设(H0 :对范畴 j的 评价者间的 意见 一致是依据偶然的)验证也可以Kappa 统计量的意思解释

Kappa à= 1 评价者间的意见完全一致
Kappa à= 0评价者间的意见一致程度是依据偶然的
Kappa à&lt; 0评价者 间的意见一致程度还不如依据偶然的

Kendall的 一致系数(Kendall’s coefficient of concordance)在对n 个评价对象物(试料) 付与顺序的 m名评价者之间判断意见是否一致时使用连贯性的标准主要用于评价对象物之间有顺序,不知 Standard值时, 从0到 1的值假设 验证H0 : m名的 评价者之间的 意见 不一致H1 : m名的 评价者之间的 意见 一致验证 统计量是 跟随相似自由度n-1的 Chi-Square 分布 Kendall的 相关系数(Kendall’s , tau)icorrelation coefficient, 对n个评价对象物(试料) 付与顺序的 m名评价者于 标准之间的意见(顺序评价 结果) 一致与否确认时 使用的连贯性的标准主要用于评价对象物间既有顺序,又知道 Standard值时i (tau) = 1 : 标准和 评价者之间的意见(顺序评价结果)完全 一致 (tau) = -1 : 标准和 评价者 之间的i 意见(顺序评价结果)完全不一致 (tau) = 0 : 标准和 评价者 之间的 意见(顺序评价结果)没有任何关联i假设 验证
H0 : 标准和 评价者 之间的 顺序 评价 结果是没有关联.H1 : 评价者的 顺序 评价 结果和标准的 顺序 评价 结果有关联验证 统计量是近似标准正态分布
Kappa/ Kendall/区别Kappa 统计量也是进行评价者和 标准之间的 意见(顺序 评价 结果) 是否一致的评价时使用. 差异点在于 Kendall的 相关系数是考虑意见 不&#48520;一致的 程度也 ,可Kappa是不考虑不一致的程度.

打个比方 对评价者把Kendall的相关系数是 Standard 顺序为1位的 对象物 评价为2位和 评价为3位和是Standard 值的 1位的 不一致 严重度 互不同的操作, 但是Kappa 统计量是 把严重度定为一样来分析

交叉表(统计上的列联表)记录两组结果一致或不一致的频数

元素所在列和+行合 期望的数量=----------------------------- 总频数书中128页:15.7:A与B期望都不通过次数=(A判定为不通的次数总和*B判定为不通的总和)/每人判不通的机会原理:对角线相乘应该相等A0B0=AB0(期望)*每人不通的机会即:4750=xx150 xx=4750/150

总结:

kappa值:是我们在医学研究中常用的用来反映重复性研究中一致性大小的指标
Kappa技术是评估属性测量系统的可重复性和再现性的一种简单方法
kappa值用来衡量两个人对同一物体进行评价时,其评定结论的一致性.1时表示有很好的一致性,为0时表示一致性不比可能性来得好(仅用于此种AB两人有相同的分类值:通过或拒绝.同时分类数量一致的情况下)
kappa值是一种对评价人内部一致性的衡量,而不考虑他们之间的不一致量有多大.只考虑他们是不是一致.
通常认为Kappa值天于0.75表示评价人之间有很好的一致性,而小于0.40则表示一致性不好.

公式:

Po:P ōbserved= 判断一致性比率(不同作业员之间、同作业员不同次数之间)=(Pass Pass+Fail Fail)/总的检验次数Pe:P chance =  预期偶然达成一致的比率=]/总的检验次数之方
kappa= (P observed-P chance) / (1-P chance) 观测(实际)的两人一致的次数占的机会 - 期望的(独立)两人一致的次数占的机会=-------------------------------------------------------------- 1-期望(独立)的一致次数占的机会 观测到(实际)与期望(独立)的差异=------------------------------------------- 期望(独立)的不一至占的机会
收起阅读 »

发现KAPPA的一个问题

作了一个MINITAB的KAPPA分析, 用EXCEL 算了一遍检查员A的KAPPA(Within)=0.45, 但是MINITAB算出来却是0.43262...
作了一个MINITAB的KAPPA分析,
用EXCEL 算了一遍检查员A的KAPPA(Within)=0.45,
但是MINITAB算出来却是0.432624。

谁知道为什么有差别吗?嘿嘿!

appraiser&nbsp; &nbsp; &nbsp; &nbsp; sample&nbsp; &nbsp; &nbsp; &nbsp; response
A&nbsp; &nbsp; &nbsp; &nbsp; 1&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 2&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 3&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 4&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 5&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 6&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 7&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 8&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 9&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 10&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 11&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 12&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 13&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 14&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 15&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 16&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 17&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 18&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 19&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 20&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 21&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 22&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 23&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 24&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 25&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 26&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 27&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 28&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 29&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 30&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 31&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 32&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 33&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 34&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 35&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 36&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 37&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 38&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 39&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 40&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 1&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 2&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 3&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 4&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 5&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 6&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 7&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 8&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 9&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 10&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 11&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 12&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 13&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 14&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 15&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 16&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 17&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 18&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 19&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 20&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 21&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 22&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 23&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 24&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 25&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 26&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 27&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 28&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 29&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 30&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 31&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 32&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 33&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 34&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 35&nbsp; &nbsp; &nbsp; &nbsp; BAD
A&nbsp; &nbsp; &nbsp; &nbsp; 36&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 37&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 38&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 39&nbsp; &nbsp; &nbsp; &nbsp; GOOD
A&nbsp; &nbsp; &nbsp; &nbsp; 40&nbsp; &nbsp; &nbsp; &nbsp; BAD
B&nbsp; &nbsp; &nbsp; &nbsp; 1&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 2&nbsp; &nbsp; &nbsp; &nbsp; BAD
B&nbsp; &nbsp; &nbsp; &nbsp; 3&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 4&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 5&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 6&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 7&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 8&nbsp; &nbsp; &nbsp; &nbsp; BAD
B&nbsp; &nbsp; &nbsp; &nbsp; 9&nbsp; &nbsp; &nbsp; &nbsp; BAD
B&nbsp; &nbsp; &nbsp; &nbsp; 10&nbsp; &nbsp; &nbsp; &nbsp; BAD
B&nbsp; &nbsp; &nbsp; &nbsp; 11&nbsp; &nbsp; &nbsp; &nbsp; BAD
B&nbsp; &nbsp; &nbsp; &nbsp; 12&nbsp; &nbsp; &nbsp; &nbsp; BAD
B&nbsp; &nbsp; &nbsp; &nbsp; 13&nbsp; &nbsp; &nbsp; &nbsp; BAD
B&nbsp; &nbsp; &nbsp; &nbsp; 14&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 15&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 16&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 17&nbsp; &nbsp; &nbsp; &nbsp; BAD
B&nbsp; &nbsp; &nbsp; &nbsp; 18&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 19&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 20&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 21&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 22&nbsp; &nbsp; &nbsp; &nbsp; BAD
B&nbsp; &nbsp; &nbsp; &nbsp; 23&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 24&nbsp; &nbsp; &nbsp; &nbsp; BAD
B&nbsp; &nbsp; &nbsp; &nbsp; 25&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 26&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 27&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 28&nbsp; &nbsp; &nbsp; &nbsp; BAD
B&nbsp; &nbsp; &nbsp; &nbsp; 29&nbsp; &nbsp; &nbsp; &nbsp; BAD
B&nbsp; &nbsp; &nbsp; &nbsp; 30&nbsp; &nbsp; &nbsp; &nbsp; BAD
B&nbsp; &nbsp; &nbsp; &nbsp; 31&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 32&nbsp; &nbsp; &nbsp; &nbsp; BAD
B&nbsp; &nbsp; &nbsp; &nbsp; 33&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 34&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 35&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 36&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 37&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 38&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 39&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 40&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 1&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 2&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 3&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 4&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 5&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 6&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 7&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 8&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 9&nbsp; &nbsp; &nbsp; &nbsp; BAD
B&nbsp; &nbsp; &nbsp; &nbsp; 10&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 11&nbsp; &nbsp; &nbsp; &nbsp; BAD
B&nbsp; &nbsp; &nbsp; &nbsp; 12&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 13&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 14&nbsp; &nbsp; &nbsp; &nbsp; BAD
B&nbsp; &nbsp; &nbsp; &nbsp; 15&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 16&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 17&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 18&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 19&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 20&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 21&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 22&nbsp; &nbsp; &nbsp; &nbsp; BAD
B&nbsp; &nbsp; &nbsp; &nbsp; 23&nbsp; &nbsp; &nbsp; &nbsp; BAD
B&nbsp; &nbsp; &nbsp; &nbsp; 24&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 25&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 26&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 27&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 28&nbsp; &nbsp; &nbsp; &nbsp; BAD
B&nbsp; &nbsp; &nbsp; &nbsp; 29&nbsp; &nbsp; &nbsp; &nbsp; BAD
B&nbsp; &nbsp; &nbsp; &nbsp; 30&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 31&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 32&nbsp; &nbsp; &nbsp; &nbsp; BAD
B&nbsp; &nbsp; &nbsp; &nbsp; 33&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 34&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 35&nbsp; &nbsp; &nbsp; &nbsp; BAD
B&nbsp; &nbsp; &nbsp; &nbsp; 36&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 37&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 38&nbsp; &nbsp; &nbsp; &nbsp; BAD
B&nbsp; &nbsp; &nbsp; &nbsp; 39&nbsp; &nbsp; &nbsp; &nbsp; GOOD
B&nbsp; &nbsp; &nbsp; &nbsp; 40&nbsp; &nbsp; &nbsp; &nbsp; GOOD 收起阅读 »

熟悉三菱 MCP-T610低阻抗率计的朋友帮忙一下

三菱 MCP-T610低阻抗率计 1、RCF怎么选择?这个设备有个1欧姆的校准片, 然后就搞不清楚RCF要怎么选择了.... 2、限制电压(Limiter v...
三菱 MCP-T610低阻抗率计

1、RCF怎么选择?这个设备有个1欧姆的校准片, 然后就搞不清楚RCF要怎么选择了....
2、限制电压(Limiter voltage) 是什么? 说明书的定义: 测量条件下的显示所加的强制电压。 这句话对我测量时有影响不?
3、Thickness 样品厚度: 这个厚度如果不精确会影响实际测量值吗?比如:实际厚度 1.23mm 我填1mm
4、NEXT 测定位置: 搞不懂这个为什么也要填,填这个太麻烦了,不填会对实际测量值影响多少?


小公司没人教,新买的测量设备只能到论坛来问高手们,求教会,非常感谢!!! 收起阅读 »