758505_zh-CN

liliconcom

曲线数据的测量系统分析 (2020-US-30MP-573)

奥托立夫高级统计专家 Astrid Ruck
Chris Gotwalt，SAS 统计研究与开发 JMP 总监
Laura Lancaster，SAS JMP 首席研究统计师开发人员

测量系统分析 (MSA) 是一个测量过程，不仅包括测量系统、设备和部件，还包括整个测量过程中涉及的操作员、方法和技术。汽车行业指南（例如 AIAG [1] 或 VDA [4]）研究了每次测试的一维输出，但并未说明如何处理作为输出的数据曲线。在本演示中，我们将首先展示如何使用力与距离输出曲线进行量具重复性和再现性 (GRR) 研究。JMP Pro 中的函数数据探索器 (FDE) 旨在分析函数数据，例如测量曲线，就像用于执行此 GRR 研究的数据一样。

自动生成的成绩单...

扬声器	抄本
阿斯特丽德·拉克	我叫 Astrid Ruck。我在 Autoliv 工作
	15 年来，Autoliv 一直是全球领先的
	汽车安全部件，例如安全带、安全气囊和主动安全系统。今天我们想谈谈曲线数据的测量系统分析。
	劳拉、克里斯和我也写了一份白皮书，标题也一样，因为我们认为这是一个非常紧迫的话题
	因为
	就我们自己的知识而言，没有其他有关 MSA 的可用于动态测试机的曲线数据。
	因此，首先我们将简要介绍 MSA 和功能数据分析，然后我们将激发所谓的 Spring 指南的目标，该指南旨在调查
	系紧行为或舒适行为系紧安全带，然后劳拉会
	通过 JMP Pro 解释我们的量具 R&R 方法。
	因此，通常测量系统分析是一种精明的 2 型研究。
	所以，
	MSA 是一个过程。在这个流程图中，您可以看到它从类型 1 和线性研究开始，并使用参考部件完成。需要参考部件，因为我们需要一种参考方法来计算测量系统的偏倚。
	如果合适，如果偏差足够好，那么我们检查是否有操作员影响。
	当且仅当存在操作员影响时，我们才能计算出再现性。否则，在所有其他步骤中，重复性是唯一的
	可以计算的变异。因此，在这一领域，我们研究的是2型和3型零件，以及生产零件。AIAG，
	汽车行业指南，调查每个测试的一维输出，但它们没有描述如何处理数据曲线作为输出，我们将为您提供如何
	如何做到这一点。如果准确率高，不确定性就会低。这可以从这张图上看出。你可以看到
	不确定性的增加对判断零件是否接近公差范围的影响。因此，这里我们有一个规格下限，右边我们有一个规格上限。
	所以我的准确度越高，我的决定就越好。而现在我们有一个很大的灰色地带，很难做出正确的决定。
	显然，公差中间的部分总是会以正确的方式分类。
	与统计过程控制相比，规格限度内的部件非常有价值。
	因此，对于 MSA 来说，你能做的最好的事情就是在最低规格限度内采购零件，在最高规格限度内采购零件，
	参考值的正负 10%，在这种情况下，参考值就是公差。如果只有一个特定的规格限值，例如规格上限或下限，
	然后，您可以使用过程能力指数 Ppk 来计算相应的过程变化 6s，这就是您的新参考图。
	而这种如何为 MSA 选择零件的想法也可以用于输出曲线及其规格界限，而不是规格限制。
	因此，数据通常以函数、曲线或剖面的形式出现，称为函数数据。JMP Pro 中的函数数据探索平台提供函数数据分析功能。
	我们将使用 P 样条来模拟虚假曲线与远距离曲线的提取，然后我们将使用混合模型来分析它们。
	因此，安全带对于防止死亡事故的发生有着重要的作用，因此必须确保安全带的功能性和舒适性。
	在右侧，您可以看到安全带的拉出力（蓝色表示）和距离上的回缩力（红色表示）。
	这两种力量都是影响安全性和舒适性的重要因素。
	为了测试这些力和抽出/回缩力，我们使用了测试装置，以模拟车辆中的安全带行为。
	让我们仔细看看这个。这里你可以看到一个测试装置，这里你可以看到安全带。这里有一个小型移动推车，它由推车臂驱动，现在你可以看到安全带
	缩回。现在开始提取，在右侧，您可以看到安全带，它是根据其在车内的位置固定的。
	是的。
	哎呀。
	所以，
	当你观察这些小曲线时，你会看到我的提取力曲线内部，
	有一些小波，它们具有半周期结构。如果你用
	比如多项式，那么重复性就会过拟合。这就是为什么我们需要
	一些灵活的模型。这些小波浪是从哪里来的？我们看看我的安全带内部，就会更清楚。里面有一个主轴和一个弹簧。它的表现如何
	可以在这个视频里看到。里面是我的主轴，右边是弹簧。弹簧盖是打开的，这样我们就能看看里面了。
	盖子，弹簧是如何运作的。一开始，当整个织带都绕在旋转器上时，我的弹簧完全放松。现在我的织带被拉出，同时弹簧被卷紧。所以现在我们收回了织带，我的弹簧又放松了。
	这些小的运动导致了这种波浪结构，这就是我们真正需要基于 FDE 的灵活模型的原因。
	因此，创建弹簧指南是我们的目标，它需要特定的紧固行为。
	所以紧固行为由我的拔力曲线给出。在这张图中，你可以看到，五种不同的
	安全带类型和相应的弹簧厚度。如果我的弹簧厚度较小，那么你可以看到我的拉力也较小；如果我的弹簧
	厚度越大，我在距离上的提取力也会越大。然后你会看到，我们这里有不同的颜色，其中有一个深色。深色是由三位操作员在实际测量中得出的……
	每个操作员对每条安全带进行了五次重复测试，你可以看到他们做得非常出色。浅色部分是我们根据 FDE 给出的 p 样条曲线建立的模型。因此，由于弹簧的指导是我们的目标，我们想知道哪种弹簧的弹簧性能会更好。
	安全带的相应固定行为，但在开始项目之前，请务必先进行 MSA
	所以，
	根据 Autoliv 的程序，我们使用五种不同的安全带，三位经验丰富的操作员和五次复制，正如您在
	上图。我们的观测值 y 是由实际值加上一些随机噪声得出的，这些噪声来自操作员、零件、操作员与零件的相互作用以及相应的
	重复性。然后我的量具 R&R 定义为
	测量误差的过程变化，由我的再现性和重复性给出。
	现在我们想知道我的量具 R&R 的最小公差是多少，这样我的量具 R&R 才可以接受。“可接受”意味着量具 R&R 的百分比小于 20%。如果我的量具 R&R 是
	0.2 倍我的最小公差，那么我们也会得到你所看到的曲线的界限，以及这个正负 3 秒的误差界限
	对我们找到适合特定紧固行为的正确弹簧有很大帮助。所以
	我们的方法将
	由 Laura Langcaster 展示。因此，我们将开始估算平均提取力曲线，并使用 FDE 提供的灵活模型。
	然后，我们将计算残余提取力，之后通过平台组合模型估算随机效应模型，最后计算量具重复性和重复性。劳拉，你开始吧？
劳拉	是的，让我分享我的屏幕。是的。
	伟大的。
劳拉	好的。
	是的，谢谢你，阿斯特丽德。我想演示一下如何使用 JMP Pro 15
	用曲线数据进行测量系统分析。首先我想向大家展示一下我们现有的数据。它看起来很像常规的MSA数据，只不过它不仅仅是
	常规测量中，我们实际上有曲线。所以我们有这个力与距离的函数。所以我们要做的第一件事就是
	使用函数数据探索器创建零件力提取曲线。所以我要打开函数数据
	浏览器，我要进入分析菜单，然后是专业建模，功能数据浏览器。力是我的输出，距离是我的输入，我想为每个部件或安全带类型分别拟合一个。这就是我的ID，然后点击“确定”。
	我得到了一堆汇总信息和汇总图表，我要把这个放大。这些是我的曲线，你可以看到，每个部分的曲线都非常清晰，颜色也不同。
	我也看到了 Astrid 提到的半周期行为。现在我已经
	拟合这些数据，我知道300个节点的线性P样条拟合效果非常好。所以我要继续拟合这个特定的模型。所以我进入模型、模型控制、P样条模型控制，然后
	删除所有这些节点。
	添加 300 个节点，因为我知道这个节点结构效果很好。我只打算进行线性拟合。点击“开始”，很快就能用这条 300 个节点的线性 P 样条曲线拟合这些数据。
	我只想快速提一下，我只会展示这个 FDE 平台的一小部分功能。它的功能非常丰富，比我之前展示的要多得多，或者说，比我们用于测量系统分析的功能要多得多。
	不过，我强烈建议你去看看。我们为 JMP 15 添加了很多功能。
	所以我强烈建议你也看看其他相关的讨论。好的，这就是我们的拟合结果。我们再次得到了一个漂亮的曲线和拟合图。
	我想检查一下，确保它拟合得很好。所以我会去诊断图，看看实际值和预测值的对比图，我发现它看起来非常棒。线性很好，残差也很小。所以我对这个拟合很满意。
	现在，当我们进行拟合时，我们必须将操作符和复制误差结合起来。所以这些曲线的变异是平均的，但我们需要
	用这个变异来实际进行量具重复性和再现性研究。所以我们要做的实际上是创建一个力残差，然后从原始力函数中减去这些部分力函数，
	我们将得到包含操作员及其复制误差的残差。所以我要回到数据表。
	我已经创建了脚本来简化这个过程。我创建了一个脚本，将我的预测公式添加到数据表中。我会快速地向你们演示一下。这直接来自函数数据浏览器。这是我为每个部件计算 P 样条拟合值的公式。
	然后我还有一个脚本来创建我的残差列，
	该公式只是力与部分力提取函数之间的差异。
	对。所以现在我有这个剩余的
	包含操作员和复制误差的公式，我可以拟合随机效应模型并估计我的操作员......逐部分操作员和我的复制误差。
	为了做到这一点，我实际上会使用混合模型平台，因为我们不会拟合部分方差，因为我们已经
	通过创建残差并减去部分力函数来将其分解出来。
	我已经创建了一个脚本来启动混合模型平台。您可以看到，我的响应是残余提取力。
	我用运算符和部分运算符作为随机效应。我要运行这个。
	运算符、部分运算符（为零）和残差。
	为了计算 Gage R&R，我发现只需使用像电子表格一样的 JMP 数据表就很容易了。
	这样就简单了。我可以直接使用列公式。所以我把方差分量输入到表格里了。
	我创建了一个公式来计算量具重复率和相对值（R&R），也就是除去零件后总变异的平方根乘以6。然后我发现我的量具重复率和相对值是0.4385，我可以把它应用到我的弹簧指导中。
	在我的规格范围内。我还可以反算出最小公差。
	现在我要把这个任务交还给 Astrid，让她继续讨论如何应用这个任务。
阿斯特丽德·拉克	是的，谢谢你，劳拉。这真的很棒。但对于观众来说，这当然不是原始数据。
	所以，
	是的。
	正如劳拉解释的那样，现在我们知道了
	量具的重复性和重复性 (R&R)，我们也知道我的最小公差，这样我的测量系统就能够胜任了。所以这里你看到的是零件提取力函数。
	您还可以看到正负 3 的误差界限，您会发现这些部分选择得很好，因为界限不重叠，因此
	它们有显著差异。我们可以用它来找到正确的
	弹簧。这里黑色部分表示最小公差……
	我们用绿线将其置于中心。
	现在我们有了 Gage R&R，但另一方面，我们可以使用 FDE
	加载黄金曲线作为目标函数。我已经告诉过你了，是的，我们对弹簧指南感兴趣，但我们应该使用哪种弹簧呢？我们也可以使用 FDE 来
	加载这个黄金函数，然后计算相应的弹簧的厚度以获得特定的行为。
	所以FDE是个很棒的工具。我们还用它做了Type 3的研究，这种研究独立于操作员，并且用于相机。
	它可以测量充气安全带的接缝和切割边缘之间的距离以及切割过程，这也是使用 FDE 的一大成功案例。
	最后，我想说的是，我们的大多数流程和测试都以曲线作为输出。
	到目前为止，使用完整的曲线数据来标准化 MSA 程序是不可能的，因此，我们不得不限制自己
	拔出力曲线的最大值，拔出和缩回之间的所有区域，因此我们减少了自己，损失了很多
	大量的信息。所以我很高兴我们能够对曲线数据进行MSA分析。据我们所知，
	目前还没有其他出版物讨论过使用其他商业软件对曲线数据进行此类MSA泛化。最后，我想告诉大家，相应的论文也可以在网上找到。感谢您的关注。

高级统计建模基础数据分析与建模消费者和市场研究数据探索与可视化预测模型和机器学习质量与工艺工程可靠性分析