六西格瑪零基礎小知識(從六西格瑪小白到大師) 優思學院|MSA測量系統分析:改善流程前,先確認數據是真的

工业质量
1粉絲
6 次觀看·2026年8月19日
AI 生成·可能包含錯誤
視頻概述
AI 生成本视频详细介绍了测量系统分析(MSA)的核心概念与应用。MSA旨在确保在进行质量改善和数据分析(如SPC、CPK)之前,首先验证数据的可靠性,避免因测量系统误差导致错误的决策。视频强调MSA关注的是“量尺”而非“产品”,通过分析人、机、料、法、环等因素,确保测量结果能真实反映产品状态。
你有沒有遇過這樣的情況?
生產線數據看起來很完整,
報表也做得很漂亮,
SBC也在跑,
CPK也算出來了,
甚至改善項目也已經啓動了。
可是最後問題還是反覆出現。
很多時候,
真正的問題不是產品不穩定,
而是我們一開始看到的數據
可能就是錯的。
今天優思學院要講的就是
MSA測量系統分析,
也就是在改善流程之前,
先確認我們看見的數據到底是不是真的。
大家好,
歡迎大家觀看優思學院的視頻。
爲什麼我們需要MSA?
因爲數據是決策的唯一語言,
質量管理
其實就是依靠數據來說話。
可是如果測量系統不可靠,
收集到的數據就可能是錯的,
就像垃圾進,
垃圾出一樣。
輸入的數據本身是垃圾,
輸出的分析結果也只會是垃圾。
更麻煩的是,
錯誤的數據會帶來連鎖反應。
我們可能會誤判
SPC控制圖,
以爲過程失控,
可能會誤判CPK過程能力,
以爲製程能力不足,
也可能會誤導DOE實驗設計,
把改善方向帶偏。
最後,
管理層根據這些數據做決策,
就可能越改越錯。
所以MSA的意義就是
在我們相信數據之前,
先檢查數據產生的過程是否可靠。
MSA到底是什麼?
這裏有一個很重要的觀念。
MSA查的不是產品,
而是量尺。
日常質檢關注的是產品本身,
看這個零件合不合格,
看尺寸有沒有超出規格,
看外觀有沒有缺陷。
但MSA關注的是
測量系統本身。
簡單來說,
就是我們要判斷這個量具,
這個檢驗方法,
這個檢驗員,
以及整個測量過程
是否能夠穩定,
準確,可靠地
反映真實情況。
所以MSA不是代替檢驗,
而是幫助我們確認檢驗結果
能不能被相信。
很多企業只重視產品有沒有問題,
卻忽略了測量系統有沒有問題,
這就很危險。
因爲如果尺本身歪了,
你用它量一百次,
也只是在重複錯誤。
測量系統不只是量具,
測量系統也不只是量具。
很多人以爲
MSA就是檢查卡尺,
千分尺,
投影儀這些設備,
其實這只是其中一部分。
一個完整的測量系統
至少包括人、機、料、
法、環
和測量特性。
人就是操作員,
不同的人讀書習慣
可能不同,
機就是量具和測試設備。
設備本身可能有磨損
或精度不足,
料就是被測誤本身。
零件形狀、表面狀態、
穩定性都會影響測量。
法就是測量方法和操作標準,
比如有沒有統一SOP。
環就是環境,
比如溫度、溼度、震動和光線。
測量特性
則是我們選擇怎樣的尺寸,
怎樣的特性去測。
不過,只要其中一個因素有問題,
最後的測量結果
就可能出現偏差。
所以,MSA分析的不是單一工具,
而是整個測量過程。
測量誤差從哪裏來?
這一頁列出了幾個常見來源。
第一是儀器本身,
比如量具精度不足,
沒有校準、磨損
或讀書分辨率不夠。
第二是人爲因素,
比如檢驗員手法不同,
讀書角度不同,
判斷標準不同。
第三是環境變化,
比如車間溫度變化、
機器震動、溼度影響,
都會讓測量結果產生波動。
第四是樣品與記錄,
比如被測物本身可能不穩定,
會變形,
或者人員在記錄數據時寫錯、錄錯。
很多時候,我們看到數據有差異,
第一反應是產品有問題。
但MSA提醒我們,
先不要急着怪流程,
也不要急着怪員工。
我們要先判斷這個差異
到底是產品真實差異,
還是測量系統製造出來的差異。
這裏進入MSA最核心的兩個概念,
準確度和精密度。
準確度可以理解爲
結果有沒有打中靶心,
精密度可以理解爲
結果之間靠不靠近。
一個好的測量系統
應該既準確又精密,
也就是說,它量出來的結果
要接近真實值,
而且每次重複測量的結果
也要接近。
如果一個系統高準確、高精密,
那是理想狀態。
如果低準確、高精密,
說明結果很集中,
但整體偏離真實值,
就像每次都打在靶心旁邊
同一個位置。
如果高準確、低精密,
說明平均來說還算接近真實值,
但結果分散很大,
系統波動太大,
如果低準確、低精密,
那就是最糟糕的情況,
既不準也不穩。
理解了這兩個概念,
後面的偏移、線性、穩定性、
重複性和再線性
就更容易理解了。
準確度的第一個指標叫偏移,
也就是bias。
偏移指的是測量結果的
平均值與基準值,
也就是真值之間的系統性差異。
舉個簡單例子,
標準砝碼明明是兩斤,
但你的秤每次都顯示兩斤二兩,
這個多出來的二兩就是偏移。
偏移不是偶然誤差,
而是一種系統性的偏差,
只要你不修正,
它就會一直存在。
偏移通常可以通過量矩校準來改善,
也就是說,
如果我們發現量矩長期偏高或偏低,
就要檢查校準狀態,
測量方法和設備本身,
否則,
後續所有判斷都會帶着這個固定偏差。
準確度的第二個指標叫線性,
也就是linearity。
線性關注的是在整個測量範圍內,
偏移是否保持一致。
舉個例子,
你用一臺秤去稱100克的蘋果和10公斤的西瓜,
如果在小重量時偏差很小,
但重量越大偏差越大,
那就說明線性不好。
理想狀態是,
不管測量小尺寸還是大尺寸,
偏移都應該相對穩定。
如果偏差隨着測量範圍不斷變化,
那麼這個量矩在某些區間可能還能用,
但在另一些區間就不可靠。
線性的重點是,
一致的準確性纔是真正好的線性。
對於企業來說,
這一點特別重要,
因爲很多量矩不是隻測一個尺寸,
而是要覆蓋一段測量範圍。
準確度的第三個指標叫穩定性,
也就是stability。
穩定性關注的是測量系統在不同時間段內
對同一基準件的測量結果是否會發生漂移。
今天量是合格的,
下個月再量,
結果會不會發生明顯變化?
這就是穩定性要回答的問題。
比如,一把量矩剛開始沒有問題,
但隨着時間推移、設備磨損、
環境變化、人員習慣改變,
測量結果可能慢慢偏移。
如果我們沒有定期檢查,
就可能等到出現重大質量問題時才發現。
穩定性通常可以通過定期使用標準件進行測量,
並用控制圖進行長期監控,
這樣我們就能及時發現測量系統有沒有漂移,
而不是等到問題擴大才補救。
接下來是精密度指標。
第一個叫重複性,
也叫repeatability,
常用EV表示。
重複性指的是同一位檢驗員
使用同一把量矩
多次測量同一個零件時
讀數之間的差異。
這裏我們要儘量固定人員,
固定量矩,固定零件,
然後重複測量幾次。
如果結果差異很大,
主要問題通常來自設備本身,
比如量矩分辨率不足,
夾具不穩定,
接觸方式不一致,
或者測量方法沒有控制好。
簡單來說,
重複性就是問一句話,
同一個人用同一個工具
量同一個東西,
結果能不能保持一致。
如果連這一點都做不到,
說明測量系統本身就不穩定。
第二個精密度指標叫再線性,
也叫reproducibility,
常用AV表示。
再線性指的是
不同檢驗員使用同一把量矩
測量同一個零件時
平均讀數之間的差異。
換句話說,
換一個人量,
結果還一樣嗎?
如果A檢驗員量出來平均是
10.01,
B檢驗員量出來平均是
10.08,
C檢驗員量出來平均是
9.95,
那就說明人員之間存在差異。
這個差異可能來自測量手法,
讀數習慣,
加持力度,
判斷標準,
或者培訓不足。
再線性問題通常不是單純設備問題,
而是人與方法的問題。
因此,改善方向
常常是統一SOP,
加強培訓,
明確判定標準,
以及使用防錯加劇
來減少人爲影響。
綜合能力檢驗,
就是我們常說的GRR,
也就是量矩的重複性
與再線性分析。
它的目的就像偵探一樣,
幫助我們分辨測量誤差
到底是來自設備還是來自人員。
GRR的總測量系統變差
一般可以分成兩個部分。
設備差,也就是EV,
主要對應重複性。
人員差,也就是AV,
主要對應再線性。
簡單理解就是,重複性
看的是工具靠不靠譜,
再線性看的是人靠不靠譜。
GRR差異等於
重複性差異加上再線性差異。
通過這個分析,
我們就不會盲目地把所有問題
都歸咎於生產過程,
而是能夠更清楚地知道
應該改善量具,
還是改善人員操作方法。
那GRR應該怎麼做?
這裏用一個實戰練習說明。
常見做法是採用
三、十、二原則,
也就是選擇三名檢驗員,
選取十個代表性零件,
每個零件測量兩次,
這樣總共會得到
三個人乘以十個零件,
再乘以兩次測量,
也就是60個數據點。
爲了讓結果更真實,
測量時要注意幾個關鍵點。
第一,最好盲測,
不要讓檢驗員知道
之前的結果。
第二,打亂測量順序,
避免記憶影響。
第三,避免操作員主動
記憶或猜測數據。
最後,把數據輸入統計軟件,
就可以分析測量系統的
變差來源。
這裏的重點不是爲了做形式,
而是要模擬真實檢驗場景,
同時儘量減少人爲干擾。
如果你看到這裏還未關注
我們優思學院的話,
請你現在就按一下關注、
點贊和留言,多謝大家的支持。
拿到GRR結果之後,
應該怎麼判斷?
一般來說,
如果結果小於10%,
代表測量系統非常好,
通常可以接受。
如果結果在10%到30%之間,
就屬於臨界狀態,
需要結合風險和成本來判斷
是否可以接受。
如果結果大於30%,
通常就不可接受,
說明數據的誤差太大,
必須立即停止改善,
先處理測量系統問題。
那怎麼改善呢?
如果是設備問題,
也就是EV偏高,
就要檢查量具分辨率,
維護量具,改善固定夾具,
或者升級精密設備。
如果是人員問題,
也就是AV偏高,
就要統一SOP操作手法,
加強培訓,
並採用防挫夾具,
減少人位差異。
記住,GRR不是爲了給系統打分,
而是爲了幫助我們
找到改善方向。
最後我們做一個總結,
萬丈高樓平地起,
只有量具可靠,
後續的分析和改善才有意義。
MSA在6σ DMAC流程裏面,
主要出現在測量階段,
也就是measure階段。
因爲在定義問題之後,
我們要開始收集數據,
但在分析,改善和控制之前,
我們必須先確認
數據本身可信。
今天的核心記憶點就是,
在改善流程之前,
先確認我們看見的數據是真的,
不要急着做SPC,
不要急着算CPK,
也不要急着開始改善項目。
先問自己一句,
我的測量系統可靠嗎?
如果你想了解更多質量管理,
6σ,精益管理,
提升自己的專業知識,
增加自己的工作機會和晉升機會,
請繼續關注優思學院的視頻號,
或者報讀我們的精益管理
CLMP,
6σ綠帶CSSGB,
或黑帶CSSBB課程。
