Xbar-R 控制图

Xbar-R 控制图是监控各行业中涉及计量型数据的过程稳定性的重要工具。这类控制图特别适用于检查连续数据,以评估过程性能。

最后审阅

核心要点

Xbar-R 控制图是监控各行业中涉及计量型数据的过程稳定性的重要工具。

本页内容
  1. 什么是 Xbar-R 控制图?
  2. 何时使用 Xbar-R 控制图?
  3. 正确使用 Xbar-R 控制图的指南
  4. 替代方法:何时不宜使用 Xbar-R 控制图
  5. Xbar-R 控制图示例
  6. 如何生成 Xbar-R 控制图
  7. Xbar-R 控制图公式

什么是 Xbar-R 控制图?

Xbar-R 控制图 是监控各行业中涉及计量型数据的过程稳定性的重要工具。这类控制图特别适用于检查连续数据,以评估过程性能。通过按固定时间间隔从子组中收集数据,Xbar-R 控制图提供两张图:一张用于随时间监控过程均值(Xbar 图),另一张用于随时间监控过程变异(R 图)。

Xbar-R 控制图对于识别过程均值和极差两方面的变异至关重要。它们在评估过程改进举措的效果方面发挥着重要作用。Xbar 图检测过程均值的偏移,R 图则突出显示过程变异的变化。两者结合,可对过程随时间的一致性进行全面的控制和评估。它有助于识别可能表明过程存在潜在问题的趋势和模式。通过清晰直观地呈现过程行为,这些控制图为数据驱动的决策和持续改进工作提供支持。在严格控制过程参数对于确保产品质量和运营效率至关重要的环境中,它们尤为有价值。

何时使用 Xbar-R 控制图?

当子组大小大于 1 且样本量为小到中等(小于 10)时,使用 Xbar-R 控制图。在可假定数据服从正态分布的情况下,它用于随时间监控过程的集中趋势(均值)和变异性(极差)。Xbar-R 控制图有助于检测过程均值和变异性的变化,这些变化可能表明需要进行过程改进。它常用于制造业以及其他重视质量控制的行业。

正确使用 Xbar-R 控制图的指南

  • 计量型控制图使用连续数据;计数型数据请使用 P 控制图 或 U 控制图。
  • 按时间顺序输入数据,最早的数据放在最上面。
  • 按相等的时间间隔收集数据。
  • 使用合理子组,即在相同条件下生产的相似项目的小样本。
  • 子组大小应为 8 或以下;更大的子组使用 Xbar-S 控制图,没有子组时使用 I-MR 控制图。
  • 根据子组大小收集适量的数据。
  • 如果数据按子组收集,控制图对非正态数据仍然有效。
  • 避免子组内的数据点相关,以防控制限过窄。

替代方法:何时不宜使用 Xbar-R 控制图

  • 对于包含 9 个或更多观测值的子组,请选择 Xbar-S 控制图,除非子组内存在稳定的变异来源,此时请使用 I-MR-R/S 控制图。
  • 如果没有子组,请使用 I-MR 控制图。
  • 如果数据涉及不合格品数或缺陷数,请使用计数型控制图,例如 P 控制图 或 U 控制图。

Xbar-R 控制图示例

下面通过一个示例来说明如何绘制 Xbar 图和 R 图。假设一名工程师想监控为其汽车整车厂客户生产凸轮轴的制造过程。每个子组收集 5 个样本。一个子组由短时间内收集的样本构成,通常是同一台生产机器连续生产的零件。子组数据大约每 30 分钟收集一次。收集到如下数据:

  1. 收集所需数据。
Xbar-R Chart — figure 1

2. 现在,在 Zometric Statistical Software 中分析数据,网址为 https://statsai.zometric.com/。

3. 要找到 Xbar-R 控制图,请选择 Statistical module> Control Charts> X Bar R Chart.

4. 在工具中输入数据及其他输入项,如下所示:

Xbar-R Chart — figure 2

5. 使用上述工具后,得到如下输出:

Xbar-R Chart — figure 3Xbar-R Chart — figure 4

如何生成 Xbar-R 控制图

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> Control Charts >Xbar R Chart.
  3. 点击 Xbar-R Chart,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 Sd estimation method 以及所需的 Check Rules。
  6. 最后,点击页面底部的 calculate,即可得到所需结果。

Xbar-R 控制图的工具界面分为两部分。

Xbar-R Chart — figure 5

左侧为数据窗格(Data Pane)。在 Data Pane 中,每一行构成一个子组。可以手动输入数据,也可以从 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:

  • Process mean: 过程中一组测量值或观测值的平均值。它代表过程数据随时间的集中趋势,是过程性能的关键指标。如未提供,Zometric Statistical Software 将根据所提供的数据计算中心线。
  • Process sd: 衡量过程数据围绕均值的变异性或离散程度,反映过程中各数据点与过程平均值的差异大小。如果留空,Zometric Statistical Software 将根据所提供的数据进行计算。
  • Sd estimation method: 为计算提供两种选择。选择 Rbar 估计法或合并标准差法会改变结果。
    • Rbar Sd estimation method: Rbar 表示各子组内极差的平均值。Rbar 法是一种广泛使用的标准差估计方法,对于子组大小为 2 到 8 的情形尤为有效。
    • Pooled Sd estimation method:  合并标准差是各子组方差的加权平均,较大的子组对总体估计的影响更大。当过程稳定时,该方法能提供更准确的标准差估计。
  • Use unbiasing constants for pooled sd: 仅当使用 Pooled Stdev 方法估计 Stdev 时,此选项才适用。
  • Check Rule 1: 1 point > K Stdev from center line: 检验 1 对于识别明显偏离其他子组的子组至关重要,是检测失控情形时公认通用的工具。为提高灵敏度并检测过程中较小的偏移,可将检验 2 与检验 1 结合使用,从而增强控制图的效果。
  • Check Rule 2: K points in a row on same side of center line: 检验 2 用于检测过程中心位置或变异的变化。监控过程的微小偏移时,可将检验 2 与检验 1 结合使用,以提高控制图的灵敏度。
  • Check Rule 3: K points in a row, all increasing or all decreasing: 检验 3 用于识别过程中的趋势。该检验专门查找连续多个数据点持续上升或持续下降的序列,这表明过程行为中可能存在潜在趋势。
  • Check Rule 4: K points in a row, alternating up and down: 检验 4 用于识别过程中的系统性变异。理想情况下,过程的变异模式应是随机的。但是,如果某个点未通过检验 4,则可能表明变异并非随机,而是遵循某种可预测的模式。
  • Check Rule 5: K out of K + 1 points > 2 standard deviation from center line (same side): 检验 5 用于检测过程中的小幅偏移。
  • Check Rule 6: K out of K + 1 points > 1 standard deviation from center line (same side):检验 6 用于检测过程中的小幅偏移。
  • Check Rule 7: K points in a row within 1 standard deviation of center line (either side):检验 7 用于识别可能被误解为受控良好的变异模式。该检验可检测过宽的控制限,这通常由分层数据引起。当每个子组内存在系统性变异来源,使控制限显得比应有的范围更宽时,就会出现分层数据。
  • Check Rule 8: K points in a row > 1 standard deviation from center line (either side):检验 8 用于检测混合模式。在混合模式中,点往往远离中心线,而落在控制限附近。
  • Download as Excel: 以 Excel 格式显示结果,便于编辑,并可通过 load file 选项重新加载以进行计算。

Xbar-R 控制图公式

本节介绍 Xbar 图和 R 图控制限的计算方法。首先,请注意下文计算中所用术语的说明。

术语说明

x_{ij}

第 j个 观测值,位于第 i个 子组中

n_i

子组 i 中的观测值个数

\sum x

所有单个观测值之和

\sum n

观测值总数

μ

过程均值

k

检验 1 的参数(默认值为 3)

σ

过程标准差

d_2 (.)

与括号中指定值对应的无偏化常数 d2 的值

d_3 (.)

与括号中指定值对应的无偏化常数 d3 的值

r_i

子组 i 的极差

m

子组数

\overline x_i

子组 i 的均值

µ_ν

各子组方差的均值

c_4 (.)

与括号中指定值对应的无偏化常数 c4 的值

c_5 (.)

与括号中指定值对应的无偏化常数 c5 的值

Γ()

伽马函数

  • Xbar 图公式

    • 描点:每个描点 \overline x_i 表示子组 i 中观测值的均值。

\overline x_i = \frac{\sum\limits_{j=1}^{n_i} x_{ij}}{n_i}

    • 中心线:中心线表示过程均值(µ)。

\overline{\overline{X}} = \frac{∑x}{∑n}

    • 控制限:
      • 控制下限:每个子组 i 的控制下限值计算如下:

LCL_i= µ- \frac{kσ}{√(n_i )}

      • 控制上限:每个子组 i 的控制上限值计算如下:

UCL_i= µ+ \frac{kσ}{√(n_i )}

  • R 图公式

    • 描点:每个描点  r_i 表示子组  i 的极差。
    • 中心线:每个子组的中心线值 \overline R_i 计算如下:

\overline R_i= d_2(n_i) × σ

    • 控制限:
      • 控制下限:每个子组 i 的控制下限值等于以下两者中较大者:

LCL_i= [d_2(n_i) × σ] - [kσ×d_3(n_i)]

或

LCL_i= 0

      • 控制上限:每个子组 i 的控制上限值计算如下:

UCL_i= [d_2(n_i) × σ] + [kσ×d_3(n_i)]

  • 西格玛(组内标准差)的估计公式

    • 很多时候,人们会误以为上述计算中所用的 σ 是可以用标准电子表格计算得到的通常的样本标准差或总体标准差。然而请注意,它是一个估计的标准差,其依据的原则是:我们只需使用过程固有的标准差,而需要排除组间变异。估计组内变异有两种常用方法。
    • 使用 Rbar 法:利用各子组的极差 r_i 计算 S_r,它是 σ的无偏估计量:

S_r = \frac{\sum\limits_{i}^{} (\frac{f_i r_i}{d_2 (n_i)})}{\sum\limits_{i}^{} {f_i}}

其中

f_i = \frac{[d_2 (n_i)]^2}{[d_3 (n_i)]^2}

当子组大小恒定时,公式简化为:

S_r = \frac{\overline R}{d_2 (n_i)}

其中

\overline R = \frac{\sum r_i}{m}

    • 使用合并标准差法:合并标准差(Sp)由以下公式给出。

S_p = \sqrt\frac{\sum\limits_{i}^{} \sum\limits_{j}^{} (x_{ij}-\overline x_i)^2 }{\sum\limits_{i}^{} (n_{i}-1)}

当子组大小恒定时,Sp 也可按以下方式计算:

S_p = \sqrt µ_ν

  • 无偏化常数公式

    • 上述公式中使用的无偏化常数通常取自标准统计表。不过,也可以使用以下公式计算无偏化常数的值。
    • d_2 ():对于 N 为 51 到 100 的值,对 d2(N) 使用以下近似公式:

d_2 (N) = 3.4873 + 0.0250141 × N - 0.00009823 × N^2

    • d_3 () 和 d_4 ():对于 N 为 26 到 100 的值,对 d3(N) 和 d4(N) 使用以下近似公式:

d_3 (N) = 0.80818 - 0.0051871 × N + 0.00005098×N^2 - 0.00000019 × N^3

d_4 (N) = 2.88606 + 0.051313 × N - 0.00049243×N^2 + 0.00000188 × N^3

    • c_4 () 和 c_5 ():

c_4 (N) = {\sqrt \frac {2}{N-1}}\frac{Γ\frac{N}{2}}{Γ\frac{N-1}{2}}

c_5 (N) = \sqrt {1 - c_4(N)^2}

常见问题

什么是 Xbar-R 控制图?

Xbar-R 控制图是一对用于按固定时间间隔以子组收集的连续数据的控制图。Xbar 图监控过程均值并检测其偏移,R 图则利用各子组的极差监控过程变异。两者结合,可显示过程随时间是否稳定。

什么情况下应使用 Xbar-R 控制图而不是 Xbar-S 控制图?

当子组大小大于 1 且不超过 8 时,使用 Xbar-R 控制图。子组包含 9 个或以上观测值时,使用 Xbar-S 控制图。没有子组时使用 I-MR 控制图;对于不合格品数或缺陷数,使用 P 控制图或 U 控制图等计数型控制图。

Xbar-R 控制限如何计算?

在 Xbar 图上,每个子组的控制限为过程均值加减 k 乘以西格玛除以子组大小的平方根,k 默认为 3。在 R 图上,中心线为 d2 乘以西格玛,控制限为 d2 乘以西格玛加减 k 乘以西格玛再乘以 d3,控制下限不低于零。

Xbar-R 控制图的西格玛如何估计?

西格玛是组内标准差,而不是普通的样本标准差,因此不包含组间变异。使用 Rbar 法且子组大小恒定时,西格玛为平均极差除以 d2。合并标准差法则改用各子组方差的加权平均。