Sorozatmérés digitális mérőórával 3.

Hasonló dokumentumok
Minőségmenedzsment (módszerek) BEDZSULA BÁLINT

BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.

5. mérés Mérés és kiértékelés számítógéppel

MÉRÉSI EREDMÉNYEK PONTOSSÁGA, A HIBASZÁMÍTÁS ELEMEI

Nagy számok törvényei Statisztikai mintavétel Várható érték becslése. Dr. Berta Miklós Fizika és Kémia Tanszék Széchenyi István Egyetem

3. mérés Sorozatmérés digitális kijelzésű mérőórával

III. Képességvizsgálatok

A mérési eredmény megadása

17. Folyamatszabályozás módszerei

Minőségellenőrzés. Miről lesz szó? STATISZTIKAI FOLYAMATSZABÁLYOZÁS (SPC) Minőségszabályozás. Mikor jó egy folyamat? Ellenőrzés Szabályozás

A mérések általános és alapvető metrológiai fogalmai és definíciói. Mérések, mérési eredmények, mérési bizonytalanság. mérés. mérési elv

Méréstechnika II. Mérési jegyzőkönyvek FSZ képzésben részt vevők részére. Hosszméréstechnikai és Minőségügyi Labor Mérési jegyzőkönyv

Mérési hibák

Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

Matematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása

[Biomatematika 2] Orvosi biometria

Véletlen jelenség: okok rendszere hozza létre - nem ismerhetjük mind, ezért sztochasztikus.

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Matematikai statisztika. Mi a modell? Binomiális eloszlás sűrűségfüggvény. Binomiális eloszlás

6. Előadás. Vereb György, DE OEC BSI, október 12.

Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt

Minőségirányítási rendszerek 9. előadás

Kísérlettervezés alapfogalmak

Kísérlettervezés alapfogalmak

Kabos: Statisztika II. t-próba 9.1. Ha ismert a doboz szórása de nem ismerjük a

5. mérés Mérés és kiértékelés számítógéppel

Erdei János. Minőség- és megbízhatóság menedzsment. villamosmérnöki kar menedzsment mellékszakirány

17. Folyamatszabályozás módszerei

Méréselmélet és mérőrendszerek 2. ELŐADÁS (1. RÉSZ)

Kockázatalapú változó paraméterű szabályozó kártya kidolgozása a mérési bizonytalanság figyelembevételével

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

A maximum likelihood becslésről

STATISZTIKA I. Változékonyság (szóródás) A szóródás mutatószámai. Terjedelem. Forgalom terjedelem. Excel függvények. Függvénykategória: Statisztikai

biometria II. foglalkozás előadó: Prof. Dr. Rajkó Róbert Matematikai-statisztikai adatfeldolgozás

Hipotézis vizsgálatok

BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.

A mérés. A mérés célja a mérendő mennyiség valódi értékének meghatározása. Ez a valóságban azt jelenti, hogy erre kell

Gyártástechnológia alapjai Méréstechnika rész. Előadások (2.) 2011.

Matematikai geodéziai számítások 10.

Gépipari minőségellenőr Gépipari minőségellenőr

1. Adatok kiértékelése. 2. A feltételek megvizsgálása. 3. A hipotézis megfogalmazása

Alap-ötlet: Karl Friedrich Gauss ( ) valószínűségszámítási háttér: Andrej Markov ( )

Budapesti Műszaki és Gazdaságtudományi Egyetem

Hipotézis STATISZTIKA. Kétmintás hipotézisek. Munkahipotézis (H a ) Tematika. Tudományos hipotézis. 1. Előadás. Hipotézisvizsgálatok

Biostatisztika VIII. Mátyus László. 19 October

STATISZTIKA. A maradék független a kezelés és blokk hatástól. Maradékok leíró statisztikája. 4. A modell érvényességének ellenőrzése

Kontrol kártyák használata a laboratóriumi gyakorlatban

Kiválasztás. A változó szerint. Rangok. Nem-paraméteres eljárások. Rang: Egy valamilyen szabály szerint felállított sorban elfoglalt hely.

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Matematikai geodéziai számítások 6.

Minőségmenedzsment (módszerek) BEDZSULA BÁLINT

STATISZTIKA. Egymintás u-próba. H 0 : Kefir zsírtartalma 3% Próbafüggvény, alfa=0,05. Egymintás u-próba vagy z-próba

Statisztika I. 9. előadás. Előadó: Dr. Ertsey Imre

GVMST22GNC Statisztika II. Keleti Károly Gazdasági Kar Vállalkozásmenedzsment Intézet

Statisztika I. 8. előadás. Előadó: Dr. Ertsey Imre

Andó Mátyás Felületi érdesség matyi.misi.eu. Felületi érdesség. 1. ábra. Felületi érdességi jelek

FEGYVERNEKI SÁNDOR, Valószínűség-sZÁMÍTÁs És MATEMATIKAI

Tűrés és illesztés. Készítette: Szűcs Tamás

A kálium-permanganát és az oxálsav közötti reakció vizsgálata 9a. mérés B4.9

Legnagyobb anyagterjedelem feltétele

Mintavétel fogalmai STATISZTIKA, BIOMETRIA. Mintavételi hiba. Statisztikai adatgyűjtés. Nem véletlenen alapuló kiválasztás

Méréselmélet és mérőrendszerek

Elemi statisztika fizikusoknak

Kockázatkezelés a rezgésdiagnosztikában többváltozós szabályozó kártya segítségével

Használati útmutató. A Hungary Mérleg Kft. által forgalmazott EQC típusú digitális mérleghez.

MINŐSÉGÜGYI STATISZTIKAI MÓDSZEREK. Dr. Drégelyi-Kiss Ágota ÓE BGK

Statisztika. Politológus képzés. Daróczi Gergely április 17. Politológia Tanszék

5. mérés Mérés és kiértékelés számítógéppel

Matematikai geodéziai számítások 6.

Mérés mérőmikroszkóppal 6.

Kockázatok és mérési bizonytalanság kezelése a termelésmenedzsment területén

Minőség-képességi index (Process capability)

PÉCSI MÉRLEGSTÚDIÓ KFT 7631 Pécs, Megyeri út 67. Tel.: 72/ , fax.: 72/

TARTALOMJEGYZÉK. 1. téma Átlagbecslés (Barna Katalin) téma Hipotézisvizsgálatok (Nagy Mónika Zita)... 23

Biomatematika 12. Szent István Egyetem Állatorvos-tudományi Kar. Fodor János

Számítógépes döntéstámogatás. Statisztikai elemzés

Iskolai jelentés. 10. évfolyam szövegértés

Kutatásmódszertan és prezentációkészítés

A Statisztika alapjai

1/8. Iskolai jelentés. 10.évfolyam matematika

Bevezetés a hipotézisvizsgálatokba

Módszertani Intézeti Tanszéki Osztály. A megoldás részletes mellékszámítások hiányában nem értékelhető!

4. A mérések pontosságának megítélése

KÖVETKEZTETŐ STATISZTIKA

Matematikai alapok és valószínőségszámítás. Középértékek és szóródási mutatók

Kettőnél több csoport vizsgálata. Makara B. Gábor

IATF 16949:2016 szabvány fontos kapcsolódó kézikönyvei (5 Core Tools):

földtudományi BSc (geológus szakirány) Matematikai statisztika elıadás, 2014/ félév 6. elıadás

Felhasználói kézikönyv

Gyakorló feladatok. Az alábbi feladatokon kívül a félév szemináriumi anyagát is nézzék át. Jó munkát! Gaál László

STATISZTIKA ELŐADÁS ÁTTEKINTÉSE. Mi a modell? Matematikai statisztika. 300 dobás. sűrűségfüggvénye. Egyenletes eloszlás

ASC. Kezelési útmutató , H ó d m e z ő v á s á r h e l y. B o t o n d u T e l. : /

Kalibrálás és mérési bizonytalanság. Drégelyi-Kiss Ágota I

Statistical Process Control (SPC), Statisztikai Folyamatszabályozás

Biomatematika 2 Orvosi biometria

EPS-1-60 és EPS HASZNÁLATI ÚTMUTATÓ

Statisztikai becslés

Nehézségi gyorsulás mérése megfordítható ingával

A leíró statisztikák

STATISZTIKA. A Föld pályája a Nap körül. Philosophiae Naturalis Principia Mathematica (A természetfilozófia matematikai alapelvei, 1687)

AHC darabszámláló mérleg

Átírás:

Mechatronika, Optika és Gépészeti Informatika Tanszék kiadva: 2012.02.12. Sorozatmérés digitális mérőórával 3. A mérések helyszíne: D. épület 523-as terem. Az aktuális mérési segédletek a MOGI Tanszék honlapján érhetők el a www.mogi.bme.hu oldalon. 1. A mérés célja Egy mérési sorozat statisztikai paramétereinek meghatározása, digitális kimenetű mérőórához csatlakoztatott adatgyűjtő processzor segítségével. 2. Elméleti háttér 2.1. A tűrésmező A gyártás során az alkatrészek méretei az ideális, előírt mérettől valamilyen mértékben mindig eltérnek. Ennek okai többek közt a kivédhetetlen gyártási és szerelési pontatlanságok, a gyártógépek tökéletlenségei. Éppen ezért a tervezés során szükséges definiálni egy olyan, az előírt méret körüli tartományt, amelyen belül a munkadarab még el tudja látni a funkcióját és reálisan elkészíthető. Ez a tartomány más néven a tűrés vagy tűrésmező, melynek előírása egyben meghatározza az alkatrész készítéséhez szükséges gyártási folyamatokat is. Tehát a gyártás során az elkészült méretek az előírt méret körüli, a használt technológiától függő tartományban fognak valamekkora valószínűséggel megjelenni. Az alkalmazott gyártási folyamatok általában akkor megfelelők, ha megadott konfidencia szint mellett (az iparban a konfidencia szint jellemzően p=95%, esetleg p=99,73%) az ellenőrzött méret adatainak tapasztalati szórását meghatároztuk, és a tapasztalati szórással kiszámított a sugarú konfidencia intervallum (±a) a tűrésmezőn belül helyezkedik el. Tehát Gauss féle normál eloszlást feltételezve: 2.2. A sorozatmérés P x a x x a a s x i u s x u A műszaki életben gyakran előfordulnak az ún. sorozatmérések, amikor rövid idő alatt, egymás után nagyszámú alkatrésznek kell ugyanazt a méretét lemérni. (Ez nem összetévesztendő a mérési sorozattal!!!) A 3 as mérés során a csapok sorozatmérése a digitális mérőórával és a hozzá illesztett mérési adatgyűjtő eszközzel történik. p s n 3. Sorozatmérés digitális mérőórával 1.

3. A mérés kivitelezése 3.2. Digitális mérőóra 1. ábra: A mérés elrendezése. Balra a mérőóra az állvánnyal, jobbra a mérési adatgyűjtő. A mérőóra a tapintócsúcs elmozdulását kapacitív mérőléc segítségével alakítja át villamos, majd digitális jellé. A mért értéket LCD kijelzőjén jeleníti meg, a digitális formában tárolt adatot pedig megfelelő illesztés révén a mérési adatgyűjtőnek el tudja küldeni. Maga a mérőóra a rögzítő perselyén keresztül egy állványban rögzített. Minden mérés előtt fontos, hogy definiálva legyen egy megfelelő referenciapont, melyben a mérőóra nulla állásban van. Ez célszerűen az állvány vízszintes, sík asztala lehet (a tapintócsúcsot engedjük le az asztalig). A referencia beállítása után a készüléket a ZERO gombbal lehet nullázni. Nullázás után a tapintót a műanyag emelőkarral óvatosan emeljük fel, majd helyezzük alá a mérendő munkadarabot és utána engedjük rá a tapintót. A tapintó felemelése és leengedése ne legyen túl gyors, mert elállíthatja a készülék nullpontját, így hibás lesz az adott mérés. 2. ábra: Munkadarab mérése mérőórával. 3. Sorozatmérés digitális mérőórával 2.

Miután a munkadarabot az asztalra helyeztük és a tapintócsúcsot rá engedtük, az LCD kijelzőn a referencia és az új tapintó-helyzet különbsége látszik, jelen esetben a mért érték. 3. ábra: A digitális mérőóra A mérőóra részei: 1-csatlakozó kábel, 2-mérőóra, 3-LCD kijelző, 4-rögzítő persely, 5-tapintó, 6-tapintó csúcs. 3.3. Az adatgyűjtő processzor A mérőóra mellett található, a mérőórához csatlakoztatott mérési adatgyűjtő a mérőóra által mutatott aktuális értéket az adatgyűjtő DATA gombjának lenyomásával eltárolja. Az adatgyűjtő processzor akár 10000 mérési érték rögzítésére is alkalmas, amelyekkel különböző statisztikai műveleteket képes végrehajtani (pl.: átlag, vagy szórásszámítás). Ezek a függvények az eszköz STAT gombjának lenyomásával érhetők el, amivel egyben a beleépített, saját hőnyomtatójával a mért értékeket, az értékekből álló hisztogramot és az értékekből képzett függvények eredményeit hőpapírra kinyomtatja. Fontos, hogy az adatgyűjtő processzor memóriája a mérés megkezdésekor törölve legyen. 4. ábra: A mérési-adat gyűjtő 3. Sorozatmérés digitális mérőórával 3.

5. ábra: Adatgyűjtő processzor kengyeles mikromérővel A mérés során használt mérőóra állványban van rögzítve. A mérőóra stabil pozicionálására azért van szükség, hogy mérés közben a műszer ne tudjon elmozdulni, a mérés a lehető legpontosabb és legbiztosabb legyen. Az állvány a 6. ábrán látható. 6.ábra: A mérőóra és az állvány kezelő szervei A mérőóra állványa: 1- mérőóra, 2- megvezető orsó, 3- szárrögzítő csavar, 4- mérőórát tartó szár, 5- talapzat, 6- mérőóra tapintója, 7- mérőórát rögzítő csavar. 3. Sorozatmérés digitális mérőórával 4.

4. Az eredmények közlése 4.2. Szórás becslése a terjedelemből A szórás gyors közelítésére történhet a sorozatból készített részsorozatok terjedelmének átlagából. (A módszer csak akkor helyes, ha a 10-nél hosszabb sorozatokat több, egyforma, 10-nél kisebb sorozatra bontjuk fel, ezért lesz szükség a részsorozatokra) Ha k mérési sorozatot készítettünk, sorozatonként n számú méréssel, akkor a következő módon járhatunk el: Kiszámítjuk a sorozatok terjedelmét: ahol: i - a sorozathoz tartozó index x - a mért értékeket jelöli R - a terjedelem. Kiszámítjuk az átlagos terjedelmet: Szórásbecslés az átlagos terjedelem alapján: ahol: A(n) - a becsült tapasztalati szórás - átlagos terjedelem - értékét táblázatból választjuk, a részsorozatba tartozó mért értékek számának megfelelően (A tíznél hosszabb sorozatokat több, tíznél rövidebb részsorozatra kell felosztani. A gyakorlatban k=3, n=10 értékek jellemzőek.) n A(n) 2 0,89 3 0,59 4 0,49 5 0,43 6 0,40 7 0,37 8 0,35 9 0,34 10 0,32 3. Sorozatmérés digitális mérőórával 5.

4.3. Minőségképesség-indexek Ha jellemezni szeretnénk egy folyamat vagy gép minőségképességét, akkor leggyakrabban a minőségképesség-indexeket használjuk. Az indexek 3 számolási módját az alábbi táblázat tartalmazza. Mint látható a folyamat-ill. a gépképesség-indexek számolási módja kissé eltér egymástól. A gépképesség vizsgálatoknál a nevezőben 6 helyett 8 ill. a Cmk index számolásánál 3 helyett 4-szeres szórástartományt viszonyítunk a tűrésmezőhöz. A minőségképesség-indexekkel szemben minimális követelmény, hogy értékük legalább 1,0 legyen. Általános elvárásnak napjainkban az 1,33 érték tekinthető, de egyes iparágakban (pl. autógyártás, elektronikai ipar), ma már az 1,67-es érték számít elfogadhatónak. Természetesen ezek az értékek nem jelentenek éles határt. Nincs jelentős különbség a várható selejtarányt tekintve a Cpk=1,65 és a Cpk=1,68 indexekkel jellemezhető folyamatok között. A megadott értékek inkább csak iránymutató számok, elsősorban saját folyamatainknak az adott ágazat általános minőségi színvonalával történő összehasonlítására szolgálnak. A Cp, Cpk indexek használata az ipari gyakorlatban annyira elterjedt, hogy a legtöbb helyen kizárólag ezeket a számokat használják a minőségképesség-elemzés során. Ez különösen akkor helytelen, ha a folyamatok nem stabilak, nem szabályozottak. Ekkor ugyanis a Cp, Cpk indexek értékei értelem nélküli számokat tartalmaznak, mivel a veszélyes hibák "szétzilálják" a folyamatot, és az értékek nagymértékben megváltozhatnak csupán azáltal, hogy másik mintát veszünk. Ez még viszonylag stabil folyamatoknál is előfordulhat, ha nem veszünk elég nagyszámú mintát. Nem stabil folyamat esetén tehát, a Cp, Cpk indexek nem az egész folyamatra, azaz nem a minőségképességre jellemzőek, hanem csak az adott mintára. A jól megtervezett minőségképesség elemzések előnye az ilyen - legtöbbször csak rutinszerűen számolt - mutatókkal szemben, hogy jobban feltárják a folyamat valódi természetére jellemző viselkedéseket. 3. Sorozatmérés digitális mérőórával 6.

Cp, Cpk értelmezése A Cp index nagysága jellemzi az illető iparág vagy üzem minőség-kultúrájának színvonalát. Bár az indexek számolását bemutató táblázatban a nevezőkben - a gyakorlatban használható egyik becslési módszernek megfelelően - mindenhol a mintából számolt tapasztalati szórás látható, de ne feledjük, hogy ez valójában nem a folyamat (sokaság) ingadozását méri, hanem csak a sokasági szórás becslése. Feladatunk a képességelemzés során az s -t, a folyamatot valóban jellemző elméleti szórás jó becslése. Ezért szükséges a mintavételi, eljárásbeli szabályok betartása. Ha a képletbe beírt szórás nem a folyamatra jellemző, elveszítjük az indexek használatának lényegét, nem tudjuk megbecsülni, hogy egy a folyamatból kikerülő termék milyen valószínűséggel lesz selejtes? Az indexek alkalmazásának fő célja pedig éppen ez. Megalkotásuknál a normális eloszlás ismert tulajdonságát vették alapul, nevezetesen, hogy egy normális eloszlású valószínűségi változó 99,73% valószínűséggel a várható érték ±3s tartományán belül van. (Megjegyezzük, hogy a valószínűségszámítással foglalkozó szakemberek nem kedvelik az előbbi mondathoz hasonló pongyola, iparral jellemző megfogalmazásokat. A helyes megállapítás a következő volna: Az átlag körül tehát rajzolható egy a sugarú intervallum, amely p valószínűséggel tartalmazza az M(x), vagy μ várható értéket. Ha ugyanis az ismeretlen várható érték a megadott intervallumban van, akkor joggal feltételezhető, hogy a véletlen változók, amelyekből a várható érték legjobb becslése, a számtani átlag kiszámítható, a jelzett valószínűséggel ugyancsak ebben az intervallumban vannak. Megj.: szerkesztő.) Ekkor tehát az ún. természetes ingadozás határai (±3s határok) éppen megegyeznek a tűréshatárokkal, azaz a Cp index értéke 1,0. Ilyenkor 1 000 000 termékből 2700 lesz kívül a tűrésmezőn (2700 ppm a hibaarány), feltéve, hogy az ingadozás centruma éppen a tűrésmező közepe. Korábban említettük, hogy a követelmények ennél már magasabbak: 1,33 Cp index például 63,5 ppm, 1,67-es érték pedig már csak 0,57 ppm hibaarányt jelent. (Továbbra is hangsúlyozva, hogy csak abban az esetben, ha az ingadozás középértéke a folyamat középen van.) A 80-as évek előtt az USA iparában a jellemző Cp-érték 0,67 volt, vagyis a gyártott termékek mintegy 4,5%-a nem felelt meg az előírásoknak. A 80-as évek végére a 0,67 értékkel jellemzett minőségű termelés aránya 30% körülire csökkent. Ugyancsak a 80-as évek elején Japánban általánosan a Cp=1,33 értéket írták elő, a hightech ágazatokban pedig ennél is magasabbat, a Minolta szabványa Cp=2,03. A Cp mutató definíciójából következő tulajdonsága, hogy nem veszi figyelembe az ingadozás centrumának esetleges eltolódását. A folyamat minőségi színvonalát végül is a Cpk index jellemzi, mely figyelembe veszi a centrum elállítódását is. Ha a folyamat ingadozásának centruma bármely irányba eltér a középértéktől, akkor a Cpk két tagja közül - az elállítódás irányától függően - az egyik számlálója csökken, így a Cpk index értéke kisebb lesz a Cp értékénél. Ha a folyamat éppen középen van, a két index megegyezik. (A Minőségképesség-indexek leírása Erdei János: Minőségkép-elemzés c. jegyzetéből származik) 3. Sorozatmérés digitális mérőórával 7.

5. A mérési feladat végrehajtása 5.1. A mérőeszközökkel való megismerkedés után határozza meg és rögzítse a jegyzőkönyvben azok mérési tartományát és felbontását. A jegyzőkönyvben a mérőeszközöknek beazonosíthatónak kell lenniük, így tüntesse fel a gyártót/típust és a mérőeszköz sorszámát is. Ez a mérés megismételhetőségének fontos feltétele. 5.2. Nyomtassa ki az adatgyűjtő processzor által begyűjtött adatok statisztikáját (STAT gomb), majd értelmezze az ott kapott értékeket. A jegyzőkönyvben rögzítse a kinyomtatott értékek magyar nevét, és az értékeket kerekítse a mérőműszer felbontásának megfelelően. A mérés eredményét általában annyi tizedes jegyre kerekítve kell megadni, amilyen pontosan a mérőműszert le tudtuk olvasni. Átlag, szórás, konfidencia intervallum megadása (számítások eredménye) 1, legfeljebb 2 tizedes jeggyel hosszabb lehet. 5.3. Becsülje a sorozat szórását a terjedelem segítségével, majd az így kapott értéket hasonlítsa össze az adatgyűjtővel kapott eredménnyel. 5.4. Adja meg a mérési eredményt 99,73%-os valószínűségi szinten. Javasoljon tűrésmezőket, melyek esetén jó lehet a gyártmány. d = (átlag) ± (bizonytalanság) [mm] 5.5. Írjon rövid szöveges értékelést, melyben, kitér a mérés során előforduló esetleges hibákra, azok forrására, vagy esetleg javaslatot tehet, hogyan küszöbölhetőek ki, vagy csökkenthető a hatásuk. A jegyzőkönyvet a laborfoglalkozás végén a laborvezetőnek adja át, miután meggyőződött, hogy megfelel a jegyzőkönyvvel szemben támasztott formai és tartalmi követelményeknek. 3. Sorozatmérés digitális mérőórával 8.