非正态过程能力

对于偏态或服从威布尔、指数、伽马或对数正态等分布的连续数据,使用非正态过程能力。从稳定的过程收集至少 100 个数据点,并确认分布拟合良好。输入 LSL 和 USL,并选择 Z 分数法或 ISO 22514 百分位数法。输出包括能力指数以及预测的超出规格的输出百分比。

最后审阅

核心要点

非正态过程能力通过拟合威布尔或对数正态等合适的分布,评估数据不服从正态分布时过程的输出是否在规格限内。

本页内容
  1. 什么是非正态过程能力?
  2. 何时使用非正态过程能力?
  3. 正确使用非正态过程能力的指南
  4. 替代方法:何时不宜使用非正态过程能力
  5. 非正态过程能力示例
  6. 如何进行非正态过程能力分析

什么是非正态过程能力?

非正态过程能力是一种方法,用于在数据偏离正态分布时,评估过程在规定限内产出的能力。当数据表现出偏度、异常值等特征,或服从正态钟形曲线以外的分布时,这种分析至关重要。通过选择正确的非正态分布模型,该分析可评估过程结果在多大程度上满足客户要求,衡量整体过程性能,并预测可能落在可接受范围之外的输出百分比。即使数据分布为非正态,这种方法也有助于判断过程能否可靠地满足期望的标准。

简单来说,即使数据看起来不符合我们的预期,它也是确保过程运行良好的一种方法。

何时使用非正态过程能力?

当所分析的数据不服从正态分布时,应使用非正态过程能力,即数据不具有典型的钟形曲线,这种曲线对称且以均值为中心。以下是一些适合使用非正态过程能力的情形:

  1. 偏态数据:如果数据向左或向右偏斜,即大多数值集中在一侧,则更适合进行非正态过程能力分析。
  2. 存在异常值:如果数据中有不符合整体模式的极端值,它们可能扭曲正态分布。应首先对其进行调查;如果它们是长尾过程的真实组成部分,则非正态分布比正态分布能更好地对尾部建模。
  3. 非对称分布:当数据呈现不对称的模式(例如对数正态或指数分布)时,非正态过程能力有助于提供更准确的评估。
  4. 多个峰:如果数据有多个峰(双峰或多峰分布),则不服从正态分布;这通常意味着数据来自多个过程流(例如不同的机器或批次),在评估能力之前应将其分开。
  5. 过程特性:有些过程由于过程或产品的性质,自然会产生非正态数据。例如,随时间推移的磨损、批处理过程或具有固有限制的过程,可能产生非正态数据。

正确使用非正态过程能力的指南

  • 分析时使用连续数据;如果处理的是计数型数据,请改用二项分布能力分析或泊松分布能力分析。
  • 至少收集 100 个数据点,以确保过程能力估计可靠,并准确反映过程变异。
  • 在进行能力分析之前,确保过程稳定且受控,必要时可使用 Xbar-S 控制图或非正态能力六合一图等工具。
  • 数据必须与所选的非正态分布高度吻合;请使用单值分布识别来找到最佳拟合,以获得准确的能力估计。

替代方法:何时不宜使用非正态过程能力

  • 如果您不确定哪种非正态分布适合您的数据,请在分析之前使用单值分布识别。
  • 若要检查过程控制状况以及是否适合某个特定的非正态分布,请先使用非正态能力六合一图。
  • 若要在整体能力之外还估计组内变异和潜在能力,请使用正态能力分析,将非正态数据变换后基于正态分布进行评估。

非正态过程能力示例

某汽车零部件制造商正在评估一台钻床能否满足某关键零部件的规格要求。该零部件必须落在一个范围内:规格下限(LSL)为 22.15,规格上限(USL)为 22.35。为此,工程师从该机器抽取 125 个样本,并执行以下步骤:

  1. 已收集所需数据。
Non Normal Process capability — figure 1
  1.  现在,在 Zometric Statistical Software 中分析数据,网址为 https://statsai.zometric.com/。
  2.  要找到非正态过程能力,请选择 Statistical module> Process Capability>Non-Normal Process Capability.
  3.  在工具中,按如下方式输入数据及其他输入项:
Non Normal Process capability — figure 2

5. 使用上述工具后,得到如下输出:

Non Normal Process capability — figure 3Non Normal Process capability — figure 4

如何进行非正态过程能力分析

操作步骤如下:

  1. 登录 Zometric Statistical Software,网址为 https://statsai.zometric.com/
  2. 在首页选择 Statistical Tool> Process Capability >Non-Normal Process Capability。
  3. 点击 Non Normal Process Capability,进入工具界面。
  4. 接下来,手动更新数据,或从 Excel 表格中完整复制(Ctrl+C)数据并粘贴(Ctrl+V)到此处。
  5. 接下来,选择要拟合的分布,输入 LSL 和 USL,并选择分析方法。
  6. 最后,点击页面底部的 calculate,即可得到所需结果。

在非正态过程能力的工具界面中,窗口分为两部分。

Non Normal Process capability — figure 5

左侧为数据窗格(Data Pane)。在 Data Pane 中,每一行构成一个子组。可手动输入数据,也可从 Excel 表格中完整复制(Ctrl+C)数据并粘贴(Ctrl+V)到此处。

Load example: 将加载示例数据。

Load File: 用于直接加载 Excel 数据。

右侧提供以下选项:

  • Fit Distribution:
  • Weibull distribution: 威布尔分布是一种灵活的统计模型,用于工程、医学研究、金融和气候学,尤其适用于分析失效时间数据和处理偏态过程数据。它由三个参数定义:形状、尺度和阈值。三参数威布尔分布包含全部三个参数,而不含阈值的双参数版本仅用于正值。形状参数影响分布的偏度,尺度参数表示预期 63.2% 的总体失效的时间点,阈值参数使分布沿时间轴平移。这种分布对于预测失效、估计寿命周期和理解复杂的数据模式至关重要。它的多功能性也延伸到质量控制和风险管理。Exponential: 指数分布是一种连续概率分布,在处理非正态数据时经常用于过程能力分析,尤其适用于失效率恒定的失效时间数据,以及泊松过程中事件的到达间隔时间,即事件以恒定的平均速率连续且独立地发生。这种分布非常适合对特定事件发生之前的时间建模,其无记忆性使其非常适用于过去不影响未来的情形,从而可对不服从正态分布的偏态数据进行准确分析。Logistic: 逻辑分布在非正态过程能力分析中发挥重要作用,尤其是当数据对称但不服从正态分布时。逻辑分布的形状与正态分布相似,但尾部更重,即对极端值赋予更大的概率。这一特点使其适用于某些数据倾向于有异常值或离散程度大于正态分布所能容纳的过程能力分析。Loglogistic: 对数逻辑分布用于正值的右偏数据,其对数服从逻辑分布。它与对数正态分布相似,但尾部更重,适用于出现大值的可能性高于对数正态分布预测的过程。Largest Extreme Value: 最大极值分布在非正态过程能力分析中必不可少,适用于数据关注最大值或为右偏分布的情形。它确保极值得到准确建模,从而得到更可靠的能力评估,并对过程性能和风险做出更明智的决策。Smallest Extreme Value: 最小极值(SEV)分布在非正态过程能力分析中起关键作用,尤其是当数据偏态且不符合正态分布时。SEV 分布特别适用于对数据集中的最小值建模,例如最短失效时间或事件链中最薄弱的环节。2-Parameter Exponential: 双参数指数分布由尺度参数(λ)和阈值参数(θ)定义。阈值参数使分布向右平移 θ 个单位,表示事件发生之前的最短等待时间。尺度参数控制阈值之后事件发生的速率。3- Parameter Weibull: 三参数威布尔分布由形状参数(β)、尺度参数(η)和阈值参数(γ)定义。形状参数(β)决定失效率行为,尺度参数(η)表示特征寿命,阈值参数(γ)使分布平移,表示失效开始之前的最短时间。这种分布用于对事件发生之前有初始等待期的寿命数据建模,增加了灵活性,可更准确地拟合数据。Gamma: 伽马分布是一种连续概率分布,其特征为形状参数(k 或 α)和尺度参数(θ)。它主要用于对直到指定数量的事件发生为止的等待时间建模,非常适合涉及累积时间或偏态数据的过程。Lognormal: 对数正态分布是一种连续概率分布,其随机变量的对数服从正态分布。其特点是正偏态,由底层正态分布的均值(μ)和标准差(σ)定义。它常用于金融、生命科学和可靠性分析,用于对必须保持为正值且呈现乘性增长或右偏行为的数据建模。
  • LSL: 这是过程测量值的最小可接受值。低于此限的任何值都表示产品或过程不符合质量标准,被视为不合格。
  • USL: 这是过程测量值的最大可接受值。高于此限的任何值同样表示产品或过程超出规格,不符合质量要求。
  • Method of Analysis:
  • Z-Score: Z 分数法利用拟合的分布求出超出每个规格限的概率,并将其转换为等效的标准正态 Z 值。然后根据这些 Z 值计算能力指数(每个单侧指数等于 Z 除以 3),因此它们与用于正态数据的指数具有可比性。该方法有助于发现性能问题,支持以数据为依据的质量改进决策。

       在以下情况下使用此方法:

  • 数据不服从正态分布,这在许多现实过程中很常见。
  • 需要更灵活的方法,以适应各种分布(例如指数、对数正态)。
  • 要计算过程能力指数(Cp、Cpk),这些指数按过程均值距规格限多少个标准差来标准化。

       优点:

  • Z 分数法通过以标准差表示能力,使人们更清楚地了解过程相对于规格限的性能。
  • 即使数据为非正态,它也能更好地比较不同的过程或特性。
  • ISO: ISO 法遵循非正态能力分析的 ISO 22514 标准。它直接根据拟合分布的百分位数计算能力指数:第 0.135 和第 99.865 百分位数(对应于正态分布中的 ±3 个标准差),并以中位数作为过程中心。当需要符合国际质量标准时,优先采用此方法。
  • Download as Excel: 将以 Excel 格式显示结果,该格式易于编辑,并可使用 load file 选项重新加载以进行计算。

常见问题

什么是非正态过程能力?

非正态过程能力评估在数据不服从正态分布时,过程在规格限内产出的能力。通过拟合合适的非正态分布模型,它评估整体过程性能,并预测可能落在可接受范围之外的输出百分比。

何时应使用非正态能力分析?

当连续数据偏态、非对称,或来自自然会产生非正态数据的过程(如随时间推移的磨损或具有固有限制的过程)时使用。应首先调查异常值,并在评估能力之前,将具有多个峰的数据按其过程流(如不同的机器或批次)分开。对于计数型数据,请使用二项分布能力分析或泊松分布能力分析。

非正态过程能力需要多少数据?

至少收集 100 个数据点,以获得可靠的能力估计。分析之前,过程应稳定且受控,并且数据必须与所选分布高度吻合。如果不确定哪种分布适合,请先使用单值分布识别。

非正态能力的 Z 分数法与 ISO 法有何区别?

Z 分数法利用拟合的分布求出超出每个规格限的概率,并将其转换为等效的标准正态 Z 值;每个单侧指数等于 Z 除以 3,因此指数与用于正态数据的指数具有可比性。ISO 法遵循 ISO 22514,根据拟合分布的第 0.135 和第 99.865 百分位数计算指数,并以中位数作为过程中心。