我们在做SPC分析的时候,需要收集数据,就会遇到一个子组大小的问题,有时候子组大小是1(单值),有时候是5或者更大的。那么子组大小我们如何确定,又如何使用呢?子组大小可以随意的吗?
子组是指在同一组条件(包括人、机、物、法、环、测)下产生的一组单元。子组代表了在过程中的一个 “片段“,所以,子组内的数据,必须在时间上相近的期间进行测量而取得。通过对比不同子组的特性变化来评估过程的稳定性。
比如:
对某个批次的一个取样,分别测量5次(用同一设备测试5次或者用5个设备分布测试),子组大小是5
对某个批次取样5个,分布测试一次,子组大小是5
如果每小时从生产线上抽取 5 个样品,子组大小就是 5
一台模切机每小时生产100个塑料零件。质量工程师每小时测量五个随机选择的零件。每五个零件的样本就是一个子组
每次只抽取一个样本,这种情况通常适用于单值控制图(I-MR控制图),通过逐个样本的数据来监控过程的稳定性和一致性。
检测成本较高:抽取多个样本可能浪费资源,或每次检测费用较高,比如破坏性测试或成本昂贵的分析。
过程本身波动较小:对于一些高度自动化、精确的过程(例如高精度装配工艺),个体的波动性可以直接反映过程状态。
一般生产现场设备运行数据或者在线实时检测设备,采集的数据一般来说都是单值类型的,如固定间隔的设备温度、压力、电流,如固定检测的在线检测SKU的重量、透明度等。
每次采集多个样本,这种方式更适合用于检测和区分过程的随机变异和系统变异。在子组大小大于 1 的场景中,常见的控制图类型是Xbar-R 图(均值-极差图)和Xbar-S 图(均值-标准差图),适用于过程波动的监控和分析。
批量生产:在一些制造或装配工序中,每小时或每批次产出大量产品,采集一个包含多个样本的子组可以更准确地反映过程的整体波动。
过程波动分析:当需要识别系统性问题时,多个样本可以区分出过程的特殊原因变异(可控制的异常)和普通原因变异(随机波动)。
频繁检测:在自动化程度较高的生产环境中,检测设备能够快速采集多个样本,以便于实时监控和调整工艺。例如,在电子元件生产线上,机器可以每隔几分钟自动抽取 5 个样本进行测量。
成本较低的检测:当检测费用相对较低时,可以更频繁地采集多个样本以增加分析的准确性。例如,质量检测成本不高的组装件,可以每次抽取 4-5 个样本来判断工艺稳定性。
过程稳定性和能力评估:多个样本的子组有助于更准确地计算过程能力指数(如 Cp、Cpk),使得对过程是否在控制范围内和是否满足规范范围的判断更可靠。
常见的子组大小为 3 到 5 个样本。例如:
子组大小为 4 或 5:适用于批量或连续生产,平衡了检测成本和数据准确性。
子组大小为 10 及以上:用于更严格的质量控制场景,例如航空航天或医疗设备行业的关键部件制造。
当子组大小进一步增大,例如达到 20 或 50 时,虽然可以获得更为详细的数据,但也会带来一些问题。子组大小太大可能导致以下几方面的问题:
平滑效果过强:当子组大小太大时,子组的均值会变得过于平滑,掩盖掉一些过程中的小幅变化。这会导致较小的异常难以检测,降低了控制图的敏感性。
异常检测滞后:较大的子组需要积累更多数据,因此在出现异常情况时,图上反映的响应速度较慢,可能错过及时纠正过程的机会。
采集和检测大子组会消耗更多的原材料和检测成本,尤其在检测费用较高的行业中(如生物医药、精密仪器制造),可能带来较大的经济压力。处理大样本量可能需要更长时间和更多人力,这在需要频繁检测的生产线上尤为不便,可能影响生产效率。
子组内一致性假设失效:SPC 假设每个子组内的数据代表相同条件下的样本,然而,子组越大,子组内的样本可能覆盖更长时间或更多批次,导致条件变异增大,违背了 SPC 的假设。大子组会导致控制图的控制限变窄,这会让过程看起来比实际更稳定,掩盖潜在的异常。
通常来说,子组大小为 3~5 是最常用且推荐的,因为它们能够平衡灵敏度、检测成本和数据复杂性。当子组需要更大时(例如超过 10 个),可以考虑分组采样或多阶段控制图的方式,以提高控制图的检测效果和灵敏度。
因此,子组大小过大一般会削弱 SPC 的控制效果,且成本与管理压力显著增加,通常并不推荐。