PYTHON计算CPK及规范限合格率，绘制直方图概率密度曲线

2023-10-08 08:12
文章标签 python 计算 绘制 曲线 直方图 规范 概率密度 cpk 合格率

本文主要是介绍PYTHON计算CPK及规范限合格率，绘制直方图概率密度曲线，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

CPK（过程能力指数）是一个用于衡量一个过程的稳定性和一致性的统计指标，特别用于制造业和质量管理中。它衡量了一个过程的变异性与规范界限的关系，帮助确定过程是否能够产生合格的产品或服务。

正态分布假设：CPK的计算通常基于正态分布（或近似正态分布）的假设。这意味着过程数据应该呈现出类似正态分布的特征。如果数据不服从正态分布，可能需要进行转换或采用其他方法来处理。 

CPK 的计算涉及以下步骤：

  1. 确定规范上限（USL）和规范下限（LSL）：这是产品或过程的规范要求。USL 表示规范上限，LSL 表示规范下限。

  2. 计算过程的标准偏差（σ）：标准偏差是过程数据的统计度量，它表示数据的离散程度。你需要收集足够的过程数据样本，然后计算标准偏差。

  3. 计算 CPK：CPK 的计算公式如下：

    CPK = min((USL - μ) / (3σ), (μ - LSL) / (3σ))

    其中：

    • USL 是规范上限
    • LSL 是规范下限
    • μ 是过程的均值
    • σ 是过程的标准偏差

CPK 值的计算结合了过程的均值、标准偏差以及规范上限（USL）和规范下限（LSL），它用于标准化地衡量一个过程的能力以产生在规格要求范围内的产品。以下是对CPK的解释的详细说明：

  1. 过程均值（Mean）：CPK 考虑了过程的均值，即过程数据的平均值。均值反映了过程的中心位置，即过程在规格要求范围内的对准程度。如果均值与规格中心接近，CPK 值可能较高，表示过程接近规格要求。

  2. 标准偏差（Standard Deviation）：标准偏差衡量了过程数据的变异性。它表示了过程的离散程度，即数据点在均值周围的分布程度。CPK 考虑了标准偏差，因为过程的变异性直接影响产品是否在规格要求范围内。

  3. 规范上限（USL）和规范下限（LSL）：USL 表示产品在某个方面的最大允许值，LSL 表示最小允许值。CPK 的计算将这两个规格限制与过程均值和标准偏差相结合，以确定过程能否生产满足规格要求的产品。

  4. 标准化度量：CPK 的计算通过将 (USL - Mean) 和 (Mean - LSL) 分别除以 (3 * Standard Deviation)，将这两个偏差标准化为标准偏差的单位。这个标准化过程允许将不同过程的能力进行比较，并且以一种标准化的方式表示。

import numpy as np
import matplotlib.pyplot as plt
from scipy.stats import norm
from scipy.integrate import quad  # Import the quad function for integrationplt.rcParams['font.sans-serif'] = ['SimHei']  # 防止中文标签乱码
plt.rcParams['axes.unicode_minus'] = False
# 生成一个示例数据集，这里使用随机数据
np.random.seed(0)
data = np.random.normal(loc=50, scale=5, size=40)  # 均值=50，标准差=5# 规范上限和规范下限，这里只是示例值，你需要根据实际情况提供
USL = 60  # 规范上限
LSL = 40  # 规范下限# 计算均值和标准偏差
mean = np.mean(data)
std_dev = np.std(data)
Us_Ls_Center = (USL+LSL)/2# 计算 CPK
cpk = min((USL - mean) / (3 * std_dev), (mean - LSL) / (3 * std_dev))
print("均值:", mean)
print("标准偏差:", std_dev)
print("CPK:", cpk)
# 计算规范上限和规范下限之间的合格率
acceptance_rate = norm.cdf(USL, loc=mean, scale=std_dev) - norm.cdf(LSL, loc=mean, scale=std_dev)
print("合格率:", acceptance_rate)cp= (USL-LSL) / (6*std_dev) # 规格范围相对于过程的变异性有多宽
print("CP:", cp)# 创建概率密度曲线的 x 值范围
x = np.linspace(mean - 3 * std_dev, mean + 3 * std_dev, 100)# 计算概率密度函数的值
pdf = norm.pdf(x, loc=mean, scale=std_dev)# 计算规范上限和规范下限之间的合格率
def pdf_function(x):return norm.pdf(x, loc=mean, scale=std_dev)
def calculate_acceptance_rate(pdf_func, LSL, USL):area, _ = quad(pdf_func, LSL, USL)return area
acceptance_rate = calculate_acceptance_rate(pdf_function, LSL, USL)
print("合格率:", acceptance_rate)# 绘制直方图
plt.hist(data, bins=10, density=True, alpha=0.6, color='b', label='Generated Data')# 绘制概率密度曲线图
plt.plot(x, pdf, label='概率密度曲线')
plt.xlabel('观测值')
plt.ylabel('概率密度')
plt.title('概率密度曲线图')# 添加规范上限、规范下限、规格中心线和3倍标准差线
plt.axvline(x=USL, color='g', linestyle='--', label='USL规范上限')
plt.axvline(x=LSL, color='g', linestyle='--', label='LSL规范下限')
plt.axvline(x=Us_Ls_Center, color='r', linestyle='--', label='Center规范中心')
plt.axvline(x=mean, color='orange', linestyle='--', label='过程中心线')
plt.axvline(x=mean + 3 * std_dev, color='orange', linestyle='-', label='3倍标准差线')
plt.axvline(x=mean - 3 * std_dev, color='orange', linestyle='-',label='3倍标准差线')plt.legend()
plt.grid(True)# 显示图形
plt.show()

​​​​​​​ 

CPK 和 CP 都是用于衡量过程能力的指标，它们在质量管理和质量控制领域经常被使用，但它们有不同的计算方法和用途：

  1. CP（过程能力指数）：

    • CP 表示过程能力指数，它用于衡量一个过程的能力，以产生在规格上限（USL）和规格下限（LSL）之间的产品。
    • CP 的计算公式为：CP = (USL - LSL) / (6σ)，其中 USL 表示规格上限，LSL 表示规格下限，σ 表示过程的标准偏差。
    • CP 的值告诉我们规格范围相对于过程的变异性有多宽，但它不考虑过程的偏差（均值与规格中心的偏离）。

  2. CPK（过程能力指数修正版）：

    • CPK 也用于衡量过程的能力，但相对于 CP，它考虑了过程的偏差。
    • CPK 的计算公式为：CPK = min((USL - Mean) / (3σ), (Mean - LSL) / (3σ))，其中 USL 表示规格上限，LSL 表示规格下限，σ 表示过程的标准偏差，Mean 表示过程的均值。
    • CPK 考虑了过程的偏差，并告诉我们过程的能力，以产生在规格上限和规格下限之间的产品。CPK 值越大，表示过程的能力越高，因为它同时考虑了规格要求和过程的变异性。

要点总结：

  • CP 衡量规格范围相对于过程变异性的宽度。
  • CPK 同时考虑规格范围、过程变异性和过程偏差。
  • CPK 是更全面和常用的过程能力指数，因为它提供了更多信息，特别是对于那些偏差较大的过程。在质量管理中，通常更关注 CPK 值。

 绘制X-bar图

import numpy as np
import matplotlib.pyplot as plt# 示例数据，包含10个子组的样本数据，每个子组有5个样本
data = np.array([[10, 12, 11, 9, 17],[14, 15, 13, 11, 12],[10, 9, 11, 12, 10],[12, 11, 10, 12, 11],[9, 11, 22, 4, 12],[11, 10, 15, 10, 11],[13, 12, 11, 12, 14],[10, 9, 11, 12, 10],[12, 4, 34, 12, 11],[9, 11, 10, 9, 12]
])# 计算每个子组的平均值和范围
subgroup_Xmeans = np.mean(data, axis=1)  # 计算每个子组的平均值
subgroup_Rranges = np.ptp(data, axis=1)  # 计算每个子组的范围（即极差）# 计算总体平均值
overall_Xmean = np.mean(subgroup_Xmeans)  # 所有子组平均值的平均值，表示整体过程的中心位置。它是X-bar图中的中心线。
overall_Rmean = np.mean(subgroup_Rranges)  # 所有子组的极差的平均值，表示整体过程的离散程度# 计算A2、D3和D4常数（这里假设样本大小为5，您可以根据实际情况修改）
A2 = 0.577
D3 = 0
D4 = 2.114# 计算控制限
UCL_X = overall_Xmean + A2 * overall_Rmean
LCL_X = overall_Xmean - A2 * overall_RmeanUCLR = D4 * overall_Rmean
LCLR = D3 * overall_Rmean# 计算R控制图的控制限（使用D4常数）
UCL_R = UCLR
LCL_R = LCLR# 计算每个子组的Z分数
z_scores = (subgroup_Xmeans - overall_Xmean) / (overall_Rmean / np.sqrt(data.shape[1]))# 设置阈值，通常选择2或3作为阈值
threshold = 3# 异常检测并标记异常点
plt.figure(figsize=(6, 9))
plt.subplot(2, 1, 1)
plt.plot(subgroup_Xmeans, marker='o', linestyle='-')
plt.axhline(y=overall_Xmean, color='r', linestyle='--', label='Overall Xmean')
plt.axhline(y=UCL_X, color='g', linestyle='--', label='UCL')
plt.axhline(y=LCL_X, color='g', linestyle='--', label='LCL')
plt.legend()
plt.title('X-bar')
plt.xlabel('Subgroup')
plt.ylabel('Subgroup Mean')# 异常检测 - 使用Z分数
outliers = np.where(np.abs(z_scores) > threshold)[0]
for o in outliers:plt.annotate(f'Outlier (Subgroup {o+1})', (o, subgroup_Xmeans[o]), textcoords="offset points", xytext=(0,10), ha='center')# 绘制R控制图
plt.subplot(2, 1, 2)
plt.plot(subgroup_Rranges, marker='o', linestyle='-')
plt.axhline(y=overall_Rmean, color='r', linestyle='--', label='Overall Rmean')
plt.axhline(y=UCL_R, color='g', linestyle='--', label='UCL')
plt.axhline(y=LCL_R, color='g', linestyle='--', label='LCL')
plt.legend()
plt.title('R Chart')
plt.xlabel('Subgroup')
plt.ylabel('Subgroup Range')plt.tight_layout()
plt.show()

这篇关于PYTHON计算CPK及规范限合格率，绘制直方图概率密度曲线的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！


http://www.chinasem.cn/article/163925。

相关文章

基于Python开发Windows屏幕控制工具

基于Python开发Windows屏幕控制工具

《基于Python开发Windows屏幕控制工具》在数字化办公时代,屏幕管理已成为提升工作效率和保护眼睛健康的重要环节,本文将分享一个基于Python和PySide6开发的Windows屏幕控制工具,... 目录概述功能亮点界面展示实现步骤详解1. 环境准备2. 亮度控制模块3. 息屏功能实现4. 息屏时间
阅读更多...
Python如何去除图片干扰代码示例

Python如何去除图片干扰代码示例

《Python如何去除图片干扰代码示例》图片降噪是一个广泛应用于图像处理的技术,可以提高图像质量和相关应用的效果,：本文主要介绍Python如何去除图片干扰的相关资料,文中通过代码介绍的非常详细,... 目录一、噪声去除1. 高斯噪声（像素值正态分布扰动）2. 椒盐噪声（随机黑白像素点）3. 复杂噪声（如伪
阅读更多...
Python中图片与PDF识别文本(OCR)的全面指南

Python中图片与PDF识别文本(OCR)的全面指南

《Python中图片与PDF识别文本(OCR)的全面指南》在数据爆炸时代,80%的企业数据以非结构化形式存在,其中PDF和图像是最主要的载体,本文将深入探索Python中OCR技术如何将这些数字纸张转... 目录一、OCR技术核心原理二、python图像识别四大工具库1. Pytesseract - 经典O
阅读更多...
基于Linux的ffmpeg python的关键帧抽取

基于Linux的ffmpeg python的关键帧抽取

《基于Linux的ffmpegpython的关键帧抽取》本文主要介绍了基于Linux的ffmpegpython的关键帧抽取,实现以按帧或时间间隔抽取关键帧,文中通过示例代码介绍的非常详细,对大家的学... 目录1.FFmpeg的环境配置1) 创建一个虚拟环境envjavascript2) ffmpeg-py
阅读更多...
python使用库爬取m3u8文件的示例

python使用库爬取m3u8文件的示例

《python使用库爬取m3u8文件的示例》本文主要介绍了python使用库爬取m3u8文件的示例,可以使用requests、m3u8、ffmpeg等库,实现获取、解析、下载视频片段并合并等步骤,具有... 目录一、准备工作二、获取m3u8文件内容三、解析m3u8文件四、下载视频片段五、合并视频片段六、错误
阅读更多...
Python中提取文件名扩展名的多种方法实现

Python中提取文件名扩展名的多种方法实现

《Python中提取文件名扩展名的多种方法实现》在Python编程中,经常会遇到需要从文件名中提取扩展名的场景,Python提供了多种方法来实现这一功能,不同方法适用于不同的场景和需求,包括os.pa... 目录技术背景实现步骤方法一：使用os.path.splitext方法二：使用pathlib模块方法三
阅读更多...
Python打印对象所有属性和值的方法小结

Python打印对象所有属性和值的方法小结

《Python打印对象所有属性和值的方法小结》在Python开发过程中,调试代码时经常需要查看对象的当前状态,也就是对象的所有属性和对应的值,然而,Python并没有像PHP的print_r那样直接提... 目录python中打印对象所有属性和值的方法实现步骤1. 使用vars()和pprint()2. 使
阅读更多...
使用Python和OpenCV库实现实时颜色识别系统

使用Python和OpenCV库实现实时颜色识别系统

《使用Python和OpenCV库实现实时颜色识别系统》：本文主要介绍使用Python和OpenCV库实现的实时颜色识别系统,这个系统能够通过摄像头捕捉视频流,并在视频中指定区域内识别主要颜色（红... 目录一、引言二、系统概述三、代码解析1. 导入库2. 颜色识别函数3. 主程序循环四、HSV色彩空间详解
阅读更多...
一文深入详解Python的secrets模块

一文深入详解Python的secrets模块

《一文深入详解Python的secrets模块》在构建涉及用户身份认证、权限管理、加密通信等系统时,开发者最不能忽视的一个问题就是“安全性”,Python在3.6版本中引入了专门面向安全用途的secr... 目录引言一、背景与动机：为什么需要 secrets 模块？二、secrets 模块的核心功能1. 基
阅读更多...
python常见环境管理工具超全解析

python常见环境管理工具超全解析

《python常见环境管理工具超全解析》在Python开发中,管理多个项目及其依赖项通常是一个挑战,下面：本文主要介绍python常见环境管理工具的相关资料,文中通过代码介绍的非常详细,需要的朋友... 目录1. conda2. pip3. uvuv 工具自动创建和管理环境的特点4. setup.py5.
阅读更多...

Copyright China编程 23002807@qq.com

沪ICP备2023033072号-2