SPC 之 I-MR 控制图

概述

1924 年,美国的休哈特博士应用统计数学理论将 3Sigma 原理运用于生产过程中,并发表了

著名的“控制图法”,对产品特性和过程变量进行控制,开启了统计过程控制新时代。

什么是控制图

控制图指示过程何时不受控制,有助于标识是否存在特殊原因变异。如果存在特殊原因变异,则说明过程不稳定且有必要采取纠正措施。

控制图是按时间排序顺序绘制过程数据的图。大多数控制图都包括一条中心线、一个控制上

限和一个控制下限。中心线表示过程均值。控制限表示过程变异。默认情况下,控制限绘制

在中心线上下 3σ 的位置。

随机位于控制限内的点指示过程受控制且仅显示常见原因变异。位于控制限外部或者显示非

随机模式的点指示过程不受控制且存在特殊原因变异。

如何选择合适的控制图

随着控制图的发展,它的类型也是越来越多,那么这时候对于使用 Minitab 的朋友来说,经

常会纠结如何去选择一个合适的控制图。在 Minitab 21 中,协助菜单可以很好的帮助我们去

选择一个合适的控制图。

I-MR 控制图

今天,我们来绘制一下 I-MR 控制图。

问题背景:某质量工程师监控了液体洗涤剂的生产过程,想要评估该过程是否受控制。这位

工程师测量了 25 个连续批次的洗涤剂的 pH 值。

由于 pH 值的数据类型是连续型数据,而且是每批次只取一个样品(子组大小等于 1),故这位工程师创建了一张 I-MR 控制图,以监控洗涤剂的生产过程。

Minitab 绘制 I-MR 控制图

Minitab 结果解释

首先解释移动极差控制图(MR 控制图)以检查过程变异。没有位于控制限外部的点且所有

的点都显示出随机模式。因此,过程变异受控制,质量工程师可以检查单值控制图(I 控制

图)上的过程中心。

I 控制图上的一个观测值在检验 1 中失败,因为观测值在中心线上方且距离中心线超过 3

个标准差。

I-MR 控制图的控制限计算(手动)

对于 I-MR 控制图,包含两张图单值控制图(I 控制图)和移动极差控制图(MR 控制图),

我们首先来认识一下这两张图形上的 X 轴、Y 轴、点和线分别表示什么含义。

一、单值控制图(I 控制图)

X 轴:批次 ID

Y 轴:单值(每个批次对应的 pH 值,如单值图上的第二个点表示的是批次 2 的 pH 值)

:单值控制图(I 控制图)上的每个标绘点是单独的观测值(如上图)。

中心线:单值控制图(I 控制图)上的中心线是过程平均值的估计值,计算如下

控制限:单值控制图(I 控制图)控制限的计算结果取决于标准差的估计方式。

1)移动极差平均值(默认方法)-移动极差长度默认为 2

a. 计算移动极差 MR(相邻 2 个数的较大值减较小值),当前数据样本量为 25,计算得到

24 个移动极差。

b. 计算这 24 个移动极差的平均值 MRbar

c. 估计标准差的公式如下:

控制限计算公式

𝑳𝑪𝑳 = 𝒖 − 𝒌𝜹

𝑼𝑪𝑳 = 𝒖 + 𝒌𝜹

其中 k 为检验 1 的参数。默认值为 3。

当选择默认的用移动极差平均值来估计标准差时,我们还可以勾选”使用 Nelson 估计值”。

使用 Nelson 估计值可以在计算控制限时更正异常大的移动极差值。此过程与 Nelson1 提

出的过程相似。Minitab 消除比移动极差平均值大 3σ 的任何移动极差值,然后重新计算移

动极差平均值和控制限。

2)移动极差中位数

a. 计算移动极差

b. 计算移动极差中位数

c. 估计标准差的公式如下:

二、移动极差控制图(MR 控制图)

X 轴:批次 ID

Y 轴:移动极差(如下 MR 控制图中的第二个点是批次 2 的 pH 值 5.99 和批次 3pH 值 6.11

中较大值减去较小值,结果为 0.12(6.11-5.99)

:MR 控制图上的标绘点是移动极差(移动极差是两个或多个连续

点之间差值的绝对值)。

中心线:中心线是移动极差平均值的无偏估计值 MRbar

控制上限:𝑼𝑪𝑳 = (𝒅𝟐 (𝒘) ⋅ 𝜹) + (𝒌 ⋅ 𝒅𝟑 (𝒘) ⋅ 𝜹)

控制下限:𝑳𝑪𝑳 = (𝒅𝟐 (𝒘) ⋅ 𝜹) − (𝒌 ⋅ 𝒅𝟑 (𝒘) ⋅ 𝜹)或 LCL=0(计算结果

为负值时)

移动极差平均值法的结果

移动极差中位数法的结果

结论

手动计算的过程比较复杂,而且还可能会出错,但是有了 Minitab 的帮助,我们只需要选择

好合适的控制图后,点击几下就可以高效快速的计算出对应的控制限。当然,花点时间手动

计算一下这些值,能够帮助你更好的理解控制图。而且在计算的过程中,你也会发现 Minitab

的算法跟 Excel 中算法的差异,也能够发现单值控制图的控制限受到移动极差的影响,所以

在分析这两张控制图时,应该先分析下面的移动极差控制图,移动极差控制图中没有异常点

时,这时候分析单值控制图才是有意义的。

X 轴:批次 ID

Y 轴:移动极差(如下 MR 控制图中的第二个点是批次 2 的 pH 值 5.99 和批次

3pH 值 6.11 中较大值减去较小值,结果为 0.12(6.11-5.99)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mfbz.cn/a/431080.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈qq邮箱809451989@qq.com,一经查实,立即删除!

相关文章

【pyinstaller打包记录】程序使用多进程,打包后,程序陷入死循环

简介 PyInstaller 是一个用于将 Python 程序打包成可执行文件(可执行程序)的工具。它能够将 Python 代码和其相关的依赖项(包括 Python 解释器、依赖的模块、库文件等)打包成一个独立的可执行文件,方便在不同环境中运行…

YOLOv8从入门到入土使用教程!(二)目标预测

⭐⭐⭐瞧一瞧看一看,新鲜的YOLOv9魔改专栏来啦!⭐⭐⭐ YOLOv9有效改进专栏汇总|未来更新卷积、主干、检测头注意力机制、特征融合方式等创新 一、本文介绍 本文将演示如何使用YOLOv8进行训练及预测!模型训练教程参考下文: YOLOv8从…

python实现常见一元随机变量的概率分布

一. 随机变量 随机变量是一个从样本空间 Ω \Omega Ω到实数空间 R R R的函数,比如随机变量 X X X可以表示投骰子的点数。随机变量一般可以分为两类: 离散型随机变量:随机变量的取值为有限个。连续型随机变量:随机变量的取值是连…

线上问题——学习记录幂等判断失效问题分析

一、业务流程 上图是对save和saveScore两个接口的流程抽象,save是上传答题数据,saveScore则是上传答题分数,为保证幂等和防止并发调用,这两个接口都加了分布式锁(还是两层哦)。第一层使用的是不同的锁&…

【C++】STL简介 | STL六大组件 | string类 | string类对象操作

目录 1. 什么是STL 2. STL的版本 3. STL的六大组件 4. STL的缺陷 5. 引出string类 6. 标准库中的string类 6.1 string类简介 6.2 string类对象的构造 6.3. string类对象的容量 6.4. string类对象的遍历 6.5. string类对象的修改 6.6. string类非成员函数 6.7. vs…

品优购首页制作

一,常用模块类名命名 二,快捷导航shortcut制作 三,header制作 3.1LOGO SEO优化 3.2 搜索模块定位 四, nav导航制作 五,footer底部制作 六,main主体模块制作 以前书写是模块化中的公共部分 main主体模块是…

GEE入门篇|图像分类(一):监督分类

在遥感中,图像分类是尝试将图像中的所有像素分类为有限数量的标记土地覆盖和/或土地利用类别。 生成的分类图像是从原始图像导出的简化专题图(图 1), 土地覆盖和土地利用信息对于许多环境和社会经济应用至关重要,包括自…

鸿蒙开发,对于前端开发来说,究竟是福是祸呢?

提前声明: 先说好哈,不要一上来就开喷,好吧,不感兴趣的话你可以不用看下文直接划走,直接喷俺有点承受不住,心脏不好。如果你感兴趣,你可以先把这篇文章看完,看完后感觉俺讲的还挺有道…

堆和二叉树的动态实现(C语言实现)

✅✅✅✅✅✅✅✅✅✅✅✅✅✅✅✅ ✨✨✨✨✨✨✨✨✨✨✨✨✨✨✨✨ 🌿🌿🌿🌿🌿🌿🌿🌿🌿🌿🌿🌿🌿🌿&#x1…

Linux - 基础IO

1、回顾 1.1、来段代码回顾C文件接口 hello.c写文件 #include <stdio.h> #include <string.h> int main() {FILE *fp fopen("myfile", "w");if(!fp){printf("fopen error!\n");}const char *msg "hello bit!\n";int …

xss.haozi.me:0x03及04

这里有一个正则所以&#xff08;&#xff09;要用到实体编码 <a href"javascript:alert1">cc</a> 03 04都一样

在线客服系统部署ssl开启https无法自动获取提示消息解决办法

▇ 增加https无法收发消息&#xff1a; 严格按照教程修改 1./站点目录/public目录下,修改index.php define(whost,wss://kf.tpym.cn); define(wport,443); 2./站点目录/service 目录下,修改config.php // websocket 端口&#xff0c;客服系统网页会连这个端口 $websocket_…

防患未然,OceanBase巡检工具应用实践——《OceanBase诊断系列》之五

1. OceanBase为什么要做巡检功能 尽管OceanBase拥有很好的MySQL兼容性&#xff0c;但在长期的生产环境中&#xff0c;部署不符合标准规范、硬件支持异常&#xff0c;或配置项错误等问题&#xff0c;这些短期不会出现的问题&#xff0c;仍会对数据库集群构成潜在的巨大风险。为…

1999-2022年30省平均受教育年限(含原始数据和具体计算过程+计算结果)

1999-2022年30省平均受教育年限&#xff08;含原始数据和具体计算过程&#xff09; 1、时间&#xff1a;1999-2022年 2、范围&#xff1a;30省&#xff08;剔除西藏&#xff09; 3、计算方式&#xff1a;平均受教育年限&#xff08;未上学人数*0小学人数*6初中人数*9高中人数…

AI大模型的预训练、迁移和中间件编程

大家好&#xff0c;我是爱编程的喵喵。双985硕士毕业&#xff0c;现担任全栈工程师一职&#xff0c;热衷于将数据思维应用到工作与生活中。从事机器学习以及相关的前后端开发工作。曾在阿里云、科大讯飞、CCF等比赛获得多次Top名次。现为CSDN博客专家、人工智能领域优质创作者。…

python.模块与包

1.模块是什么 本质上是一种python文件&#xff0c;以.py结尾&#xff0c;里面有类&#xff0c;函数&#xff0c;变量等&#xff0c;认为这是一个工具包&#xff0c;每个模块有不同的功能&#xff0c;导入后可以直接使用 2.模块的导入 方法1 import 模块名 使用&#xff1a…

展示模型展台的高度一般为多少---模大狮模型网

展示模型展台的高度一般取决于多个因素&#xff0c;包括展示物品的大小、展台的设计风格、展览场地的限制等。一般来说&#xff0c;展示模型展台的高度可以根据以下几点考虑&#xff1a; 展示物品的大小&#xff1a;如果展示物品比较大或需要竖立展示&#xff0c;展台的高度可能…

GraphGeo参文19:Auto-Encoding Variational Bayes

https://arxiv.org/abs/1312.6114 [19] Diederik P Kingma and Max Welling. 2014. Auto-encoding variational bayes. In ICLR. 【前言】:VAE模型是Kingma(也是Adam的作者)大神在2014年发表的文章,是一篇非常非常经典,且实现非常优雅的生成模型,同时它还为bayes概率图模型…

LVS负载均衡集群——NAT地址转换模式与DR直接路由

目录 一、LVS集群基本介绍 1、集群是什么&#xff1f; 2、集群的类型 ①负载均衡集群 ②高可用群集 ③高性能运算群集 3、负载均衡集群的结构 第一层&#xff0c;负载调度器 第二层&#xff0c;服务器池 第三层&#xff0c;共享存储 4、LVS负载均衡集群的三种工作模…

学习计算天数

学习计算天数 题目描述&#xff1a;解法思路&#xff1a;解法代码&#xff1a;运行结果&#xff1a; 题目描述&#xff1a; 输入y和m两个整数&#xff0c;y表示年份&#xff0c;m表示月份&#xff0c;计算y年m月有多少天&#xff0c;并输出天数。 测试1&#xff1a; 输⼊&…
最新文章