测量系统分析方法(GR&R Correlations Bias)

1  测量系统的统计特性

        测量系统的统计特性主要包括:

        1)GR&R:Gauge Repeatability(precision精度)Reproducibility  测量重复性再现性

        2)Correlations  相关性

        3)Bias and Linearity  偏移和线性

2.1  GR&R

        1)重复性(Repeatability)

        (1)定义:重复性指同一个操作人员用同一种量具经过多次测量同一个零件的同一特性时获得的测量值变差,是一种评价量具变差的有效手段。

        (2)影响重复性的主要因素:

        样品:测量的特征本身并不稳定,比如电池容易发生变形,刚性存在不足;

        测量设备:设备精度差,测量的方法不够健壮;

        测试人员:参数设置不够合理;

        环境:温度、适度、震动等。

        (3)重复性的分类:

        静态重复性:单次操作将一片物料放在机台上,无取放地对相应测量项测试10次,观察相应测量项的数据跳动,通常需要三个操作员每个人测三次,每次测10片样品,静态重复性的要求标准通常是公差的10%(静态重复性通常用于初步排除硬件问题)。

        动态重复性:有取放地对一片物料的相应测量项测试32次,并观察相应的测量项的数据跳动,动态重复性的要求通常是公差的20%(通过分析动态重复性的好坏也可以再次排除由硬件问题,定位问题,以及任务编写问题所带来的数据的跳动)。

        (4)测量重复性的意义:

        在进行进一步的测试之前,之所以要先进行重复性测试,其目的在于可以根据测试的数据研判机台的硬件是否存在问题,定位是否足够准确,任务的编写是否合理,以及算法是否存在局限性。在拿到GR&R数据后,应当找出跳动最大的数据,追溯该笔数据所对应的点云以及其所在的位置,对其进行相应的分析。只有当确保自己的机台在测试相应数据时不会出现偏差,才能去与对应的标准机进行对标。

        2)再现性

        这一要求标准通常在自动化设备上不需要进行相应的测量。

2.2  相关性(Correlation)

        1)相关性定义:

        相关性指我们的机台对于相应的测量项的测量结果,与客户认可的标准机所给出的测试结果的差异,这样的差异又可以分为以下两部分:

        (1)偏移(Bias):

        偏移是测量结果的测量平均值与基准值的差值。真值的取得可以通过采用更高等级的测量设备进行多次测量,取其平均值。

        (2)线性(Linearity):

        线性是在量具正常工作量程内的偏移变化量。多个独立的偏移误差在量具工作量程内的关系是测量系统的系统误差构成。

        2)相关性要求:

        相关性的要求由客户给定,同时测量的次数,物料的片数也严格按照客户要求来进行,根据测量项来确定偏移量(offset)和线性的斜率(ratio),在针对偏移量进行补偿以后,测量值与真值所拟合的线性斜率越接近1,说明我们的机台与标机结果越符合。

        3)偏移量测量流程:

        针对给定的测量项,先用标机进行测量,将测量结果整理成数组的形式,然后再用我们的机台进行测量,同样将测量结果整理成数组的形式,将标机数组减去我们的机台数组,重复统计若干次取系统误差(通常取误差的中位数)作为偏移量,利用偏移量对我们机台的测量结果进行相应的补偿。

        4)相关性测量的意义

        通过相关性测量,可以有效发现测量过程中测量的位置、方法乃至算法本身的问题(例如:点云拼接会因为轴的变动导致拼接算法失去原有的作用)。在分析问题时,注意不要将诸多因素混淆在一起进行分析,学会使用控制变量法对问题进行研判,大胆推断,小心求证。

  • 11
    点赞
  • 56
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
因子分析是一种常用的多元统计分析方法,主要用于研究多个变量之间的关系。在 R 语言中,我们可以使用 `psych` 包中的 `fa()` 函数进行因子分析。该函数的输出结果包括多个部分,如下: 1. 该数据集的因子可解释方差总和(SS loadings):表示所有因子总共可以解释的方差占原始变量总方差的比例,通常希望该比例大于 50%。 2. 每个因子的可解释方差(Factor1, Factor2, ...):表示每个因子可以解释的方差占原始变量总方差的比例,通常希望每个因子的比例都大于 10%。 3. 因子载荷矩阵(Factor loadings):表示每个原始变量与每个因子之间的相关系数,通常认为载荷绝对值大于等于 0.3 的变量与该因子有显著关系。 4. 共同度(Communality):表示每个原始变量与所有因子之间的相关系数平方和,通常希望共同度大于 0.5。 5. 特殊因子方差(Uniqueness):表示每个原始变量独特的方差,即与所有因子无关的方差,通常希望特殊因子方差小于 0.5。 6. 因子间相关系数(Factor correlations):表示每个因子之间的相关系数,通常认为相关系数绝对值大于等于 0.3 的因子之间存在显著关系。 根据以上结果,我们可以综合考虑各个指标,对因子分析结果进行解读和分析。例如,如果某个因子的可解释方差比例较低,可以考虑删除该因子或重新选择变量;如果某个变量的共同度较低,可以考虑该变量不适合进行因子分析等。
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值