Minőségirányítási rendszerek 9. előadás

Hasonló dokumentumok
MINİSÉGBIZTOSÍTÁS. 8. ELİADÁS Mérıeszköz megfelelıség Mérıeszköz-képesség vizsgálat Április 4. Összeállította: Dr. Kovács Zsolt egyetemi tanár

MÉRÉSTECHNIKA. Előadások (2.) Galla Jánosné

MSA - mérőrendszer elemzés (MSA - measurement systems analysis)

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

17. Folyamatszabályozás módszerei

ÚJDONSÁGOK A MINITAB STATISZTIKAI SZOFTVER ÚJ KIADÁSÁNÁL (MINITAB 18)

8. A mérıeszközök képességvizsgálata 1

Az R&R vizsgálatok tapasztalatai. Minősítése R&R a mindennapokban. Tóth Csaba László fizikus. Tóth László politológus. és benne egy különlegesség

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

Mérési hibák

BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.

SKIK Thot Quality Management Kaposvár június 8.

Geokémia gyakorlat. 1. Geokémiai adatok értelmezése: egyszerű statisztikai módszerek. Geológus szakirány (BSc) Dr. Lukács Réka

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

BAGME11NNF Munkavédelmi mérnökasszisztens Galla Jánosné, 2011.

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

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

Statisztika I. 11. előadás. Előadó: Dr. Ertsey Imre

[Biomatematika 2] Orvosi biometria

Matematikai alapok és valószínőségszámítás. Középértékek és szóródási mutatók

[Biomatematika 2] Orvosi biometria

Biomatematika 2 Orvosi biometria

Mérések hibája pontosság, reprodukálhatóság és torzítás

STATISZTIKAI ALAPOK. Statisztikai alapok_eloszlások_becslések 1

III. Képességvizsgálatok

MŰSZAKI TUDOMÁNY AZ ÉSZAK-KELET MAGYARORSZÁGI RÉGIÓBAN 2013

Laboratóriumok Vizsgálatainak Jártassági Rendszere MSZ EN ISO/IEC 17043:2010 szerint

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

A Wikipédiából, a szabad enciklopédiából

Statisztika I. 10. előadás. Előadó: Dr. Ertsey Imre

Minitab 16 újdonságai május 18

Tájékoztató. Normális (Gauss-) eloszlás. Következtetés hibái. Mintavételi alapelvek. Minőségmenedzsment módszerek (SPC) 3σmás szabály.

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

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

Populációbecslések és monitoring

STATISZTIKA. András hármas. Éva ötös. Nóri négyes. 5 4,5 4 3,5 3 2,5 2 1,5 ANNA BÉLA CILI 0,5 MAGY. MAT. TÖRT. KÉM.

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

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

KÖVETKEZTETŐ STATISZTIKA

Populációbecslések és monitoring

Tartalomjegyzék I. RÉSZ: KÍSÉRLETEK MEGTERVEZÉSE

y ij = µ + α i + e ij

Kalibrálás és mérési bizonytalanság. Drégelyi-Kiss Ágota I

R&R vizsgálatok fejlesztése trendes jellemző mérési rendszerére. 1. Hiszterézis jelensége és vizsgálata súrlódó tengelykapcsolókon

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

Sorozatmérés digitális mérőórával 3.

STATISZTIKAI ALAPOK. Statisztikai alapok_eloszlások_becslések 1

Munka azonosító jele: (C1276/2016) Tranzit Food Baromfifeldolgozó és Élelmiszeripari Kft Nyírgelse, Debreceni út 1.

Bevezetés a hipotézisvizsgálatokba

Kettőnél több csoport vizsgálata. Makara B. Gábor

Elemi statisztika fizikusoknak

Statistical Process Control (SPC), Statisztikai Folyamatszabályozás


Statisztika - bevezetés Méréselmélet PE MIK MI_BSc VI_BSc 1

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

A Markowitz modell: kvadratikus programozás

Modern műszeres analitika szeminárium Néhány egyszerű statisztikai teszt

Minősítéses mérőrendszerek képességvizsgálata

A társadalomkutatás módszerei I.

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

Kontrol kártyák használata a laboratóriumi gyakorlatban

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

Brósch Zoltán (Debreceni Egyetem Kossuth Lajos Gyakorló Gimnáziuma) Megoldások

brandetect riport Megfigyelt logók: Újpest FC FTC 1.félidő 0:00-15:

A problémamegoldás lépései

Több valószínűségi változó együttes eloszlása, korreláció

Indikátorok alkalmazása a labordiagnosztikai eljárások minőségbiztosításában

Biostatisztika VIII. Mátyus László. 19 October

Gépipari minőségellenőr Gépipari minőségellenőr

Vizsgálati jegyzőkönyvek általános felépítése

Mérési hibák Méréstechnika VM, GM, MM 1

A Markowitz modell: kvadratikus programozás

Hat Szigma Zöldöves Tanfolyam Tematikája

4. A méréses ellenırzı kártyák szerkesztése

Kutatásmódszertan és prezentációkészítés

Környezeti paraméterek hatása a nemzeti etalonnal történő mérésekre

Kettőnél több csoport vizsgálata. Makara B. Gábor MTA Kísérleti Orvostudományi Kutatóintézet

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

Minőségmenedzsment (módszerek) BEDZSULA BÁLINT

Hipotézis vizsgálatok

Gyakorlat 8 1xANOVA. Dr. Nyéki Lajos 2016

I. GÉPKÉPESSÉG-VIZSGÁLAT

[Biomatematika 2] Orvosi biometria

Vizsgáljuk elôször, hogy egy embernek mekkora esélye van, hogy a saját

Teljesítményparaméterek az akkreditálás és a hatósági eljárás során

[Biomatematika 2] Orvosi biometria. Visegrády Balázs

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

Kísérlettervezés alapfogalmak

Biomatematika 2 Orvosi biometria

Többváltozós lineáris regressziós modell feltételeinek

A GDP hasonlóképpen nem tükrözi a háztartások közötti munka- és termékcseréket.

NÉHÁNY FONTOS ALAPFOGALOM A MŰSZERES ANALITIKAI KÉMIÁBAN

Statisztika Elıadások letölthetık a címrıl

Statisztika elméleti összefoglaló

Hipotézisvizsgálat az Excel adatelemző eljárásaival. Dr. Nyéki Lajos 2018

Tűrés és illesztés. Készítette: Szűcs Tamás

Matematikai alapok és valószínőségszámítás. Statisztikai becslés Statisztikák eloszlása

Mérési bizonytalanság becslése (vizsgálólaboratóriumok munkája során)

Nehézségi gyorsulás mérése megfordítható ingával

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

Átírás:

Minőségirányítási rendszerek 9. előadás 013.05.03.

MÉRŐESZKÖZÖK MÉRÉSTECHNIKAI TULAJDONSÁGAI Mérőeszköz rendszeres hibája (Systematic Error of Measurement) alatt ugyanannak az értéknek megismételhetőségi feltételek közt elvégzett végtelen számú mérésével kapott számtani középértékének és a ténylegesnek tekinthető érték (etalon) különbségét értjük. ( Torzítás ) Torzítás

MÉRŐESZKÖZÖK MÉRÉSTECHNIKAI TULAJDONSÁGAI Ismételhetőség (Repeatability, Wiederholpräzision) ugyanolyan körülmények közt megismételve a mérést mennyire térnek el a mérési eredmények.

MÉRŐESZKÖZÖK MÉRÉSTECHNIKAI TULAJDONSÁGAI Reprodukálhatóság (Reproducibility, Vergleichpräzision) ugyanannak a méretnek más mérőszemélyek által kapott mérési eredményeinek eltérése.

Mérőrendszer elemzés Mérőeszköz képességvizsgálat Mérőeszköz-képesség a mérési eredmények eltérése az alkatrészek közti különbség a mérőrendszer okozta különbség mérőeszköz (ismételhetőség) reprodukálhatóság kezelő (mérő személy) kölcsönhatás a kezelő és az alkatrész között

Mérőrendszer elemzés Mérőeszköz képességvizsgálat Az ingadozás forrásainak felbontása σ = σ + σ mérés alkatr mérőrendszer σ = σ + σ mérőrendszer repr ism σ = σ + σ repr kezelő alk* kezelő

Varianciák becslése terjedelem-módszerrel Kezelő. A Kezelő: B Kezelő: C Minta A1 A A3 Terjedelem B1 B B3 Terjedelem C1 C C3 Terjedelem Átlag ABC 1,10,101,10 0,001,10,10,10 0,000,101,100,103 0,003,1017,106,107,104 0,003,106,105,101 0,005,107,108,110 0,003,1060 3,109,109,109 0,000,109,110,108 0,00,108,109,105 0,004,1083 4,110,106,105 0,005,110,106,107 0,004,106,106,106 0,000,1070 5,107,105,109 0,004,109,107,107 0,00,108,110,111 0,003,1083 6,103,103,105 0,00,105,104,106 0,00,106,103,10 0,004,1043 7,107,111,11 0,005,109,106,111 0,005,108,107,107 0,001,1087 8,106,105,106 0,001,106,108,104 0,004,106,107,108 0,00,1063 9,104,107,105 0,003,107,104,10 0,005,105,107,104 0,003,1047 10,107,108,104 0,004,103,106,104 0,003,106,104,100 0,006,1043 Átlag x A =,106133 R A R=0,008 A =0,08 x B =,105867 R B R=0,003 B =0,03 x C =,105933 R C =0,009 =0,09,105978

A szórások becslése a terjedelemátlagokból: Az ismétlődési hiba okozta ingadozás terjedelemátlaga: R R + R 3 + R 0,008 + 0,003 3 + 0,009 A B C ism = = = 0,00967 n=3 d = 1,693 (táblázatból) R 0, 00967 ˆ σ = = = d 1, 693 0, 00175

A szórások becslése a terjedelemátlagokból: A reprodukálhatósági hiba okozta ingadozás terjedelemátlaga: Rrepr = Max.x Min.x = 0,00067 Max.x,106133 Min.x,105867 n=3 d = 1,693 (táblázatból) x diff x diff 0,00067 R 0, 00067 ˆ σ = = = d 1, 693 0, 000158

A szórások becslése a terjedelemátlagokból: R 0, 00067 ˆ σ = = = d 1, 693 0, 000158 σ repr, korr = σ repr n σ ism ism n alk

A szórások becslése a terjedelemátlagokból: Az alkatrészek méreteltérésének terjedelme: R = alk R x i

Minta A1 A A3 Átlag B1 B B3 Átlag C1 C C3 Átlag Átlag ABC 1,10,101,10,10,10,10,10,10,101,100,103,101,1017,106,107,104,106,106,105,101,104,107,108,110,108,1060 3,109,109,109,109,109,110,108,109,108,109,105,107,1083 4,110,106,105,107,110,106,107,108,106,106,106,106,1070 5,107,105,109,107,109,107,107,108,108,110,111,110,1083 6,103,103,105,104,105,104,106,105,106,103,10,104,1043 7,107,111,11,110,109,106,111,109,108,107,107,107,1087 8,106,105,106,106,106,108,104,106,106,107,108,107,1063 9,104,107,105,105,107,104,10,104,105,107,104,105,1047 10,107,108,104,106,103,106,104,104,106,104,100,103,1043

A szórások becslése a terjedelemátlagokból: Az alkatrészek méreteltérésének terjedelme: R = alk R x i R alk =, 1087, 1017 = 0, 0070 n=10 d = 3,078 (táblázatból) ˆ σ = R d 0, 0070 3, 078 alk = = 0, 0074

Az ingadozás forrása 3 ember esetén (1) Ismételhetőség s s %R+R-ben A teljes ingadozás %-ában 0,00175 3,071 10-6 99,0 37,14 () Reprodukálhatóság 0,000158,481 10-8 0,80 0,30 (1+) R+R 3,095 10-6 100,00 37,44 (3) Alkatrészek között 0,0074 5,17 10-6 6,56 (1++3) Teljes ingadozás 8,67 10-6 100,00

Az ingadozás forrása 3 ember Ing. tart. szél. A A telj. ing. tűrésmező esetén 5,15 s %-ában %-ában (1) Ismételhetőség 0,00175 3,071 10-6 0,0090 60,94 45,01 9,0 () Reprodukálhatóság 0,000158,481 10-8 0,00081 5,50 4,05 0,81 (1+) R+R 0,001759 3,095 10-6 0,00906 61,18 45,30 9,06 (3) Alkatrészek 0,0074 5,17 10-6 0,01171 79,10 58,55 11,71 7,08 között (1++3) Teljes 0,00875 8,67 10-6 0,01481 100,00 74,05 14,81 ingadozás Tűrésmező 0,10000 0,000 100,00 P T = Pr ecision _ to _ Tolerance = 5,15 σˆ mérés FTH ATH

Megkülönböztethető kategóriák száma: k = σˆ σˆ alkatrész mérés Ha k< a mérőeszköz csak jó/nem jó döntéshez használható

: General Motors szerinti értékelés A számításokhoz felhasznált állandók értékei: Ismétlések D Ismétlések 4 száma 3 száma 3,7 k 1 4,56 3,05 3,58 Mérő személyek száma 3 k 3,65,70 Ismételhetőség (Repeatability) Mérőeszköznek tulajdonítható ingadozás (Equipment Variation; E.V.) E.V. = ( R ) ( k1 ) = (0,00967 ) ( 3,05 ) = 0,009049 Reprodukálhatóság (Reproducibility) Mérő személynek tulajdonítható ingadozás (Appraiser Variation; A.V.) R and A.V. = ( x diff ) ( k ) = (0,00067 ) (,70 ) = 0,00071 R = Ismételhetőség és Reprodukálhatóság (Repeatability and Reproducibility; R és R) ( E.V.) + ( A.V.) = ( 0,009049) + ( 0,00071) = 0, 009077

Százalékos tűrés elemzés % E.V. [( E.V.) / ( R and R) ( ))] = 100 ( 0,009049 ) / ( 0,009077 ) ( 0,1) = 100 Tűrés [ ( )] = 9,0% % A.V. [( A..V.) / ( R and R) ( ))] = 100 ( 0,00071 ) / ( 0,009077 ) ( 0,1 ) = 100 Tűrés [ ( )] = 0,057 % (% E.V.) + (% A.V.) = ( 9,0% ) + ( 0,057% ) 9,077% % R and R = = Elfogadhatósági kritériumok: 10 % hiba alatt Nagyon jó mérőeszköz 10 és 30 % hiba között Az elfogadás a használat fontosságától, a mérőeszköz árától stb. függ 30 % hiba felett Nem célszerű elfogadni, mindent el kell követni a kijavítására