VDA5系列-09-屬性檢驗——計數型測量系統分析（不測數字，只做判斷）

引言

在前面的章節中，我們主要討論了計量檢驗——獲取具體的數值。但在實際工作中，還有大量的檢驗不需要測量數值，只需要做出判斷：

• 這個零件是合格還是不合格？

• 這個表面有沒有劃痕？

• 這個顏色是否符合要求？

• 這個零件裝得對不對？

這類檢驗被稱為屬性檢驗。你可能認為這類檢驗很簡單，但實際上，屬性檢驗有其獨特的方法和挑戰。

今天，我們將深入探討屬性檢驗，了解如何科學地評估和提升屬性檢驗的可靠性。

目錄

• 屬性檢驗的基本概念

• 屬性檢驗的挑戰

• 屬性檢驗的評估方法

• 屬性檢驗的能力評估

• 提升屬性檢驗可靠性的策略

• 屬性檢驗的實際應用

• 總結

定義：基于觀察或判斷，將被測件分為不同類別（如合格/不合格、通過/失敗、良品/不良品）的檢驗方法。

特點：

• 不測量具體數值

• 只做定性判斷

• 結果是離散的類別

• 依賴觀察者的主觀判斷

示例：

• 外觀檢驗：有無劃痕

• 裝配檢驗：零件是否正確安裝

• 功能檢驗：功能是否正常

特點：二元分類（二選一）

2. 多類別判定

示例：

• 質量分級：A級、B級、C級

• 缺陷分類：致命、嚴重、輕微

• 顏色匹配：匹配良好、可接受、不可接受

特點：多元分類（多選一）

3. 信號檢測

示例：

• 聲音檢測：有無異常聲音

• 振動檢測：有無異常振動

• 漏氣檢測：有無泄漏

特點：檢測微弱信號

屬性檢驗的挑戰 挑戰1：主觀性

問題：

• 不同觀察者可能有不同判斷

• 同一觀察者不同時間可能判斷不同

• 受疲勞、情緒、注意力影響

示例：

同一批零件：
觀察者A：95個合格，5個不合格
觀察者B：98個合格，2個不合格
觀察者C：92個合格，8個不合格

結論：存在主觀性差異

挑戰2：不一致性

問題：

• 觀察者內部不一致（同一人不同時間）

• 觀察者之間不一致（不同人）

• 與標準不一致（與實際質量不符）

類型：

• 不一致性：同一觀察者重復檢驗同一零件，得到不同結果

• 再現性：不同觀察者檢驗同一零件，得到不同結果

• 準確性：檢驗結果與實際質量不符

漏檢：不合格判為合格（第二類錯誤）

• 后果嚴重：不良品流入客戶

• 風險高：影響品牌和安全

誤檢：合格判為不合格（第一類錯誤）

• 增加成本：不必要的返工或報廢

• 降低效率：影響生產節奏

問題：

• 沒有數值，難以統計

• 不確定度難以評估

• 能力指標不直觀

VDA5提供了多種屬性檢驗的評估方法。

方法1：信號檢測理論（SDT） 基本原理

信號檢測理論：評估觀察者檢測信號的能力，考慮檢測能力和判斷標準。

四個結果：

實際有缺陷 實際無缺陷 判為有缺陷 命中（Hit） 誤報（False Alarm） 判為無缺陷 漏檢（Miss） 正確拒絕（Correct Rejection） 關鍵指標

1. 命中率（Hit Rate, HR）

HR = 命中次數 / (命中次數 + 漏檢次數)

含義：有缺陷時，正確檢測到的概率

示例：

實際有缺陷：100個
檢測到有缺陷：90個
HR = 90/100 = 90%

2. 誤報率（False Alarm Rate, FAR）

FAR = 誤報次數 / (誤報次數 + 正確拒絕次數)

含義：無缺陷時，誤判為有缺陷的概率

示例：

實際無缺陷：100個
誤判為有缺陷：5個
FAR = 5/100 = 5%

3. 靈敏度（Sensitivity, d'）

d' = Z(HR) - Z(FAR)

其中：

• Z()：標準正態分布的反函數

含義：檢測信號的能力，與判斷標準無關

解釋：

• d' > 0：有檢測能力

• d' ≈ 0：無檢測能力（隨機猜測）

• d' < 0：與隨機相反

示例：

HR = 90% → Z(0.90) = 1.28
FAR = 5% → Z(0.05) = -1.64

d' = 1.28 - (-1.64) = 2.92

判定：d' = 2.92，檢測能力良好

信號檢測的應用

應用場景：

• 視覺檢驗

• 聽覺檢驗

• 感官評價

• 醫學診斷

優化方向：

• 提高命中率（減少漏檢）

• 降低誤報率（減少誤檢）

• 提高靈敏度（d'）

Kappa系數：評估觀察者之間或觀察者與標準之間的一致性，排除偶然一致性的影響。

計算方法

1. 制作一致性表格

示例：兩個觀察者對100個零件的檢驗結果

觀察者A：合格 觀察者A：不合格 合計 觀察者B：合格 40 10 50 觀察者B：不合格 5 45 50 合計 45 55 100

2. 計算一致性

觀察一致性（P?）：

P? = (一致次數) / 總次數
P? = (40 + 45) / 100 = 85/100 = 0.85

期望一致性（Pe）：

Pe = [(A合格合計×B合格合計) + (A不合格合計×B不合格合計)] / 總數2
Pe = [(45×50) + (55×50)] / 1002
Pe = (2250 + 2750) / 10000 = 5000/10000 = 0.5

3. 計算Kappa系數

κ = (P? - Pe) / (1 - Pe)
κ = (0.85 - 0.5) / (1 - 0.5) = 0.35 / 0.5 = 0.7

Kappa系數的解釋 Kappa值 一致性強度 解釋 < 0.00 差 一致性比隨機還差 0.00-0.20 輕微 輕微一致性 0.21-0.40 一般 一般一致性 0.41-0.60 中等 中等一致性 0.61-0.80 顯著 顯著一致性 0.81-1.00 幾乎完美 幾乎完美一致性

示例：

κ = 0.7 → 顯著一致性
判定：兩個觀察者一致性良好

Kappa系數的應用

應用場景：

• 評估觀察者之間的一致性

• 評估觀察者與標準的一致性

• 評估培訓效果

• 比較不同檢驗方法

優化方向：

• 提高κ值，提升一致性

• 分析不一致的原因

• 改進檢驗標準和方法

Bowker檢驗：評估多個觀察者或多種方法之間的一致性，適用于多類別數據。

應用場景

適用：

• 多類別判定（合格、不合格、需返工）

• 多個觀察者（>2人）

• 多種方法（不同檢驗方法對比）

• 適用于對稱性檢驗

• 檢驗方法之間的一致性

• 考慮非對角線元素

計算：

一致性百分比 = (一致次數 / 總次數) × 100%

示例：

檢驗100個零件：
一致判定：85個
一致性百分比 = 85/100 = 85%

問題：不考慮偶然一致性

示例：

兩個觀察者檢驗100個零件，結果如下：

觀察者A：全部判為合格
觀察者B：全部判為合格

一致性百分比 = 100%

問題：這可能只是偶然一致！
如果都隨機猜測（50%合格，50%不合格），
偶然一致性 = 0.5×0.5 + 0.5×0.5 = 50%

結論：簡單一致性百分比可能誤導！

屬性檢驗的能力評估 屬性檢驗能力指標 1. 漏檢率（Miss Rate）

定義：不合格品被判定為合格的概率

漏檢率 = 漏檢次數 / 實際不合格總數

要求：

• 高風險：漏檢率 < 1%

• 中風險：漏檢率 < 5%

• 低風險：漏檢率 < 10%

定義：合格品被判定為不合格的概率

誤檢率 = 誤檢次數 / 實際合格總數

要求：

• 高風險：誤檢率 < 5%

• 中風險：誤檢率 < 10%

• 低風險：誤檢率 < 15%

定義：正確判定的比例

準確率 = (命中次數 + 正確拒絕次數) / 總次數

4. 敏感性（Sensitivity）

定義：正確識別不合格品的能力

敏感性 = 命中率 = 命中次數 / 實際不合格總數

5. 特異性（Specificity）

定義：正確識別合格品的能力

特異性 = 正確拒絕次數 / 實際合格總數

屬性檢驗能力要求

根據VDA5，屬性檢驗能力要求如下：

特性類型 漏檢率要求 誤檢率要求 安全關鍵 < 0.1% < 5% 重要特性 < 1% < 10% 一般特性 < 5% < 15% 提升屬性檢驗可靠性的策略 策略1：標準化檢驗標準

措施：

1. 制定詳細檢驗規范

• 清晰的判定標準

• 具體的缺陷描述

• 照片或樣板對比

• 缺陷圖片庫

• 合格/不合格樣板

• 對比卡片

• 什么情況判合格

• 什么情況判不合格

• 邊界情況如何處理

示例：

外觀檢驗規范：
- 劃痕長度≤2mm：合格
- 劃痕長度2-5mm：需返工
- 劃痕長度>5mm：不合格
- 劃痕深度≤0.1mm：合格
- 劃痕深度>0.1mm：不合格

策略2：培訓和認證

措施：

1. 系統化培訓

• 檢驗方法培訓

• 標準理解培訓

• 實踐操作培訓

• 理論考試

• 實操考核

• 定期復訓

• 定期考核

• 記錄Kappa系數

• 持續改進

示例：

檢驗員培訓計劃：
1. 培訓時長：16小時
2. 培訓內容：
- VDA5標準
- 檢驗方法
- 實操練習
3. 考核：
- 理論考試（80分及格）
- 實操考核（κ≥0.8及格）
4. 認證：頒發合格證書
5. 復訓：每年復訓一次

策略3：多檢驗員交叉驗證

措施：

1. 雙人檢驗

• 重要特性雙人檢驗

• 結果一致為準

• 不一致時第三方判定

• 定期抽樣復驗

• 評估一致性

• 發現問題及時糾正

• 檢驗員不知道標準

• 評估實際能力

• 發現系統性偏差

示例：

雙人檢驗流程：
1. 檢驗員A檢驗：判定結果
2. 檢驗員B獨立檢驗：判定結果
3. 結果一致：采納
4. 結果不一致：第三方C判定
5. 記錄不一致情況，分析原因

策略4：技術輔助

措施：

1. 光學檢測設備

• 機器視覺系統

• 自動化檢測設備

• 圖像識別技術

• 放大鏡

• 燈光照明

• 測量工具

• 自動記錄

• 數據追溯

• 統計分析

示例：

外觀檢驗技術升級：

人工檢驗：
- 漏檢率：5%
- 誤檢率：10%
- 速度：5個/分鐘

機器視覺：
- 漏檢率：0.1%
- 誤檢率：2%
- 速度：30個/分鐘

結論：技術輔助顯著提升能力和效率

策略5：持續監控和改進

措施：

1. 定期能力評估

• 計算Kappa系數

• 計算漏檢率和誤檢率

• 繪制控制圖

• 分析不一致原因

• 識別系統性問題

• 制定改進措施

• 優化檢驗標準

• 改進培訓方法

• 提升技術水平

示例：

持續改進流程：

第1季度：
- Kappa = 0.65（中等）
- 漏檢率 = 3%
- 誤檢率 = 8%

改進措施：
- 加強培訓
- 使用視覺輔助

第2季度：
- Kappa = 0.75（顯著）
- 漏檢率 = 1.5%
- 誤檢率 = 5%

繼續改進...

屬性檢驗的實際應用 案例1：外觀檢驗

場景：汽車零部件外觀檢驗

特性：表面劃痕、凹坑、雜質

方法：

1. 使用標準缺陷圖片

2. 制定詳細的判定標準

3. 雙人檢驗重要部件

4. 定期計算Kappa系數

結果：

改進前：
- Kappa = 0.6
- 漏檢率 = 4%
- 誤檢率 = 12%

改進后：
- Kappa = 0.85
- 漏檢率 = 1%
- 誤檢率 = 6%

案例2：裝配檢驗

場景：電子產品裝配檢驗

特性：零件安裝正確性、緊固力

方法：

1. 使用裝配圖紙

2. 詳細的檢驗清單

3. 工具輔助（力矩扳手）

4. 抽樣驗證

結果：

改進前：
- 裝配錯誤率 = 2%
- Kappa = 0.7

改進后：
- 裝配錯誤率 = 0.5%
- Kappa = 0.9

案例3：顏色匹配

場景：內飾件顏色匹配

特性：顏色一致性

方法：

1. 使用標準色板

2. 光照標準化

3. 顏色測量設備輔助

4. 多人判定取一致

結果：

改進前：
- 顏色一致性 = 85%
- 客戶投訴率 = 5%

改進后：
- 顏色一致性 = 98%
- 客戶投訴率 = 0.5%

實踐建議

1. 制定標準：詳細、清晰的檢驗規范

2. 視覺輔助：使用圖片、樣板、卡片

3. 培訓認證：系統化培訓和認證考核

4. 交叉驗證：雙人檢驗、抽樣復驗

5. 技術輔助：使用機器視覺等自動化設備

6. 持續監控：定期計算Kappa、監控趨勢

感謝你的留言！

質量之路，永無止境。持續學習，持續改進！