Les utilisateurs disposant de privilèges d’ingénieur peuvent spécifier leurs préférences par défaut pour toutes les analyses de capacités. Ces préférences sont les premiers réglages pour toutes les analyses de capacité. Pour changer les réglages par mesure, allez dans Spécifier les paramètres de capacité pour chaque mesure.
Préférences partagées
Ce paramètre global définit les préférences partagées pour chaque analyse de capacité. Choisir Préférences
dans le Ingénierie portail, puis naviguez jusqu’à .
Spécifiez les préférences de tolérance et d’affichage partagées entre les analyses de capacité.
- Tolérance de K* σ
- Ajoutez la largeur de la tolérance en nombre d’écarts-types (σ). Par défaut, la tolérance est large de 6 écarts-types (3 écarts-types de chaque côté du procédé moyen).
La valeur K représente la largeur d’une tolérance bilatérale. Si vous souhaitez utiliser une tolérance unilatérale, entrez une valeur de tolérance bilatérale qui représente le double de la tolérance unilatérale. Par exemple, si vous souhaitez utiliser une tolérance unilatérale de 3 σ, entrez 6.
- Afficher les indicateurs de performance
- Sélectionnez comment vous souhaitez afficher les valeurs attendues et observées hors spécification.
- Parties par million: affichez les valeurs en pièces par million (PPM).
- Pourcentages: affichez les valeurs sous forme de pourcentages.
- Afficher les métriques de capabilité
- Sélectionnez les mesures de capacité à afficher.
- Statistiques de capabilité (Cp, Pp): calculez et affichez les indices de capabilité, tels que Cp et Pp.
- Niveau Z de référence (σ): Calculer et afficher les valeurs Z.bench. Le choix d'utiliser Z.référence dépend souvent des pratiques de l'entreprise ou du secteur.
Analyses de capacités normales
Ce cadre global établit les méthodes d’estimation pour chaque analyse de capacité. Choisir Préférences dans le Ingénierie portail, puis naviguez jusqu’à .
- Méthode d'estimation pour l'écart type à l'intérieur du sous-groupe (taille du sous-groupe > 1)
- Sélectionnez une méthode pour estimer l’écart-type au sein du sous-groupe lorsque la taille du sous-groupe est supérieure à 1.
- Ecart type regroupé: L’écart-type regroupé est la moyenne pondérée des variances des sous-groupes, ce qui donne aux sous-groupes plus importants une influence plus importante sur l’estimation globale. Cette méthode fournit l’estimation la plus précise de l’écart-type lorsque le procédé est sous contrôle.
- R barre: R barre représente la moyenne des étendues des sous-groupes. Cette méthode est une estimation courante de l’écart-type et fonctionne mieux avec des tailles de sous-groupes allant de 2 à 8.
- S barre: Sbar est la moyenne des écarts-types du sous-groupe. Cette méthode fournit une estimation plus précise de l'écart type que la méthode R barre, notamment avec des effectifs de sous-groupes > 8.
- Méthode d'estimation pour l'écart type à l'intérieur du sous-groupe (taille du sous-groupe = 1)
- Sélectionnez une méthode pour estimer l’écart-type au sein du sous-groupe lorsque la taille du sous-groupe est égale à 1.
- Moyenne de l'étendue mobile: La plage mobile moyenne est la valeur moyenne de la plage mobile de deux points consécutifs ou plus. Cette méthode est couramment utilisée lorsque la taille du sous-groupe est de 1.
- Médiane de l'étendue mobile: La plage médiane est la valeur médiane de la plage mobile de deux points consécutifs ou plus. Cette méthode est préférable lorsque les données ont des plages extrêmes pouvant influencer la distance de déplacement.
- Racine carrée de MSSD: La racine carrée de MSSD est la racine carrée de la moyenne des différences au carré entre points consécutifs. Utilisez cette méthode lorsque vous ne pouvez raisonnablement pas supposer qu’au moins 2 points consécutifs ont été collectés dans des conditions similaires.
- Longueur de l'étendue mobile
- Saisissez le nombre d'observations utilisé pour calculer l'étendue mobile. La longueur doit être de 100 ans. La longueur par défaut est 2, car les valeurs consécutives ont de fortes chances d'être semblables.
- Utiliser des constantes de non-biais
- Les constantes de désaccordement réduisent le biais qui peut survenir lorsqu’un paramètre est estimé à partir d’un petit nombre d’observations. A mesure que le nombre d'observations augmente, les constantes de correction de biais ont moins d'effet sur les résultats calculés.
Remarque
Souvent, le choix d’utiliser des constantes impartiales dépend de la politique de l’entreprise ou des normes du secteur.
Analyses de capacités entre/dans le cadre
Ce cadre global établit les méthodes d’estimation pour chaque analyse de capacité intermédiaire. Choisir Préférences dans le Ingénierie portail, puis naviguez jusqu’à .
- Méthode d'estimation pour l'écart type à l'intérieur du sous-groupe
- Choisissez une méthode pour estimer l’écart-type du sous-groupe dans le sous-groupe.
- Ecart type regroupé: L’écart-type regroupé est la moyenne pondérée des variances des sous-groupes, ce qui donne aux sous-groupes plus importants une influence plus importante sur l’estimation globale. Cette méthode fournit l’estimation la plus précise de l’écart-type lorsque le procédé est sous contrôle.
- R barre: R barre représente la moyenne des étendues des sous-groupes. Cette méthode est une estimation courante de l’écart-type et fonctionne mieux avec des tailles de sous-groupes allant de 2 à 8.
- S barre: Sbar est la moyenne des écarts-types du sous-groupe. Cette méthode fournit une estimation plus précise de l'écart type que la méthode R barre, notamment avec des effectifs de sous-groupes > 8.
- Méthode d'estimation pour l'écart type entre sous-groupes
- Sélectionnez une méthode pour estimer l’écart type entre les sous-groupes.
- Moyenne de l'étendue mobile: La plage mobile moyenne est la valeur moyenne de la plage mobile de deux points consécutifs ou plus. Cette méthode est couramment utilisée lorsque la taille du sous-groupe est de 1.
- Médiane de l'étendue mobile: La plage médiane est la valeur médiane de la plage mobile de deux points consécutifs ou plus. Cette méthode est préférable lorsque les données ont des plages extrêmes pouvant influencer la distance de déplacement.
- Racine carrée de MSSD: La racine carrée de MSSD est la racine carrée de la moyenne des différences au carré entre points consécutifs. Utilisez cette méthode lorsque vous ne pouvez raisonnablement pas supposer qu’au moins 2 points consécutifs ont été collectés dans des conditions similaires.
- Longueur de l'étendue mobile
- Saisissez le nombre d'observations utilisé pour calculer l'étendue mobile. La longueur doit être de 100 ans. La longueur par défaut est 2, car les valeurs consécutives ont de fortes chances d'être semblables.
- Utiliser des constantes de non-biais
- Les constantes de désaccordement réduisent le biais qui peut survenir lorsqu’un paramètre est estimé à partir d’un petit nombre d’observations. A mesure que le nombre d'observations augmente, les constantes de correction de biais ont moins d'effet sur les résultats calculés.
Remarque
Souvent, le choix d’utiliser des constantes impartiales dépend de la politique de l’entreprise ou des normes du secteur.
