Os dados de medição gerados por máquinas de medição de três coordenadas (CMM) são fundamentais para o controle de qualidade, mas os dados brutos precisam ser analisados sistematicamente e visualizados para serem transformados em informações executáveis ​​para a tomada de decisão. Os seguintes guias de interpretação padronizados são apresentados em três dimensões, a partir do processo de processamento de dados, métodos de visualização e aplicações de cenários típicos.

Pré-processamento de dados: garantir a confiabilidade da base analítica

Exclusão de valores anormais

Identifique os pontos de separação usando o critério 3σ ou o gráfico de linha de caixa. Por exemplo, ao medir o diâmetro da peça do eixo, se um desvio de ponto excede 3 vezes o desvio padrão da média, é necessário medir novamente, se necessário, em combinação com o registro de medição para determinar se o contato com a cabeça de medição é inadequado ou se a superfície da peça de trabalho é defeituosa.

Alinhamento de dados e conversão de sistemas de coordenadas

Os erros de fixação são eliminados alinhando os dados de medição com o modelo CAD por meio de algoritmos de adaptação, como a multiplicação mínima de dois. Por exemplo, na inspeção da carroceria de um automóvel, a nuvem de pontos de teste real deve ser combinada com o modelo teórico para calcular a distribuição de desvio global.

Extração e classificação de características

Classificar os dados por características geométricas (plano, cilindro, cone, etc.) para calcular as tolerâncias de forma (por exemplo, redondeza, verticalidade). Por exemplo, extrair parâmetros-chave como desvios de contorno e erros acumulados de distância entre os dentes dos dados de forma de engrenagem.

Método de visualização: apresentação intuitiva do estado da qualidade

Cromatografia de desvio

Mapeie os desvios dos pontos de medição com os valores teóricos em gradientes de cor (por exemplo, vermelho-amarelo-verde para excedente-crítico-qualificado) para localizar rapidamente a área problemática. Por exemplo, na inspeção de lâminas aeronáuticas, a diferença de espessura da lâmina é visualizada visualmente através de cromatografia para orientar o ajuste do processo de moagem de faixa de areia.

Gráfico de análise de tendências

Desenhe curvas de flutuação de tamanhos críticos ao longo do tempo ou lotes para identificar desvios sistêmicos. Por exemplo, na produção em massa, uma tendência de declínio periódico de um determinado tamanho de abertura pode indicar o desgaste da ferramenta ou o efeito da derivação térmica.

Diagrama de sobreposição de faixa de tolerância

A taxa de aprovação é quantificada através da sobreposição das características de teste com a faixa de tolerância superior e inferior. Por exemplo, na inspeção de caixas de rolamentos, a taxa de aprovação de redondeza é calculada por meio de gráficos de faixa de tolerância para fornecer suporte de dados para a otimização dos parâmetros de processo.

Aplicações de cenários típicos e suporte à tomada de decisões

Inspeção de entrada

Crie relatórios de valor do CPK comparando os desvios dos padrões de entrega de peças dos fornecedores com os padrões de aquisição. Se o CPK for inferior a 1,33, é necessário acionar o processo de melhoria da qualidade do fornecedor.

Controle do processo

Implemente o gráfico de controle SPC na linha de usinagem para monitorar em tempo real as dimensões críticas (por exemplo, posição de orifício, plano). Quando os pontos de dados excedem o tempo de controle, o dispositivo é ativado automaticamente ou os parâmetros de corte são ajustados.

Análise de falhas

Em combinação com o método FMEA, rastrear as causas subjacentes dos excedentes de dados. Por exemplo, se a redondeza do pescoço do eixo de ligação de um lote for excessiva, a análise dos dados de medição associados ao registro de usinagem determinará a anomalia de batimento radial da ferramenta.

Ferramentas e recomendações de especificação

Escolha de software: Use o módulo de análise estatística do software CMM (por exemplo, PC-DMIS, Calypso) ou exporte os dados para Minitab, JMP para mineração profunda.

Modelo de relatório: adote a estrutura de relatório em quatro parágrafos "Descrição do problema - apresentação de dados - análise genética - medidas de melhoria" para garantir a eficiência da comunicação entre setores.

Formação do pessoal: organizar regularmente treinamento específico sobre padrões GD&T (Dimensões e Tolerâncias Geométricas) e Controle de Processo Estatístico (SPC) para melhorar a profissionalidade da interpretação de dados.

Através da análise de dados padronizada e do processo de visualização, as empresas podem maximizar o valor dos dados de medição do CMM e atualizar o modelo de gestão da qualidade de “detecção passiva” para “prevenção ativa”.