Les données de mesure générées par la machine de mesure tridimensionnelle (CMM) sont au cœur du contrôle de la qualité, mais les données brutes doivent être systématiquement analysées et présentées visuellement pour être transformées en informations décisionnelles exécutables. Ce qui suit applique trois dimensions à partir des processus de traitement des données, des méthodes de visualisation et des scénarios typiques pour fournir un guide d'interprétation normalisé.
I. prétraitement des données: assurer la fiabilité de la base analytique
Suppression des valeurs anormales
Utilisez le critère 3σ ou la méthode de diagramme de boîte pour identifier les points de groupe. Par exemple, lors de la mesure du diamètre d'une pièce de type axe, si un point s'écarte de la moyenne de plus de 3 fois l'écart - type, il est nécessaire d'utiliser le journal de mesure pour déterminer si un mauvais contact avec le palpeur ou un défaut de surface de la pièce entraîne une nouvelle mesure Si nécessaire.
Alignement des données et conversion du système de coordonnées
Les erreurs de montage sont éliminées en alignant les données de mesure avec le modèle Cao par des algorithmes d'ajustement tels que la méthode des moindres carrés. Par exemple, dans la détection de carrosserie automobile, vous devez faire correspondre le nuage de points de mesure au modèle théorique pour calculer la distribution globale des écarts.
Extraction et classification des caractéristiques
Classer les données par caractéristiques géométriques (plan, cylindre, cône, etc.), calculer les tolérances de forme (p. ex., circularité, verticalité). Par exemple, les données de denture d'engrenage extraient l'écart de profil de dent, l'erreur cumulative de distance de dent et d'autres paramètres clés.
II. Méthode de visualisation: présentation intuitive de l'état de qualité
Chromatogramme de déviation
Mapper les écarts des points de mesure par rapport aux valeurs théoriques en gradients de couleur (par exemple, rouge - jaune - Vert pour super - mauvais - critique - qualifié), en localisant rapidement les zones problématiques. Par exemple, dans la détection d'aubes aéronautiques, le réglage du processus de meulage de la bande Abrasive est guidé par un chromatogramme montrant visuellement la position de surdimensionnement de l'épaisseur du type de feuille.
Graphique d'analyse des tendances
Dessinez les courbes de fluctuation des tailles clés au fil du temps ou des lots, en identifiant les écarts systémiques. Par exemple, dans la production en série, si une certaine taille d'alésage a tendance à diminuer périodiquement, cela peut indiquer une usure de l'outil ou un effet de dérive thermique.
Diagramme de superposition de bandes de tolérance
Affichage superposé des caractéristiques mesurées avec les bandes de tolérance supérieure et inférieure, quantifiant le taux de conformité. Par exemple, dans la détection des viroles de roulement, le taux de conformité à la circularité est calculé à l'aide d'un diagramme de bande de tolérance, fournissant un support de données pour l'optimisation des paramètres du processus.
Iii. Application de scénarios typiques et aide à la décision
Inspection des matériaux entrants
Un rapport de valeur CPK est généré en comparant les écarts des pièces livrées par les fournisseurs par rapport aux normes d'achat. Si CPK < 1,33, un processus d'amélioration de la qualité du fournisseur doit être déclenché.
Contrôle des processus
Déployez des diagrammes de contrôle SPC sur le bord de la ligne d'usinage pour surveiller les dimensions critiques (p. ex. position des trous, planéité) en temps réel. Lorsque le point de données dépasse le temps de contrôle, il déclenche automatiquement l'arrêt de l'équipement ou ajuste les paramètres de coupe.
Analyse de défaillance
En combinaison avec la méthode fmea, retracez les causes profondes des données ultra - mauvaises. Par exemple, si un lot de la circonférence du tourillon de la bielle est trop mauvaise, par l'analyse de la corrélation des données de mesure avec le Journal d'usinage, il est positionné comme une anomalie de battement radial de l'outil.
Iv. Outils et recommandations normatives
Choix du logiciel: préférez utiliser le module d'analyse statistique du logiciel compagnon CMM (p. ex., PC - DMIS, Calypso) ou exporter les données vers minitab, JMP pour l'exploration en profondeur.
Modèle de rapport: adoption uniforme d'une structure de rapport à quatre paragraphes intitulée « description du problème - présentation des données - analyse des facteurs racine - mesures d'amélioration » pour assurer l'efficacité de la communication intersectorielle.
Formation du personnel: des formations spécifiques telles que les normes GD & T (géométrie dimensionnelle et tolérances), le contrôle statistique des processus (SPC) sont régulièrement organisées pour améliorer le professionnalisme de l'interprétation des données.
En standardisant les processus d'analyse et de visualisation des données, les entreprises peuvent valoriser les données de mesure CMM et mettre à niveau les modèles de gestion de la qualité, de la « détection passive» à la « prévention active».