引言
在前面的章节中，我们主要讨论了计量检验——获取具体的数值。但在实际工作中，还有大量的检验不需要测量数值，只需要做出判断：
这个零件是合格还是不合格？
这个表面有没有划痕？
这个颜色是否符合要求？
这个零件装得对不对？
这类检验被称为属性检验。你可能认为这类检验很简单，但实际上，属性检验有其独特的方法和挑战。
今天，我们将深入探讨属性检验，了解如何科学地评估和提升属性检验的可靠性。
目录
属性检验的基本概念
属性检验的挑战
属性检验的评估方法
属性检验的能力评估
提升属性检验可靠性的策略
属性检验的实际应用
总结
定义：基于观察或判断，将被测件分为不同类别（如合格/不合格、通过/失败、良品/不良品）的检验方法。
特点：
不测量具体数值
只做定性判断
结果是离散的类别
依赖观察者的主观判断
示例：
外观检验：有无划痕
装配检验：零件是否正确安装
功能检验：功能是否正常
特点：二元分类（二选一）
2. 多类别判定
示例：
质量分级：A级、B级、C级
缺陷分类：致命、严重、轻微
颜色匹配：匹配良好、可接受、不可接受
特点：多元分类（多选一）
3. 信号检测
示例：
声音检测：有无异常声音
振动检测：有无异常振动
漏气检测：有无泄漏
特点：检测微弱信号
属性检验的挑战 挑战1：主观性
问题：
不同观察者可能有不同判断
同一观察者不同时间可能判断不同
受疲劳、情绪、注意力影响
示例：
同一批零件：
观察者A：95个合格，5个不合格
观察者B：98个合格，2个不合格
观察者C：92个合格，8个不合格
结论：存在主观性差异
挑战2：不一致性
问题：
观察者内部不一致（同一人不同时间）
观察者之间不一致（不同人）
与标准不一致（与实际质量不符）
类型：
不一致性：同一观察者重复检验同一零件，得到不同结果
再现性：不同观察者检验同一零件，得到不同结果
准确性：检验结果与实际质量不符
漏检：不合格判为合格（第二类错误）
后果严重：不良品流入客户
风险高：影响品牌和安全
误检：合格判为不合格（第一类错误）
增加成本：不必要的返工或报废
降低效率：影响生产节奏
问题：
没有数值，难以统计
不确定度难以评估
能力指标不直观
VDA5提供了多种属性检验的评估方法。
方法1：信号检测理论（SDT） 基本原理
信号检测理论：评估观察者检测信号的能力，考虑检测能力和判断标准。
四个结果：
实际有缺陷 实际无缺陷 判为有缺陷 命中（Hit） 误报（False Alarm） 判为无缺陷 漏检（Miss） 正确拒绝（Correct Rejection） 关键指标
1. 命中率（Hit Rate, HR）
HR = 命中次数 / (命中次数 + 漏检次数)
含义：有缺陷时，正确检测到的概率
示例：
实际有缺陷：100个
检测到有缺陷：90个
HR = 90/100 = 90%
2. 误报率（False Alarm Rate, FAR）
FAR = 误报次数 / (误报次数 + 正确拒绝次数)
含义：无缺陷时，误判为有缺陷的概率
示例：
实际无缺陷：100个
误判为有缺陷：5个
FAR = 5/100 = 5%
3. 灵敏度（Sensitivity, d'）
d' = Z(HR) - Z(FAR)
其中：
Z()：标准正态分布的反函数
含义：检测信号的能力，与判断标准无关
解释：
d' > 0：有检测能力
d' ≈ 0：无检测能力（随机猜测）
d' < 0：与随机相反
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，检测能力良好
信号检测的应用
应用场景：
视觉检验
听觉检验
感官评价
医学诊断
优化方向：
提高命中率（减少漏检）
降低误报率（减少误检）
提高灵敏度（d'）
Kappa系数：评估观察者之间或观察者与标准之间的一致性，排除偶然一致性的影响。
计算方法
1. 制作一致性表格
示例：两个观察者对100个零件的检验结果
观察者A：合格 观察者A：不合格 合计 观察者B：合格 40 10 50 观察者B：不合格 5 45 50 合计 45 55 100
2. 计算一致性
观察一致性（P₀）：
P₀ = (一致次数) / 总次数
P₀ = (40 + 45) / 100 = 85/100 = 0.85
期望一致性（Pe）：
Pe = [(A合格合计×B合格合计) + (A不合格合计×B不合格合计)] / 总数²
Pe = [(45×50) + (55×50)] / 100²
Pe = (2250 + 2750) / 10000 = 5000/10000 = 0.5
3. 计算Kappa系数
κ = (P₀ - Pe) / (1 - Pe)
κ = (0.85 - 0.5) / (1 - 0.5) = 0.35 / 0.5 = 0.7
Kappa系数的解释 Kappa值 一致性强度 解释 < 0.00 差 一致性比随机还差 0.00-0.20 轻微 轻微一致性 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 显著 显著一致性 0.81-1.00 几乎完美 几乎完美一致性
示例：
κ = 0.7 → 显著一致性
判定：两个观察者一致性良好
Kappa系数的应用
应用场景：
评估观察者之间的一致性
评估观察者与标准的一致性
评估培训效果
比较不同检验方法
优化方向：
提高κ值，提升一致性
分析不一致的原因
改进检验标准和方法
Bowker检验：评估多个观察者或多种方法之间的一致性，适用于多类别数据。
应用场景
适用：
多类别判定（合格、不合格、需返工）
多个观察者（>2人）
多种方法（不同检验方法对比）
适用于对称性检验
检验方法之间的一致性
考虑非对角线元素
计算：
一致性百分比 = (一致次数 / 总次数) × 100%
示例：
检验100个零件：
一致判定：85个
一致性百分比 = 85/100 = 85%
问题：不考虑偶然一致性
示例：
两个观察者检验100个零件，结果如下：
观察者A：全部判为合格
观察者B：全部判为合格
一致性百分比 = 100%
问题：这可能只是偶然一致！
如果都随机猜测（50%合格，50%不合格），
偶然一致性 = 0.5×0.5 + 0.5×0.5 = 50%
结论：简单一致性百分比可能误导！
属性检验的能力评估 属性检验能力指标 1. 漏检率（Miss Rate）
定义：不合格品被判定为合格的概率
漏检率 = 漏检次数 / 实际不合格总数
要求：
高风险：漏检率 < 1%
中风险：漏检率 < 5%
低风险：漏检率 < 10%
定义：合格品被判定为不合格的概率
误检率 = 误检次数 / 实际合格总数
要求：
高风险：误检率 < 5%
中风险：误检率 < 10%
低风险：误检率 < 15%
定义：正确判定的比例
准确率 = (命中次数 + 正确拒绝次数) / 总次数
4. 敏感性（Sensitivity）
定义：正确识别不合格品的能力
敏感性 = 命中率 = 命中次数 / 实际不合格总数
5. 特异性（Specificity）
定义：正确识别合格品的能力
特异性 = 正确拒绝次数 / 实际合格总数
属性检验能力要求
根据VDA5，属性检验能力要求如下：
特性类型 漏检率要求 误检率要求 安全关键 < 0.1% < 5% 重要特性 < 1% < 10% 一般特性 < 5% < 15% 提升属性检验可靠性的策略 策略1：标准化检验标准
措施：
1. 制定详细检验规范
清晰的判定标准
具体的缺陷描述
照片或样板对比
缺陷图片库
合格/不合格样板
对比卡片
什么情况判合格
什么情况判不合格
边界情况如何处理
示例：
外观检验规范：
- 划痕长度≤2mm：合格
- 划痕长度2-5mm：需返工
- 划痕长度>5mm：不合格
- 划痕深度≤0.1mm：合格
- 划痕深度>0.1mm：不合格
策略2：培训和认证
措施：
1. 系统化培训
检验方法培训
标准理解培训
实践操作培训
理论考试
实操考核
定期复训
定期考核
记录Kappa系数
持续改进
示例：
检验员培训计划：
1. 培训时长：16小时
2. 培训内容：
- VDA5标准
- 检验方法
- 实操练习
3. 考核：
- 理论考试（80分及格）
- 实操考核（κ≥0.8及格）
4. 认证：颁发合格证书
5. 复训：每年复训一次
策略3：多检验员交叉验证
措施：
1. 双人检验
重要特性双人检验
结果一致为准
不一致时第三方判定
定期抽样复验
评估一致性
发现问题及时纠正
检验员不知道标准
评估实际能力
发现系统性偏差
示例：
双人检验流程：
1. 检验员A检验：判定结果
2. 检验员B独立检验：判定结果
3. 结果一致：采纳
4. 结果不一致：第三方C判定
5. 记录不一致情况，分析原因
策略4：技术辅助
措施：
1. 光学检测设备
机器视觉系统
自动化检测设备
图像识别技术
放大镜
灯光照明
测量工具
自动记录
数据追溯
统计分析
示例：
外观检验技术升级：
人工检验：
- 漏检率：5%
- 误检率：10%
- 速度：5个/分钟
机器视觉：
- 漏检率：0.1%
- 误检率：2%
- 速度：30个/分钟
结论：技术辅助显著提升能力和效率
策略5：持续监控和改进
措施：
1. 定期能力评估
计算Kappa系数
计算漏检率和误检率
绘制控制图
分析不一致原因
识别系统性问题
制定改进措施
优化检验标准
改进培训方法
提升技术水平
示例：
持续改进流程：
第1季度：
- Kappa = 0.65（中等）
- 漏检率 = 3%
- 误检率 = 8%
改进措施：
- 加强培训
- 使用视觉辅助
第2季度：
- Kappa = 0.75（显著）
- 漏检率 = 1.5%
- 误检率 = 5%
继续改进...
属性检验的实际应用 案例1：外观检验
场景：汽车零部件外观检验
特性：表面划痕、凹坑、杂质
方法：
使用标准缺陷图片
制定详细的判定标准
双人检验重要部件
定期计算Kappa系数
结果：
改进前：
- Kappa = 0.6
- 漏检率 = 4%
- 误检率 = 12%
改进后：
- Kappa = 0.85
- 漏检率 = 1%
- 误检率 = 6%
案例2：装配检验
场景：电子产品装配检验
特性：零件安装正确性、紧固力
方法：
使用装配图纸
详细的检验清单
工具辅助（力矩扳手）
抽样验证
结果：
改进前：
- 装配错误率 = 2%
- Kappa = 0.7
改进后：
- 装配错误率 = 0.5%
- Kappa = 0.9
案例3：颜色匹配
场景：内饰件颜色匹配
特性：颜色一致性
方法：
使用标准色板
光照标准化
颜色测量设备辅助
多人判定取一致
结果：
改进前：
- 颜色一致性 = 85%
- 客户投诉率 = 5%
改进后：
- 颜色一致性 = 98%
- 客户投诉率 = 0.5%
实践建议
制定标准：详细、清晰的检验规范
视觉辅助：使用图片、样板、卡片
培训认证：系统化培训和认证考核
交叉验证：双人检验、抽样复验
技术辅助：使用机器视觉等自动化设备
持续监控：定期计算Kappa、监控趋势
感谢你的留言！
质量之路，永无止境。持续学习，持续改进！
热门跟贴