1、质量管理与可靠性实验报告中北大学质量管理与可靠性实验报告班 级: 姓 名: 学 号: 质量管理与可靠性实验车轴钢技术标准:氢:=2ppm,氧:=20ppm,氮: 5070ppmSi:0.200.30%,Mn:0.700.80%,P:=0.015%S:=0.010%,Ni(镍):=0.010%,Cr(铬):=0.015%Cu:New2. 选择Minitab Project,然后点击OK可以保存当前的工作为一个项目。当保存了项目,就一次性的保存了所有工作,包括所有的在会话窗口的输出,所有的打开的图形窗口。当重新打开项目时,所有的信息将重新显示,就是保存时候的状态。 按照下面的步骤来保存你的项目 :
2、 1. 从菜单选择 File-Save Project As 2. 在 Save in 框中,选择你要保存项目的文件夹3. 在 File name 框中,输入你的项目的名字,然后点击 Save 3. 建立车轴钢成份分析数据表从菜单选择FileNew,然后在弹出的对话框选择Minitab Worksheet,然后点击OK。也可以直接将Excel数据表中的数据“copy”过来。二、 选择要分析的成份(下面以Si为例)数据,绘制直方图,查看其分布规律以及变化趋势:1. 从菜单选择 Graph- Histogram;2. 选择Simple,然后单击OK;3. 在Graph Variables 中键入S
3、i,单击OK;4. 为了测定成份Si的数据是否服从正态分布,对直方图进行正态拟合;1. 从菜单选择 Graph- Histogram;2. 选择With Fit,然后单击OK;3. 在Graph Variables 中键入Si,单击OK 如上图所示,成份Si的数据分布曲线是近似正态分布。(如果观察值少于50 个,也可以用正态概率图象来检验其正态性Graph- Probability Plot或Stat Basic satistics- Normality Test)下图是用Graph- Probability Plot得出的结果。5. 成份Si的数据变化趋势分析,以生产班组分组观察;1. 选择
4、选择Graph -Individual Value Plot t;2. 在One Y 下,选择With Groups单击OK;3. 在Graph Variables 中键入Si;4. 单击Data View,选中Mean Connect line。单值图显示了四个生产班组所炼的钢,C含量平均值看起来都差不多。如果细化的话,还可以对早、中、晚不同时间段生产的钢种进行成份分析,查找缺陷原因。三、 成份数据统计分析,计算相关统计量:对Si成份数据描述性统计量的计算;1. 选择Stat-Basic Statistics -Display Descriptive Statistics;2. 在Varia
5、bles 中键入Si;3. 单击Statistics;4. 取消First quartile, Median, Third quartile, N nonmissing, 和N missing的选中状态,选中N Total;5. 在每个对话框中单击OK结果如下:Descriptive Statistics: Si TotalVariable Count Mean SE Mean StDev Minimum MaximumSi 50 0.26080 0.00317 0.02239 0.20000 0.30000四、 模拟生产过程,绘制控制图,判断工序控制状态:该钢铁公司内部采取以下判异准则来检验
6、异常原因:检验1:有1 个点离开中心线的距离超过3 倍标准差检验2:连续7 个点在中心线的同一侧检验3:连续7 个点有上升趋势或下降趋势1. 选择Tools-Option-Control Charts and Quality Tools-Define Tests;2. 将Test 2 的K 值改为7 ,将Test 3 的K 值改为7;3. 选择左方框中的Tests to Perform,将前3 个检验打勾选中;4. 单击OK;5. 选择Stat-Control Chart-Variables Charts for Subgroups-Xbar-S;6. 在弹出的对话框的空白框内键入要分析的成分
7、所列的标题,比如“Si”,在Subgroup size中,键入10;7. 工序受控状态分析。控制图分析:该车轴钢种Si含量数据点均落在控制限内,没有显示任何非随机的模式。因此,过程的平均值和标准差是受控的(即稳定的)。平均值为0.02126,平均标准差( S )为0.02239。注也可以绘制其他类型的控制图,比如(Xbar-R,Xbar,R,S,I-MR-R/S等等)上图即为 I-MR-R/S Chart ,也就是三者Xbar、Rs(移动极差)、S合成图。五、 评估工序/过程能力:在确定一个过程受控之后,下面分析一下过程是否有能力即它是否能满足规范要求,生产的部件或成品是否是好的。通过比较过程
8、的波动和规范的宽度,可以确定一个过程的能力。如果评价过程能力之前,过程没有受控,可能得到不正确的过程能力估计。在MINITAB 中,通过绘制过程能力直方图和过程能力图,可以图像化地评估过程能力。这些图像可以帮助评估数据分布的情况,验证过程是否受控。能力指数或能力统计量是评估过程能力的简便方法。MINITAB 为很多数据分布类型提供了能力分析,包括正态分布、指数分布、威布尔分布、伽玛分布、泊松分布和二项分布。 以我们分析的车轴钢成份为例,公司内部执行的标准为(%):C0.480.52,Si-0.200.30,Mn-0.70-0.80,P-0.015,S-0.010,Cu-Quality Tool
9、s-Capability Analysis Normal;2. 在Data arearranged as 下面,选择Single column,键入Si。3. 在Subgroup size中,键入10。4. 在Upper spec 中,键入0.305. 在Lower spec 中,键入0.206. 单击Option。在Target(adds Cpm to table)里,键入0.25。7. 在每个对话框中都单击OK8. 根据Cp 计算可能的不合格品率p=2-3Cp(1+k)-3Cp(1-k):1. 选择Calc-Probability Distributions-Normal;2. 选中Cum
10、ulative probability;3. 选中 Input constant,并输入3Cp(1+k)的值:2.77248,在Session 窗口输出如下结果,即3Cp(1+k的值:Cumulative Distribution Function Normal with mean = 0 and standard deviation = 1 x P(X=x)2.77248 0.9972184. 重复上述步骤(输入1.78752)可以得出3Cp(1-k): Session 窗口输出结果如下: Cumulative Distribution Function Normal with mean =
11、 0 and standard deviation = 1 x P( X = x ) x P(X0.27;从图a中可以看出:Cp 0.760.762. 调整规范限为:(0.20,0.30)(0.19,0.31);从图b中可以看出:Cp 0.760.92六、 模拟生产过程,设计抽样检验方案,对产品质量进行抽检:1. 按N=50, 级检查水平和以工序能力调查实验估计的不合格品率作为AQL值,确立正常一次抽样方案;1. N=50, 级检查水平,查表(P68,表2.4.12)得样本字码:D;2. 以接近工序能力调查实验估计的不合格品率的AQL值查表(P431,附表2)得正常一次抽样方案(8,0);2.
12、 随机抽样;1. 选择Calc- Random Data- Sample From Columns;2. 在“Sample”后面的空白框内填入样本量:8, 在“rows from column(s)”,输入“Si”;3. 在 “Store samples in”后输入:SiSample,ok。在数据窗口就会增加“SiSample”列,该列就是从Si成份数据的抽样结果。3. 样本质量数据统计:统计未落入规范限的炉数d;4. 将样本统计结果d与抽样方案的接受标准c进行比较,对检验批作出判断:是合格并接受,还是不合格并拒收;d=0,接受。5. 应用五点作图法绘制该方案的特性曲线OC1:1. 选择Ca
13、lc-Probability Distributions-Binomial;2. 选中Cumulative probability,在“number of trails”栏填入样本量13,在“probability of success”栏填入AQl值或上面统计出的工序平均不合格品率p;3. 选中 Input constant,输入抽样方案的接受标准Si,在Session 窗口输出如下结果,即在不合格品率p下该抽样方案的接受概率L(p):Cumulative Distribution Function Binomial with n = 8 and p = 0.039709 x P(X=x)0
14、 0.7231414. 重复-步骤,得出绘图所需的5个p下的接受概率L(p);Binomial with n = 8 and p = 0.01x P(X=x)0 0.922745Binomial with n = 8 and p = 0.015 x P(X=x)0 0.886115Binomial with n = 8 and p = 0.025 x P(X=x) 3 0.0000473 Binomial with n = 8 and p = 0.8 x P(X=x) 7 0.0000152Binomial with n = 8 and p = 0.99 x P(X=x) 7 0.000000
15、05. 以P为横坐标,L(p)为纵坐标作抽样特性曲线:OC1曲线。6. 重复1-5步骤,得出加严一次、放宽一次抽样方案的特性曲线OC2、OC3,将三条曲线绘于同一坐标系中,放宽检验一次Binomial with n = 8 and p = 0.039709 x P(X=x)0 0.444690Binomial with n = 8 and p = 0.2x P(X=x)0 0.0115292Binomial with n = 8 and p = 0.4 x P(X=x)2 0.0036115Binomial with n = 8 and p = 0.6 x P(X=x) 5 0.0016115
16、 Binomial with n = 8 and p = 0.8 x P(X=x) 8 0.0001017Binomial with n = 8 and p = 0.99 x P(X=x) 12 0.00000007. 比较三条曲线,分析三种抽样方式的特点。注:由于Minitab绘图功能的限制,需要手工绘制OC曲线。也可以采用Matlab绘制,便于实验报告的打印。方法如下: p=0:0.01:1;x1=10;%c1=10LP1=binocdf(x1,20,p);%n1=20x2=8;%c2=8LP2=binocdf(x2,20,p);%n2=20 x3=5;%c2=5LP3=binocdf(x3,8,p);%n3=8grid on;hold onplot(p,LP1,-.r*)hold onplot(p,LP2,-mo)hold onplot(p,LP3,:bs) h = legend(LP1,LP2,LP3,3)
copyright@ 2008-2022 冰豆网网站版权所有
经营许可证编号:鄂ICP备2022015515号-1