确定 SPC 数据的正确采样率你好，
我有一个 SPC 数据，UCL = 12.015 和 LCL = 12（目标是 120.007） - 见附件。
我的 OOC（失控）值太高，我想检查我的采样率是否正确。
当前采样率为 0.1（测量 10 个零件中的 1 个）并且我们缺少 OOC 测量值（有 2 组具有相同限制的 SPC 值：“测量深度 7”和“测量深度 1”）。
我尝试使用样本大小和功效，但不确定在对话框中选择哪个选项。
谢谢，约尼
回复：确定 SPC 数据的正确采样率我有两个回应，也许其他专家会加入这个讨论。 （提示提示）
首先，您的图片显示了适用于两个阶段的相同历史限制。 您是否期望流程性能在第 2 阶段保持不变？ 两个阶段之间过程变化的性质是什么？ 是为了减少差异还是以目标为中心？从您的图表中我可以明显看出，过程均值在第 2 阶段向上移动，这就是 OOC 信号丰富的原因。 这不是采样不足或采样频率低的问题。
其次，抽样频率的确定更多地与特殊原因的性质有关，而不是与随机误差的模型（例如，正态分布）有关。 有哪些特殊原因？ 您是否进行过根本原因分析或故障模式和影响分析？ 特殊原因的影响有多大？ 它们什么时候可以发生？ 它们发生的频率或频率是多少？
我可以从图例中看到，个人图表的 LCL、中心和 UCL 在两个阶段并不完全相同，但我无法相信第 2 阶段的限制是用这些数据计算的。 事实上，我之前的图表显示，第 2 阶段表现出方差减少和更高的中心。
回复：确定 SPC 数据的正确采样率非常感谢马克！
我会澄清一下-第一阶段和第二阶段是我手动添加到数据中的-我在您提到的几点上有错误-请忽略。
我的主要问题是图表中的高 OOC 率（请参阅附件中的黄色标记）。 UCL 不能修改，因为它是产品要求的一部分。
从每批零件中，10 个零件中就有 1 个零件被测量并记录在数据库中。
我主要担心的是采样率（十分之一）太低，所以我们只捕获了一小部分 OOC 零件，而实际上同一批次中有更多的 OOC 零件。
这些 OOC 零件仅在生产线的后期才被捕获（返工更复杂，可能会降低零件质量）。
考虑到人口是正态分布的——我怎样才能找到正确的采样率，以确保（以 90% 的功率）我们捕获批次中的所有 OOC 部分？
回复：确定 SPC 数据的正确采样率
非常感谢马克！
我会澄清一下-第一阶段和第二阶段是我手动添加到数据中的-我在您提到的几点上有错误-请忽略。
我的主要问题是图表中的高 OOC 率（见下方黄色标记）。 UCL 不能修改，因为它是产品要求的一部分。
从每批零件中，10 个零件中就有 1 个零件被测量并记录在数据库中。
我主要担心的是采样率（十分之一）太低，所以我们只捕获了一小部分 OOC 零件，而实际上同一批次中有更多的 OOC 零件。
这些 OOC 零件仅在生产线的后期才被捕获（返工更复杂，可能会降低零件质量）。
考虑到人口是正态分布的——我怎样才能找到正确的采样率，以确保（以 90% 的功率）我们捕获批次中的所有 OOC 部分？
回复：确定 SPC 数据的正确采样率你是对的，样本量计算器不适用于控制图。 它们用于特定的假设检验（例如，吨-测试）。 控制图基于理性子群. 它们的大小和频率是通过考虑过程输出中不自然偏差的特殊原因的性质来确定的。 子组的大小和组成应该没有特殊原因的变化。 频率应该最大限度地增加特殊原因的机会。
我使用了你的数据样本。 我将时间转换为具有连续建模类型的数值数据，然后按日期和时间对数据表进行排序。 我得到了测量深度 1 和测量深度 7 的这些 XmR 图表。 （排序暴露了一个潜在的数据问题，其中历史后期的两个观察被分配到阶段 = 1 而不是 2。）
您能描述一下您在使用这些图表时遇到的问题吗？
