MSA 测量系统分析

MSA 不是质量部门可选项,而是所有统计判定的根基——任何 Cpk / SPC / DV / PV 数据的可信度依赖测量本身。

观测到的方差实际是两个独立来源的卷积:

如果 ${\sigma }_{\text{measurement}}$ 与 ${\sigma }_{\text{process}}$ 同量级:

• 看到的"超规"可能是测量误差,不是工艺漂
• 看到的"分布"是真分布与测量噪声的卷积,不是真分布
• Cpk 公式分母里的 $\sigma$ 被人为放大,Cpk 被低估

关键认知:没做 MSA 就报 Cpk 是统计学意义上的"裸奔"。所以 topic-ppap 把 MSA (element 8) 排在 Cpk (element 11) 之前——审计员看到 element 11 就一定会回查 element 8。

MSA 不只看 GR&R 一项——完整的测量系统评估有 5 个特性:

车规默认:Bias + Linearity 在 量具校准 时完成 (年度校验);GR&R (Repeatability + Reproducibility) 在 PPAP 阶段做,作为 element 8 的核心交付。

GR&R 标准做法是"3 操作员 × 10 零件 × 3 次重复"——AIAG MSA 4th 推荐配方。这套 90 个数据点能把 σ²_EV、σ²_AV、σ²_part 三者分离。

关键陷阱:

• 零件没覆盖过程范围 → AV 看起来很小,其实是因为零件本身差异小
• 不随机化 → 第一个操作员测的全是新的、后两个测的全是用过的 → AV 被低估
• 操作员事先知道结果 → 心理暗示,Reproducibility 失真

GR&R 核心公式(基于方差和):

其中:

• ${\sigma }_{\text{EV}}^2$ = Repeatability 方差 (设备误差)
• ${\sigma }_{\text{AV}}^2$ = Reproducibility 方差 (评估员误差)

两种归一化:

GR&R 不达标 来自三种数学场景——EV 大、AV 大、两者都大。识别落在哪一种才能对症下药。

上面讲的是计量型 (variable) GR&R——测出连续数值。对计数型 (attribute) 检验 (Go/No-Go、目检、瑕疵分类),要用不同方法:

• Kappa 系数:衡量评估员一致性,$\kappa >0.75$ 优秀,$\kappa <0.40$ 不可用
• **EMP (Effectiveness, Miss rate, false alarm) **:三个指标分别看正确率/漏判/误判

典型场景:外观瑕疵分级 (A/B/C 级) 通常用计数型 GR&R——3 个 QC 各分 50 件,看一致性。

MSA 是底层基础设施——SPC、Cpk、PV 全部依赖它:

PPAP 18 要素串联:DFMEA (4) → PFMEA (6) → CP (7) → MSA (8) → FAI (9) → 试验报告 (10) → Cpk (11)。MSA 在 8 号位置是有逻辑的——它在工艺确定后、统计数据交出前,给所有后续数据盖"可信戳"。

MSA 执行失败集中在 5 个坑——零件没覆盖范围、不随机化、操作员同质、用公差替代过程方差、年度校准混同 MSA。

• metric · metric_grr — GR&R — Gauge Repeatability & Reproducibility