测量系统分析属性培训课件

2019/8/3,1,测量系统分析 属性,2019/8/3,2,目标,在本模块结束时你将能够： 描述属性测量系统分析 定义基本的测量术语 进行 属性gage研究（测量系统分析）概要程序 执行测量研究,2019/8/3,3,流程改善方法论,步骤0：项目定义,步骤：流程测量,步骤：流程分析,步骤：流程改善,步骤：流程控制,计划项目，确定重要的流程输入/ 输出变量,进行基本测量系统地测量仪器研究,进行短期流程能力研究并建立控 制计划,完成FMEA并评价控制计划,完成多变量研究以确定潜在的关 键输入变量,评价数据并优化关键的输入变量,用实验设计验证关键的输入变量,决定最优化的操作窗口,修正控制计划,最后完成控制计划,持续验证流程的稳定性和能力,2019/8/3,4,研究测量系统,我们一旦有正确的数据，我们必须确定有能力来测量它 需要获取的信息 - 测量误差有多大？ - 测量误差的来源 是什么？ - 测量系统随时间变化依然是稳定 的吗？ - 对于研究有 足够能力 吗？ - 我们如何 改善 测量系统？,2019/8/3,5,计数型数据 MSA,如果很多人评估同一事物，他们需要达成一致： - 相互之间 - 他们自己之间 计数型数据比计量型数据包括更少的信息，但往往只有它是所能得到的 - 所以我们必须对完整的属性测量进行持续不断的研究 问题是 - 我能够相信我的测量系统得到的数据吗？,2019/8/3,6,属性 MSA目标,确定： - 与整体一致的% - 与评价者一致的%（重复性） - 与评价者之间一致的%（再现性） - 与已知标准一致的%（准确性） - Kappa（究竟测量系统比随机偶然性好多少）,2019/8/3,7,Kappa技术,非参数方式提供了一些处理主观计数数据的工具 Kappa技术可以用于属性（计数型）/分类数据的分级 当质量标准难于或不可能定义时使用 几个单位必需分类为由超过一个评价者测量一次以上组成 - 如果基本上是一致的，存在评价正确的可能性 - 如果一致性差，评价是 非常有限的,2019/8/3,8,属性测量研究： 方法,需要跨越流程正态极限的值30-50个样本 - 大部分应该来自于灰色区域 - 剩余部分应该是明确的好或明确的不好 例如：发票错误 - 我们收集30张发票样本 - 5张有 明确的缺陷（一个单独的缺陷或足够多的小缺陷足以拒收的发票） - 5张明确可以接受的发票（所有都正确） - 剩余的样本在数量及缺陷类型各不相同,2019/8/3,9,属性测量研究-方法,挑选2-3个经常评估的人 随机的向一个人提供样本（不告诉哪个样本是哪个）并让这个人评估每一项 一旦第一个人完成对所有项目的评估，让其他的几个人重复这个工作 一旦每个人都已经评估了每一项，再重复一遍上面的实验 注意：所有评估人、项目及“实验”的组合可能应该 - 每个评估人必须检测所有项目 - 每个评估人必须检测同样次数的项目（实验）,2019/8/3,10,属性MSA范例： 投标接受,这个范例源于一家公司评估合同报价. 关注于当可能应该被接受却可能拒绝的合同，对该部门进行研究，如何测定评价员评价的一致性. 选取了50个样本 一些是明确可以接受的，一些是明确不能接受的，还有一些考虑为处于“边界线”之间。 四个评估员和一个专家记录了他们的评价结果 - 拒绝 或 接受合同,2019/8/3,11,属性MSA范例： 投标接受,结果显示出明确的问题 （显示了50个样本中的20个结果） 在50个样本中 ， 检验者实际上只对一个“拒收”的样本全体一致通过 他们对于29个“接受”样本全体一致通过 %的不一致产品 = 20/50=40%,检验之间是否达成一致？,2019/8/3,12,属性 MSA 范例： 投标报价,%不好的接受 %好的绝收 A 9/13 = 69% 4/37 = 11% B 9/13 = 69% 4/37 = 11% C 9/13 = 69% 4/37 = 11% D 8/13 = 62% 3/37 = 11% 整体正确判断的% = 150/200 = 75%,与专家是否一致？,2019/8/3,13,Kappa技术,在属性MSA研究过程中，Kappa被用来总结在去除偶然 一致性后在评估人之间的一致程度 - 如果存在实质性的一致，那就存在级别准确的 可能性 - 如果不能达成一致，分级的有效性就 非常有限了 使用需求： - 测量的 单位是彼此独立的 - 评估人的检验及分类是独立的 分类级别相互排斥及彻底的 Minitab计算Kappa值作为属性一致性分析输出的一部分,2019/8/3,14,Kappa,Kappa（K）被定义为在剔除偶然一致之后评价者之间的一致比例： K = 这里： = 评价者一致同意的分类比率 = 评价者偶然一致的分类比率,2019/8/3,15,Kappa技术,Kappa将在-1及+1之间 Kappa值为+1的代表完全一致 一般规则：如果K0.70，就需要注意测量系统！,2019/8/3,16,Kappa技术,Kappa可以用于有多个评价者和具有多个分类的情况 客户返品案例： - 一个绿带有一个减少客户返品的项目。由一位客户服务代表（CSR）给 每一个客户返品标识一个代码。大家会担心 CSR 们标识代码时不能 够始终一致。 - 三个评价者被要求为30个返品标识原因代码。每个评价者评价两次（ 在两个 不同时间各做一次）。 - 绿带同时要求一个部门专家来评价返品情况,2019/8/3,17,Minitab 属性一致性分析,项目：TR MSA ATT .MPJ 工作表：Customer Returns.MTW 设计： - 3 CSRs （评价者） - 2天 - 30次退货 （样本） 代码在Category列中 专家值在Expert列中,2019/8/3,18,Minitab 属性一致性分析,使用属性一致性分析来分析属性测量系统的结果,2019/8/3,19,Minitab 属性一致性分析,首先填写适当的列信息,包括专家评级,确保在窗口Results中的Kappa选项被选中,2019/8/3,20,图表分析,评价者之间的一致性就象重复性 这里CSR 1她自己有90%的时间是一致的 。CSR 2有86.7%的时间是内在性的一致 ，而CSR 3对于返回有96.7%的时间是一 致的 图上显示了95% C1一致性的%,这个图显示了在CSRs与专家观点之间一致性的%,注意：这两个图有不同的测量刻度！,2019/8/3,21,数字输出：在评价者范围内,与左图类似的信息（看前面的幻灯片） 增加特定的匹配及检验数量,2019/8/3,22,数字输出 评价者与专家,这显示了评价者被给予“正确”答案的频率r,每个评价者与标准 评价一致性 评价者 # 检验的 # 匹配的 # 比例（%）95.0% CI A 30 23 76.7 ( 57.7, 90.1 ) B 30 20 66.7 ( 47.2, 82.7 ) C 30 22 73.3 ( 54.1, 87.7 ) 匹配的# ：评价者的评估在实验过程中是与标准一致的。,我们希望90%或更好的一致性,2019/8/3,23,数字输出,评价者之间的一致性与再现性相似： 评价者之间 评价一致性 检验的# 匹配的# 比例 （%） 95.0% CI 30 17 56.7（37.4 ，74.5） 匹配# ：所有评价者之间的评估是一致的。 所用评价者与标准给出了检验标准有效性的指标： 所有评价者与标准 评价一致性 检验的# 匹配的# 比例 （%） 95.0% CI 30 15 50.0（31.3，68.7） 匹配的# ：所有评价者的评价与标准一致的数量。,2019/8/3,24,数字输出-Kappa,为评价者之间提供每一类缺陷的Kappa及Kappa值（及其它部分） 我们能够识别缺陷类型到什么程度？,2019/8/3,25,Kappa 技术,对于这个例子，下面的Kappa值被计算为 - 评价者自己 单个类别的Kappa代表每个评价者多次评价同一个样本的一致性 每个评价者的总体Kappa代表评价者对于所有分类的一致性 - 在评价者之间 单个类别的Kappa代表所有评价者对于那个分类样本的一致性 总体Kappa代表整个研究范围的一致性（涵盖所有评价者和分类）,2019/8/3,26,Kappa 技术,解释结果 - 范围从0.19到0.94的独立Kappa值，意味着在评价者中的一 致性是： 对于Damaged的检查能力是优秀的 Administrative(管理）及Quantity（数量）的测量系统不可接受的低； Planned Adju（计划调整）及Pricing（定价）的测量系统处于边缘状态 Incorrect Pr(不正确的生产）、Overstock（过量库存）及Quality（质量）的测量系统可用 - 总体Kappa是0.7106，指示系统可以使用一些改善方法,要改善这个测量系统就很可能需要改变每个缺陷类型的操作定义 或再次训练评价者，或二者都需要,2019/8/3,27,改善属性测量系统,感受增效器（改善人类感觉的装置） 面具/模板（封闭不重要的信息） 检查清单 自动化 重组工作区域 最为重要的是：评价标准,2019/8/3,28,测量系统-要问的问题,你挑选了正确的测量系统了吗？这个测量系统与关键输出相关联吗？ 精确性、准确性及稳定性看起来像什么？ 变异的来源是什么，及测量误差是什么？ 要改善这个系统需要做什么？ 我们是否向合适的人通知了我们的结果？ 这个系统是否在适当的部位有控制计划？ 培训频率是多少？频率足够吗？ 相同的系统匹配吗？,2019/8/3,29,案例研究： 属性 MSA,步骤1：数据完整性研究是对任何现有数据采集都要执行 - 成本：完整性好 步骤2：执行 属性 测量系统分析 确定是否可以准确的测量发票错误 - 结论： 评价者内部还算一致（大约94%），但能够使用微小改进 评价者与专家和评价者间的准确性是很遭的（大约68%），并且继续前应该改善 - 所作的改进： 建立判断错误的一致性的操作详细说明 进行培训 - 第二次MSA结果 评价者内部：100% 评价者VS专家：95% 在评价者之间：97%,2019/8/3,30,案例研究： 初始属性 MSA,评价者个人内部重复性情况 这里评价者1当时与自己一致性是90%.评价者2当时内部的稳定性是86.7%，并且评价者3重复时与自己匹配的是96.7% 图表显示在95%置信区间条件下，一致性的%,图表显示评价者和专家意见一致性的%,注释：这两个图表有不同的标准！,2019/8/3,31,练习： 糖果检验,目标：评价M&M检验 工具： - 3个检验员 - 一袋M&MS 程序： - 在开袋前，定义计算你们关注的缺陷条件 - 让你们的检验员评价糖果样本的材料 - 评价测量系统 - 报告任何建议的改进活动 时间：45分钟,2019/8/3,32,如何进行： 属性MSA,1. 设计研究 总共30-50个样本 2-3评价者，至少重复测量一次 - 每个评价者必须检验所有数据项（样本） - 每个评价者在每一轮试验，必须检验这些相同的样