在JMP中进行过程能力分析时，有“过程筛选”和“过程能力”平台，但最简单的方法是使用“单变量分布”平台中的“过程能力”选项。
如果您在 JMP 样本数据“Pickles.jmp”的连续刻度列“酸度”的“单变量分布”中设置规格限（下限 = 8，上限 = 17）并运行过程能力分析，则会生成以下报告。被展示。
该报告包含以下项目：“直方图”、“过程摘要”、“组内 Sigma 过程能力”、“总体 Sigma 过程能力”和“不合格率”。在进行过程能力分析时，理解这些图表和统计数据非常重要。
你可能认为目的只是为了计算Cpk和Ppk等过程能力指数，看报告的相关部分就可以了，但了解这些指标是如何计算的也很重要。
因此，在这篇博客中，我们将解释如何阅读上面所示的“单变量分布”的过程能力分析报告。，详细解释了如何计算显示的统计数据。您还可以下载显示计算公式的脚本 (Calculate_Capability.jsl)。
注意
- 在所呈现的示例中，指定了规格下限 (LSL) 和规格上限 (USL)，而没有设置目标值。
- 计算过程能力指数的置信区间比较复杂，这里不再解释。
- 虽然可以通过指定子组列进行能力分析，但这里不提供此示例。
- 此处解释的报告假设过程分布呈正态分布。虽然 JMP 可以对正态分布以外的分布进行过程能力分析，但我们在此不做解释。
流程摘要：什么是组内西格玛和整体西格玛？
Y 中指定的“酸度”列的直方图将与指定的规格限值线（红色实线）一起显示。通过此图，您可以直观地看到有多少数据低于 LSL 以及有多少数据高于 USL。
组内 sigma ：短期内计算的变异估计（使用控制图上的 σ）
总体西格玛：随时间计算的离散度估计值（使用从数据或整体中找到的标准差）
我们建议使用过程能力分析，通过控制图等检查目标过程是否稳定。如果过程稳定，组内 sigma 和整体 sigma 值将大致相等，但如果过程不稳定，这些值就会发散。
直方图显示以样本均值和组内 sigma 作为参数的正态分布曲线（蓝色），以及以样本均值和总体 sigma 作为参数的正态分布曲线（黑色虚线）。比较两条曲线，组内曲线似乎是该过程的更好分布。
如果过程可以被认为是稳定的，那么考虑整体西格玛值是一个好主意。如果过程不稳定，则整体西格玛值将不可靠。在这种情况下，最好考虑组内 sigma 的值。
相反，您可以通过比较整体 sigma 值和组内 sigma 值来确定过程是否稳定。该指标是由下式定义的稳定性指标。
稳定性指数：整体 sigma ÷ 组内 sigma
如果过程稳定，稳定性指数将取接近 1 的值，因为组内 sigma 和整体 sigma 值大致相等，如上所述。值越高表明过程越不稳定。本例中的稳定性指数为1.446，较大，因此可以说过程不稳定。
*许多流程可以使用流程筛选平台中的流程性能图进行比较，该平台使用的稳定性指数阈值为 1.25。如果大于1.25，则认为过程不稳定。
计算方法
组内西格玛是根据平均移动范围计算的。移动极差是当前值减去前一个值得到的绝对值。我们将计算对应于 R 控制图的 sigma，|第 2 行值 - 第 1 行值|，|第 3 行值 - 第 2 行值| ... |第 N 个值 - 计算第 (N-1) 个值并取 |他们的总和。将此总和除以称为 d2(2) 的常数。 d2(2)是子组为2时d2的值（移动范围的情况下，从当前值到上一个值的区域被认为是一个子组）。该常数也用于计算控制图上的 sigma，其值为 1.128。然后将该值除以子组的数量（在本例中，数据点的数量为 24，因此子组的数量为数据点的数量减 1，即 23）。
组内 sigma = (移动范围之和 / d2(2) ) / 23 = 1.160
总体西格玛是根据数据计算出的标准差来计算的。您可以确认它与“汇总统计”的标准差值相符。
工程能力指数
如 JMP 手册中所述，组内 sigma 的过程能力指数使用以下公式计算。
在此方程中，μ 由样本均值估计，σ 由短期西格玛估计。估计的过程能力指数是使用上述过程摘要报告中显示的值计算的，如下所示：
CP = (17 -8)8)/ (6 * 1.1598) = 1.293
成本价 = (10.5667 -8)8)/（3 * 1.1598）= 0.738
CPU = (17 - 10.5667) /(3 * 1.1598) = 1.849
Cpk = 最小值(0.738, 1.849) = 0.738
对于整体西格玛过程能力指数，上式中的σ是通过整体西格玛来估计的。
峰面积 = (17 -8)8)/（6 * 1.6766）= 0.895
人口数量 = (10.5667 -8)8)/（3 * 1.6766）= 0.510
PPU = (17 - 10.5667) /(3 * 1.6766) = 1.279
峰峰值 = 最小值(0510, 1.279) = 0.510
在此示例中，Cpk 为 0.738，Ppk 较低，为 0.510。
不适合率
观察百分比：超出规格限的数据百分比。
在此示例中，LSL 以下有一个数据项，USL 以上没有数据，因此将这些值除以数据项数 (24)。
小于 LSL = (1 / 24 )* 100 = 4.1667
超过 USL = (0/ 24 )* 100 = 0
组内 σ % 和总体 σ % 表示直方图中显示的正态分布曲线小于 LSL 的概率和超过 USL 的概率。
组内百分比：使用组内 sigma 的正态分布密度曲线的规格限之外的面积（概率）
正态分布的累积分布函数 可以使用正态分布(q, mu, sigma) 函数通过以下公式计算。
小于 LSL = 正态分布（LSL，样本平均值，组内 sigma）* 100 = 1.3448
超出 USL = (1- 正态分布(USL，样本平均值，组内 sigma)) * 100 = 0.0000
总计 %：使用总西格玛的正态分布密度曲线超出规格限（概率）的面积
小于 LSL = 正态分布（LSL、样本均值、总体西格玛）* 100 = 6.2901
超出 USL = (1- 正态分布(USL、样本均值、整体 sigma)) * 100 = 0.0062
如何提高工艺能力
如上所述，对于该示例过程，Cpk为0.738，Ppk为0.510，因此可以说过程能力较低。那么，如何改进流程来提高流程能力呢？ JMP 提供了一个选项来为此问题提供数字提示。
从“能力分析”报告左侧的红色小三角中选择“交互式能力图”选项。这将添加如下报告：该图描绘了当前数据的（样本）均值、以整体 sigma 作为参数的正态分布、LSL 和 USL 线。这显示了当前的过程能力。
那么，如果我们能够改进流程，将平均值调整到比现在更大的值，并减少现在的偏差，我们能够将流程能力提高多少？ 您可以通过移动“新工艺能力”滑块来检查这一点。例如，以下是平均值为 12.5、整体 sigma（方差）为 1.1 时的报告。
这将 Ppk 提高到 1.364，超过了常用的指导值 1.33。
虽然这只是对假设情况的模拟，但我认为了解未来流程改进的近似值会很有用。
下面的视频介绍了使用“过程能力”和“过程筛选”平台进行过程能力分析，其中包括本次介绍的“单变量分布”过程能力分析。
使用 JMP 进行过程能力分析（日语）
by 増川 直裕（JMP Japan）
Naohiro Masukawa - JMP 用户社区
