质量管理与可靠性实验报告.docx

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)