Gage R&R-studie: så mäter du mätsystemets tillförlitlighet
- för 3 timmar sedan
- 7 min läsning
En Gage R&R-studie kvantifierar hur stor del av den totala mätvariationen som kommer från själva mätinstrumentet och från operatörerna som använder det.
Du behöver en studie i flera situationer:
Vid införande av ett nytt mätinstrument eller en ny mätmetod
När nya operatörer ska certifieras på en befintlig mätprocess
Efter service, reparation eller flytt av mätutrustning
Som periodisk kontroll, ofta årligen, för kritiska mätpunkter
Snabb tumregel: ett mätsystem med %R&R under 10 % och ndc (number of distinct categories) på minst 5 kan urskilja verklig del-till-del-variation från brus. Ligger ndc under 2 är mätsystemet i praktiken blint för skillnader mellan delar, oavsett vad %R&R säger.
Viktiga insikter
En pålitlig Gage R&R-studie kräver representativa delar, minst tre operatörer, ANOVA-analys vid misstänkt interaktion och tydliga trösklar för %R&R och ndc innan du agerar på resultatet.
Punkt | Detaljer |
Använd 10-3-3-mallen | 10 delar, 3 operatörer och 3 repetitioner ger god statistisk styrka utan orimlig arbetsinsats. |
Välj ANOVA vid interaktion | ANOVA fångar operatör×del-interaktion som Average & Range-metoden missar helt. |
Tolka %R&R med tröskelvärden | Under 10 % är mycket bra, 10–30 % är villkorligt, över 30 % duger inte. |
Kräv ndc minst 5 | Ett lågt ndc avslöjar att mätsystemet inte kan skilja verkliga delar åt. |
Åtgärda rätt komponent | Hög EV pekar mot instrumentet, hög AV pekar mot operatör och rutiner. |
Innehållsförteckning
Vad ingår i en Gage R&R-studie: komponenter och terminologi
Gage R&R delar upp mätsystemets totala variation i två huvuddelar, enligt ASQ:s definition: repeatability (EV, equipment variation) och reproducibility (AV, appraiser variation). Repeatability är den spridning som uppstår när samma operatör mäter samma del flera gånger med samma instrument. Reproducibility fångar istället skillnaden mellan operatörer som mäter samma delar.
Utöver dessa två kärnkomponenter bör du kontrollera tre kompletterande egenskaper innan du drar slutsatser:
Bias – skillnaden mellan mätsystemets genomsnittliga avläsning och ett känt referensvärde
Stabilitet – hur mätsystemets prestanda förändras över tid
Linjäritet – om bias varierar beroende på var i mätområdet du mäter
Del-till-del-variationen är en helt annan sak. Den beskriver den faktiska spridningen mellan de fysiska delarna du mäter, alltså det du egentligen vill se genom bruset. Ett bra mätsystem har låg mätvariation i förhållande till denna del-till-del-variation, inte i absoluta tal.
Typer av Gage R&R-studier: korsad, kapslad och expanded
NIST beskriver tre huvudtyper av Gage R&R-studier, och valet mellan dem avgör hur du lägger upp hela försöket.
Crossed-studien är standardvalet för de flesta tillverkande verksamheter. Varje operatör mäter varje del flera gånger, vilket ger ett fullständigt datamaterial där du kan analysera interaktioner mellan operatör och del. Kräver att delarna går att mäta om utan att förstöras.
Nested-studien används när mätningen är destruktiv, till exempel dragprovning eller kemisk analys, eller när varje operatör bara har tillgång till en unik uppsättning delar. Här kan du inte separera operatör×del-interaktion på samma sätt som i en crossed-design.
Expanded Gage R&R tar in fler faktorer än bara operatör och del, exempelvis mätplats, labb eller skift. Används när du misstänker att variationen inte bara kommer från personen som mäter utan även från miljön runt mätningen.
De flesta gageR&R-mätningar i verkstadsmiljö landar i den första kategorin, helt enkelt för att den ger mest statistisk information per genomförd mätning.
Försöksupplägg: urval av delar, antal operatörer och repetitioner
Den mest beprövade mallen för en crossed Gage R&R-studie är 10 delar, 3 operatörer och 3 repetitioner per del och operatör, alltså 90 mätningar totalt. Praktiska studier visar att detta upplägg ger en bra balans mellan arbetsinsats och statistisk styrka för de flesta kontinuerliga variabler.
Delarna du väljer måste spegla processens verkliga spridning, inte bara godkända produkter från en enda batch. Plocka delar som täcker hela toleransområdet, från nära undre gräns till nära övre gräns. Ett urval där alla delar är nästan identiska ger falskt hög %R&R, eftersom nämnaren i beräkningen (del-till-del-variationen) blir konstgjort liten.
Förbered studien så här:
Kalibrera mätinstrumentet och dokumentera senaste kalibreringsdatum
Säkerställ konsekvent fixturering så att alla operatörer mäter på exakt samma sätt
Skriv en tydlig SOP som beskriver mätproceduren steg för steg
Randomisera mätordningen och dölj vilken del som mäts för operatören
Proffstips: Numrera delarna med koder som inte avslöjar ordningen, till exempel slumpmässiga bokstavskombinationer istället för 1 till 10. Annars minns operatören sitt tidigare svar på “del 7” och reproducibility-felet underskattas.
Statistisk analys: ANOVA jämfört med Average & Range
Två analysmetoder dominerar Gage R&R-litteraturen: ANOVA-metoden och Average & Range-metoden (X̄–R). ASQ rekommenderar ANOVA som förstahandsval eftersom den kan upptäcka och kvantifiera interaktion mellan operatör och del, något X̄–R-metoden helt missar. Om en operatör systematiskt mäter vissa delar annorlunda än andra operatörer gör, syns det bara i en ANOVA-analys.
ANOVA-metoden bygger på tre steg:
Bryt ned totalvariansen i komponenter: del, operatör, operatör×del-interaktion och repeterbarhet
Beräkna variansandelarna för respektive komponent
Härled EV, AV och kombinerad R&R från dessa variansandelar
X̄–R-metoden är enklare att räkna för hand men antar att det inte finns någon interaktion. Det gör den svagare för mätsystem där mänsklig teknik eller tolkning spelar stor roll, till exempel visuell bedömning eller manuell positionering av en mätsond.
De tre nyckeltal du behöver tolka är:
%R&R – mätsystemets variation som andel av den totala tillåtna variationen eller toleransen
%StudyVar – mätvariationens andel av den observerade studievariationen, det mått Minitab använder i sitt exempel
ndc – antal urskiljbara kategorier mätsystemet klarar av att separera
I Minitabs klassiska exempel var Total Gage R&R en låg andel av den observerade variationen, vilket anses mycket bra enligt de flesta industririktlinjer.
Tolka resultaten: acceptanskriterier och rätt åtgärd
Branschpraxis, sammanställd bland annat av QUALITY©, sätter tre trösklar för %R&R: under 10 % är mätsystemet mycket bra, mellan 10 och 30 % är det villkorligt acceptabelt beroende på applikationens kritikalitet, och över 30 % är mätsystemet inte acceptabelt. Parallellt bör ndc vara minst 5. Ett mätsystem kan klara %R&R-tröskeln men ändå ha för lågt ndc, vilket avslöjar att upplösningen är otillräcklig för att skilja på verkliga delar.
Vilken åtgärd som är rätt beror på var felet sitter:
Hög EV (repeatability) pekar mot instrumentet: överväg kalibrering, byte av mätdon eller bättre fixturering
Hög AV (reproducibility) pekar mot människan: förbättra SOP, utbilda operatörer eller standardisera greppet på mätobjektet
Låg del-till-del-variation kan bero på ett dåligt urval snarare än ett dåligt mätsystem, kontrollera alltid urvalet först
Proffstips: Innan du byter mätutrustning, testa om en enklare fixtur löser problemet. Reproducibility-fel går ofta att lösa billigare genom bättre fixturering och tydligare arbetsinstruktioner än genom ny hårdvara.
Efter en förbättringsåtgärd ska du alltid köra om studien med samma upplägg som tidigare för att verifiera att %R&R faktiskt sjunkit, och sedan uppdatera kontrollplanen med det nya resultatet.
Vanliga felkällor och fallgropar i Gage R&R-studier
Det vanligaste misstaget är ett icke-representativt urval av delar, där alla exemplar ligger nära varandra i mitt på toleransområdet. Det ger en falskt hög %R&R eftersom del-till-del-variationen blir konstgjort liten i förhållande till mätbruset.
Andra återkommande fallgropar:
Operatörer som vet vilken del de mäter och omedvetet styr mot ett förväntat värde
Mätningar som inte är anonymiserade, vilket gör att andra och tredje mätningen påverkas av minnet av den första
Fel analysval, till exempel X̄–R-metoden när tydlig operatör×del-interaktion finns
Miljöskillnader mellan mätpass, som temperatur eller belysning, som introducerar variation som inte hör hemma i studien
En avhandling om Gage R&R på mätsystem för förpackningsavstånd visar hur även små avvikelser i fixturering kan dominera reproducibility-felet i en verklig produktionsmiljö.
Vem står bakom råden och när du bör ta in extern hjälp
Den här artikeln är skriven av Markus utifrån etablerad metodik inom mätsystemanalys och praxis från tillverkningsindustrin. LK Scandinavia AB arbetar dagligen med kalibrering, mättjänster och support kring mätmaskiner, 3D-skannrar och lasertrackers för kunder inom verkstad, fordon och flyg.
Ta in extern hjälp när:
Ni saknar kalibrerad referensutrustning för att validera mätsystemet
Resultatet visar hög %R&R och ni inte hittar orsaken internt
Ni ska införa ett nytt mätsystem och behöver hjälp med programskrivning och driftsättning
En regelbunden kalibrering av mätinstrument minskar risken att en Gage R&R-studie avslöjar problem som redan gått att förebygga.
Behöver du hjälp att genomföra eller tolka en Gage R&R-studie?
Att räkna fram %R&R och ndc korrekt kräver rätt verktyg och en mätprocess som faktiskt går att lita på. Lksab säljer, hyr ut och kalibrerar mätutrustning som SIMSCAN och KSCAN X, och erbjuder mättjänster på plats för företag som vill validera sitt mätsystem innan de fattar beslut om produktionskvalitet. Behöver ni istället bekräfta en referensmätning i en svår mätmiljö är lasertracker-utrustning ofta rätt väg framåt. Kontakta Lksab för att boka en genomgång av er nuvarande mätprocess.
Vad jag tycker egentligen fungerar i praktiken
De flesta guider om Gage R&R fastnar i formler och glömmer att den svåraste delen sällan är matematiken. Det är urvalet av delar. Jag har sett fler studier fallera på grund av ett dåligt tänkt urval än på grund av fel analysmetod. Väljer du tio delar som alla ligger nära mitten av toleransen spelar det ingen roll om du kör ANOVA eller X̄–R, resultatet blir missvisande ändå.
Den andra sanningen som sällan sägs rakt ut: reproducibility-problem löses oftast billigare med bättre fixturering och tydligare instruktioner än med ny mätutrustning. Många företag hoppar direkt till att köpa ett dyrare instrument när svaret egentligen låg i hur delen hölls fast under mätningen.
Om du bara tar med dig en sak från den här artikeln, låt det vara detta: bygg försöket rätt först, med representativa delar och anonymiserade mätningar, innan du ens öppnar ett statistikprogram. Analysen kan aldrig rädda ett dåligt upplagt experiment, oavsett hur avancerad metoden är.
— Markus
Källor
Rekommendation
Kommentarer