2. 测量系统分析（MSA）实战

在六西格玛项目中，测量数据是所有判断的起点。如果测量系统本身不可靠，后续的过程能力分析、假设检验、回归建模都会建立在错误的基础上。测量系统分析（MSA）要回答的核心问题是：观测到的变异中，有多少来自零件本身，有多少来自测量系统？本节围绕连续型量具的GR&R、属性型一致性分析，以及Minitab中Gage R&R工具的实际操作展开，并用一个零件尺寸测量系统的案例把流程走通。

一、连续型GR&R：重复性与再现性的分解

连续型测量数据（如长度、直径、重量、温度）的MSA通常采用量具重复性与再现性研究（Gage R&R）。它把测量系统的总变异拆成两部分：

• 重复性（Repeatability，EV）：同一操作者、同一量具、同一零件、短时间内多次测量之间的变异，反映量具本身的固有波动。
• 再现性（Reproducibility，AV）：不同操作者使用同一量具测量同一零件时，测量平均值之间的变异，反映操作者之间的差异。

两者合成GRR，再与零件间变异（PV）共同构成总变异（TV）。常用判定指标是%GRR = GRR / TV × 100%，以及可区分类别数（ndc）。行业通用判据为：%GRR < 10% 可接受；10%～30% 视应用重要性与成本决定是否接受；> 30% 不可接受。ndc 应 ≥ 5，否则测量系统难以区分零件间的真实差异。

标准GR&R研究的设计通常是：选取 10 个能覆盖过程实际波动范围的零件，由 3 名操作者，每人每零件重复测量 2～3 次，测量顺序随机化，避免操作者记住上一次读数。零件选择不能只取合格品，应包含接近上下规格限的样本，否则零件间变异被低估，%GRR会被高估。

二、属性型一致性分析：当测量结果是“通过/不通过”

当测量输出是类别判断（合格/不合格、好/坏、等级A/B/C）时，使用属性型MSA。它关注两类一致性：

• 重复性（同一评价者自身一致性）：同一评价者对同一批样品多次判断是否一致。
• 再现性（评价者之间一致性）：不同评价者对同一样品判断是否一致。

Minitab提供属性一致性分析（Attribute Agreement Analysis），输出每个评价者与标准的一致性、评价者之间的一致性，以及Kappa统计量。Kappa > 0.75 通常表示一致性良好，0.4～0.75 为中等，< 0.4 较差。若已知标准值，应把标准列一并输入，才能评估准确度而不仅是彼此一致。

三、Minitab的Gage R&R工具：从数据录入到图形判读

在Minitab中，连续型GR&R的路径为：统计 > 质量工具 > 量具研究 > 量具R&R研究（交叉）。数据需按“零件、操作者、测量值”三列排列，且每个零件被每位操作者重复测量相同次数，属于交叉设计。若同一零件由不同操作者测量不同次数，则属于嵌套设计，应选择“量具R&R研究（嵌套）”。

运行后重点看三块输出：

• 方差分量与贡献率：看重复性、再现性、零件间各占多少。
• %研究变异与%公差：%研究变异对应%GRR；%公差用于与规格限比较，适合有明确公差带的场景。
• 图形：R控制图看重复性是否受控；Xbar控制图看零件间差异是否被测量系统识别；按操作者的箱线图看再现性；零件×操作者交互图看是否存在交互作用。

四、案例：评估某零件尺寸测量系统的重复性与再现性

某机加工车间需要评估一个轴类零件外径的测量系统。规格为 25.00 ± 0.05 mm，即公差带 0.10 mm。选取10个零件，覆盖约24.96～25.04 mm；3名操作者A、B、C，每人每零件测2次，共60个数据。以下为示例数据（单位：mm，属于教学假设数据，非实测结果）：

把数据录入Minitab后运行“量具R&R研究（交叉）”，在选项中输入公差上限25.05、下限24.95。示例输出可能显示：重复性贡献约 8%，再现性贡献约 6%，零件间贡献约 86%；%研究变异约 12.5%，%公差约 9.8%，ndc 约 11。按判据，%GRR在10%～30%之间，属于“视情况可接受”，但%公差小于10%，说明相对于0.10 mm公差带，该测量系统尚可满足当前检测需求。

进一步看图形：R控制图大部分点落在控制限内，说明重复性基本受控；Xbar控制图显示零件间均值差异明显，说明测量系统能区分不同零件；按操作者的箱线图中，操作者B整体读数略偏高约0.003 mm，提示再现性存在轻微偏移，可通过统一测力、统一夹持位置和重新培训来改善。若后续把%GRR压到10%以下，可考虑更换分辨率更高的数显千分尺，或固定测量点并控制环境温度。

把上述流程固化下来，MSA就不是一次性的“交作业”，而是测量系统持续受控的例行工作。每次量具维修、人员更换、测量方法调整后，都应重新评估GR&R，确保数据仍然可信。