Xbar-S 控制图

Xbar-S 控制图同时监控连续数据的过程均值和过程变异,数据按每组 9 个或以上观测值的合理子组收集。子组大小为 2 到 8 时使用 Xbar-R 控制图,没有子组时使用 I-MR 控制图。按时间顺序收集至少 60 个观测值。西格玛采用 Sbar 法或合并标准差法估计,检验规则用于标记特殊原因。

最后审阅

核心要点

Xbar-S 控制图是一对用于子组大小为 9 或以上的连续数据的控制图:Xbar 图随时间跟踪子组均值,S 图随时间跟踪子组标准差。

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

什么是 Xbar-S 控制图?

Xbar-S 控制图是一种完善的统计控制工具,用于在处理连续数据且子组大小为九或以上时监控过程的均值和变异。该图由两个关键部分组成:Xbar 图随时间跟踪平均值,以识别过程均值的偏移;S 图随时间显示标准差,以检测过程变异的变化。

Xbar-S 控制图特别适用于较大的样本量,与基于极差的控制图相比,能更精确地反映数据的离散程度。它广泛应用于质量控制和过程改进,用于确保过程稳定,并及时识别和处理潜在问题。Xbar-S 控制图通过突出显示过程数据中的变异和趋势,在保持和提升整体过程性能方面发挥着关键作用。

何时使用 Xbar-S 控制图?

  1. 合理子组:当可以按逻辑分组(子组)收集测量值,每组代表过程在特定时间点的“快照”时。
  2. 按时间顺序排列的数据:当数据按时间顺序排列(即按产生的先后顺序输入)时,以便准确检测过程中的趋势或偏移。
  3. 子组大小为九或以上:子组大小为九或以上时,应选用 X-bar 和 S 控制图,因为随着子组增大,极差统计量对过程西格玛的估计效率会降低。子组西格玛比子组极差能更好地估计变异。
  4. 连续且服从正态分布的数据:当所收集的数据是连续的并且服从正态分布时。
  5. 检测较大偏移:当需要检测过程平均值相对较大的偏移(通常为 ±1.5 西格玛或更大)时。X-bar 和 S 控制图在这方面很有效。
  6. 提高灵敏度:为提高对偏移的灵敏度,尤其是在子组较大时,X-bar 和 S 控制图更为有效,前提是能够形成合理子组。
  7. 不稳定的过程:当过程不稳定,即过程均值和标准差未知或随时间变化时。
  8. 行业应用:适用于制造、医疗、金融服务以及其他重视过程质量控制的行业。

如果子组大小为一,可考虑使用单值-移动极差(Individual-X / Moving Range)控制图、EWMA 或 Cusum 控制图进行更恰当的监控。如需对较小的过程偏移更灵敏,建议使用 EWMA 或 Cusum 控制图。

正确使用 Xbar-S 控制图的指南

  • 对于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。
  • 按时间顺序输入数据,以检测随时间发生的变化。
  • 按相等的时间间隔收集数据,以便在变化发生后尽快识别。
  • 使用能代表过程输出的合理子组。
  • 子组包含 2-8 个观测值时,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。
  • 总共至少收集 60 个观测值,以获得可靠的结果。
  • 在子组大小适当的情况下,非正态数据仍可得到良好的结果。
  • 避免子组内的观测值相关,以确保控制限准确。

替代方法:何时不宜使用 Xbar-S 控制图

  • 如果子组包含 2-8 个观测值,最好使用 Xbar-R 控制图。
  • 如果子组内存在稳定的变异来源,则更适合使用 I-MR-R/S 控制图。
  • 如果没有子组,则使用 I-MR 控制图。
  • 如果处理的是不合格品或缺陷数据,建议使用计数型控制图,例如 P 控制图 或 U 控制图。

Xbar-S 控制图示例

某罐头公司的一名质量工程师正在监控灌装过程中罐头的重量,以确定该过程是否受控。工程师每小时收集一个由 10 个罐头组成的子组,并确保这些罐头在较短时间内收集,以减小组内变异。为跟踪重量,质量工程师绘制了 Xbar-S 控制图。她按以下步骤进行:

  1. 工作一整天,记录每小时子组中 10 个罐头的重量。
Xbar-S Chart — figure 1
  1. 现在,她借助以下网址分析数据:https://statsai.zometric.com/
  2. 她在工具中输入数据,并选择 Sbar 作为 sd estimation method。
  3. 使用上述工具后,得到如下有用的图形:
Xbar-S Chart — figure 2Xbar-S Chart — figure 3Xbar-S Chart — figure 4

如何生成 Xbar-S 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-S Chart。
  3. 点击 Xbar-S 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);也可以使用 Load Example 选项加载示例数据。
  5. 接下来,将各列映射到相应参数。
  6. 最后,点击页面底部的 calculate,即可得到所需结果。

Xbar-S 控制图的工具界面分为两部分。

Xbar-S 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。

右侧只需提供以下内容:

  • 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 Sbar 估计法或合并标准差法会改变结果。
    • Sbar Sd estimation method: 计算各子组的平均标准差(Sbar),以监控过程变异。Sbar 对于设定 S 图的控制限至关重要,可反映数据离散程度随时间的变化。该方法可确保在质量控制实践中对过程变异进行一致而准确的评估。
    • 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: 如果某数据点距中心线 K 个标准差,则表示它与均值的距离为标准差的 K 倍。这在统计过程控制中很重要,因为它表明数据点是否处于可接受的界限内,或过程是否可能存在需要处理的问题。通常,距中心线超过三个标准差的数据点被视为异常值,可能需要进一步调查。
  • Check Rule 2: K points in a row on same side of center line: 如果数据集中连续 K 个点位于中心线同一侧,则表明过程均值可能发生了偏移。这可能由多种因素造成,例如测量误差、抽样偏差或数据中真实存在的潜在模式。
  • Check Rule 3: K points in a row, all increasing or all decreasing: 当连续 K 个点满足以下条件之一时,该检验表明过程存在趋势或漂移:
    • 各点全部递增(即每个点的 y 坐标都大于前一个点)
    • 各点全部递减(即每个点的 y 坐标都小于前一个点)
  • Check Rule 4: K points in a row, alternating up and down: 如果连续 K 个点呈锯齿状上下交替,则说明变异是系统性的而非随机的。其原因可能包括过程调整过度,或在两台机器、两名操作员或两种原材料来源之间交替。
  • Check Rule 5: K out of K + 1 points > 2 standard deviation from center line (same side): 根据该规则,如果 K+1 个数据点中有 K 个位于中心线同一侧且距中心线超过两个标准差,则表明过程可能失控,应调查特殊原因以识别并解决问题。
  • Check Rule 6: K out of K + 1 points > 1 standard deviation from center line (same side): 如果连续 K+1 个点中有 K 个位于中心线同一侧且距中心线超过一个标准差,则表明过程均值可能发生了小幅偏移。
  • Check Rule 7: K points in a row within 1 standard deviation of center line (either side): 如果连续 K 个点都在中心线 1 个标准差范围内,则变异小于控制限所预期的水平。这并不表明控制良好:通常意味着数据分层或控制限过宽。
  • Check Rule 8: K points in a row > 1 standard deviation from center line (either side): 如果连续 K 个点距中心线都超过 1 个标准差,则表明存在混合模式,即各点避开中心线而落在控制限附近,例如混合了来自两个不同过程流的数据。

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-S 控制图公式

本节介绍 Xbar 图和 S 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

S_i

子组 i 的标准差

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 )}

  • S 图公式

    • 描点:每个描点  s_i 表示子组  i 的标准差。
    • 中心线:中心线表示子组的平均标准差。如果不使用无偏化常数,Zometric 将使用过程标准差 σ:

\overline S = σ

...........................如果使用无偏化常数(默认),Zometric 将按以下方式计算每个子组 i的中心线值:

\overline S_i = c_4 (n_i) σ

    • 控制限:
      • 控制下限:

如果使用无偏化常数:

LCL_i = [c_4 (n_i)×σ]-[kσ× c_5 (n_i)]

如果不使用无偏化常数:

LCL_i = σ-k[\frac{c_5 (n_i)}{c_4 (n_i)}]σ

      • 控制上限:

如果使用无偏化常数

UCL_i = [c_4 (n_i)×σ]+[kσ× c_5 (n_i)]

如果不使用无偏化常数:

UCL_i = σ+k[\frac{c_5 (n_i)}{c_4 (n_i)}]σ

  • 西格玛(组内标准差)的估计公式

    • 使用 Sbar 法:

............................如果不使用无偏化常数,则 \overline S 为各子组标准差的均值:

\overline S = \frac{\sum S_i}{m}

............................如果使用无偏化常数 c4(ni),则 \overline S 的计算方法如下:

h_i = \frac {c_4 (n_i)^2}{1-c_4 (n_i)^2}

............................当子组大小恒定时,\overline S 为:

\overline S = \frac {\sum S_i}{m×c_4(n_i)}

    • 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

    • 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-S 控制图?

Xbar-S 控制图是一对用于子组连续数据的控制图。Xbar 图随时间跟踪子组平均值,以检测过程均值的偏移;S 图绘制子组标准差,以检测过程变异的变化。它适用于较大的子组,与基于极差的控制图相比,能更精确地反映离散程度。

什么情况下应使用 Xbar-S 控制图而不是 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,因为对于较大的子组,极差对过程西格玛的估计效率降低,而子组标准差的估计效果更好。子组大小为 2 到 8 时使用 Xbar-R 控制图,没有子组时使用 I-MR 控制图。

Xbar-S 控制图需要多少数据?

总共至少收集 60 个观测值,以获得可靠的结果。按时间顺序输入数据,按相等间隔收集数据,使用能代表过程输出的合理子组,并避免子组内的观测值相关,以确保控制限准确。

S 图的控制限如何计算?

使用无偏化常数(默认)时,子组 i 的 S 图中心线为 c4(ni) 乘以西格玛,控制限为 c4(ni) 乘以西格玛,加上或减去 k 乘以西格玛再乘以 c5(ni),其中 k 默认为 3。西格玛可通过 Sbar 法或合并标准差估计。