Interprétation de la jauge R&R lors de la prise en compte des effets croisésLe MSA utilisé pour calculer la variance R&R de la jauge recommande de sélectionner Croisé comme type de modèle. Il s'agit d'une méthode légèrement différente de l'évaluation des seuls effets principaux de l'évaluateur et de la partie que de nombreuses feuilles de calcul et outils utilisent pour calculer la variance croisée. Je comprends le concept des effets croisés, mais j'ai du mal à comprendre comment le calcul de la variance croisée est effectué (c'est-à-dire si je veux calculer manuellement pour comprendre ce qui motive cette source d'erreur). Il semble que dans certaines situations, l'effet croisé puisse conduire à des résultats erronés (inattendus) et que nous ne devrions pas utiliser le résultat pour juger de l'acceptabilité de la jauge.
Dans l'analyse ci-dessous, j'ai une très bonne jauge (presque idéale) qui ne produit pratiquement aucune variation dans la résolution de la taille du pas de mesure. L'évaluateur 2, cependant, a mesuré la pièce 9 de manière constante à 0,005 V de moins que tous les autres évaluateurs. Cette erreur est bien dans la tolérance de 0,9 V, mais l'analyse de la jauge utilisant les effets croisés indique que 61,21 % de la variation de mesure provient d'un effet croisé provenant de cet évaluateur et de cette pièce. Cela n'a aucun sens physique pour moi et semble être un cas particulier en raison de la faible/absence de variation.
À un moment donné, il doit y avoir un croisement où cet effet peut commencer à influencer faussement les résultats de la jauge et j'essaie de comprendre comment interpréter les résultats et dans quels cas l'analyse doit être modifiée pour éviter cet artefact. Il semble qu'il puisse y avoir des situations où les mathématiques peuvent conduire à des conclusions erronées et l'effet croisé ne doit pas être utilisé.
Modélisation statistique avancéeExploration et visualisation des donnéesPlan d'expériencesIngénierie de la qualité et des procédésRé: Interprétation de la jauge R&R lors de la prise en compte des effets croisésDésolé, je ne comprends pas ce que vous dites : « à des fins de R&R, effets aléatoires par définition » ? Le R&R signifie précision, répétabilité et reproductibilité. Que voulez-vous dire par « effets aléatoires par définition » ? Je ne comprends pas non plus ce que vous voulez dire par « l'effet du facteur aléatoire est mieux estimé à partir d'un plan imbriqué » ? Les plans imbriqués ou hiérarchiques sont très utiles pour les études sur les composants des variations et particulièrement utiles pour évaluer la stabilité/cohérence. Si tel est l'objectif de l'étude, alors oui, une étude imbriquée est la plus efficace. Si, en revanche, vous essayez de comprendre la structure causale et de développer des modèles prédictifs, les études croisées sont plus efficaces (par exemple, DOE).
Il n'existe pas de méthode unique pour réaliser une analyse. L'analyse appropriée dépend des questions auxquelles vous essayez de répondre et de la manière dont les données ont été acquises.
Ré: Interprétation de la jauge R&R lors de la prise en compte des effets croisésPour les besoins de R&R, les effets aléatoires par définition, n'est-il pas logique d'exécuter uniquement un plan imbriqué. Ce n'est pas une question de préférence, mais une question d'objectif. En d'autres termes, l'effet du facteur aléatoire est mieux estimé à partir d'un plan imbriqué. Des idées ?
Ré: Interprétation de la jauge R&R lors de la prise en compte des effets croisésVoici mes réflexions. Tout d'abord, un effet croisé est une interaction. Cela signifie que l'effet d'un des termes du modèle dépend d'un autre terme du modèle.
Vous êtes tombé sur un problème important avec toute analyse quantitative. Il s'agit de faire une analyse quantitative (par exemple, ANOVA) avant d'analyser les données pour « des points de données et des modèles inhabituels » avant d'interpréter les résultats de l'analyse quantitative. Vous devriez chercher à comprendre pourquoi l'évaluateur 2 a obtenu des résultats différents pour l'UUT n° 9. Je ne vois pas comment vous pouvez conclure de manière cohérente, je ne vois qu'un seul point de données, mais néanmoins, pourquoi ? Dans cet ensemble de données, Deming pourrait appeler ce point de données « spécial » et Shewhart le qualifierait d'« assignable ».
Les pourcentages sont ceux de la tolérance. Personnellement, je ne pense pas que ce soit la seule comparaison pour juger un système de mesure. À mon humble avis, c'est la moins importante car les tolérances sont dérivées de manière indépendante et généralement sans aucune connaissance du processus de fabrication du produit (ou de la quantité de variation du produit). Ce que vous voulez que votre système de mesure soit capable de faire, c'est de quantifier la variation du produit afin que la variation puisse être réduite ou prédite. Pour évaluer cela, vous devez prendre en compte :
1. la discrimination (résolution effective),
2. la stabilité/cohérence,
3. la précision, la répétabilité et peut-être la reproductibilité,
du système de mesure.
Le logiciel va vouloir tenir compte de ce point de données inhabituel. Comme vous pouvez le voir sur le graphique, il n'est associé qu'à un seul évaluateur, cela serait quantifié comme un effet d'interaction (c'est-à-dire que l'effet de l'évaluateur dépend de l'UUT mesuré). Ne vous laissez pas tromper par la taille du % (remarquez que la variation de la pièce (UUT) représente 720,79 % de la tolérance !). Il n'y a pas beaucoup de variation dans l'évaluateur, la plupart de la variation est due à l'UUT (voir le graphique de la composante de variance).
Au fait, l'un des problèmes des études croisées est qu'elles ne permettent généralement pas d'évaluer la cohérence. Les cartes de contrôle ne gèrent pas les effets croisés. Pour comprendre la cohérence, les études imbriquées sont préférables.
