用Matplotlib绘制高质量管理用的直方图

用Matplotlib绘制高质量管理用的直方图

引用

搜狐

等

9

来源

1.

https://www.sohu.com/a/151117285_737873

2.

https://blog.csdn.net/hohaizx/article/details/79101322

3.

https://zhuanlan.zhihu.com/p/434935274

4.

https://blog.csdn.net/wumingxiaoyao/article/details/122769640

5.

https://www.163.com/dy/article/J81P912I0518WKOQ.html

6.

https://blog.csdn.net/weixin_47792780/article/details/137216274

7.

https://ucourse.org/%E3%80%90%E5%85%AD%E8%A5%BF%E6%A0%BC%E7%8E%9B%E5%BE%AE%E8%AF%BE%E5%A0%82%E3%80%91%E8%BF%87%E7%A8%8B%E8%83%BD%E5%8A%9B%E6%8C%87%E6%95%B0cp%E5%92%8Ccpk/

8.

http://www.yizlean.com/h-nd-266.html

9.

https://www.233.com/jianli/Case/xueba/202303/06090948772093.html

在质量管理领域，直方图是一种非常重要的数据分析工具。作为质量控制七种工具之一，直方图能够直观地展示数据分布情况，帮助我们识别异常、分析质量问题。本文将介绍如何使用Python的Matplotlib库绘制高质量管理用的直方图，并结合具体案例说明其在质量管理中的应用。

首先，我们需要了解如何使用Matplotlib绘制直方图。以下是一个基本的代码示例：

import matplotlib.pyplot as plt
import numpy as np
import matplotlib

# 设置matplotlib正常显示中文和负号
matplotlib.rcParams['font.sans-serif']=['SimHei']   # 用黑体显示中文
matplotlib.rcParams['axes.unicode_minus']=False     # 正常显示负号

# 随机生成（10000,）服从正态分布的数据
data = np.random.randn(10000)

# 绘制直方图
plt.hist(data, bins=40, normed=0, facecolor="blue", edgecolor="black", alpha=0.7)

# 显示横轴标签
plt.xlabel("区间")

# 显示纵轴标签
plt.ylabel("频数/频率")

# 显示图标题
plt.title("频数/频率分布直方图")

plt.show()

在上述代码中，plt.hist函数是绘制直方图的核心。其关键参数包括：

• data：绘图数据
• bins：直方图的长条形数目，默认为10
• normed：是否将直方图向量归一化，默认为0（不归一化）
• facecolor：长条形的颜色
• edgecolor：长条形边框的颜色
• alpha：透明度

接下来，我们通过一个具体案例来说明直方图在质量管理中的应用。假设某工厂生产一批零件，需要检测其直径是否符合规格。规格要求为10±0.5mm，即直径应在9.5mm到10.5mm之间。

1. 数据收集：从生产线上随机抽取100个零件，测量其直径。

2. 绘制直方图：使用Matplotlib绘制直方图，观察数据分布情况。

# 假设这是从生产线上收集到的零件直径数据
diameter_data = np.array([...])  # 这里省略具体数据

# 绘制直方图
plt.hist(diameter_data, bins=20, normed=0, facecolor="green", edgecolor="black", alpha=0.7)

# 设置上下规格限
plt.axvline(x=9.5, color='r', linestyle='--', label='LSL')
plt.axvline(x=10.5, color='r', linestyle='--', label='USL')

# 显示横轴标签
plt.xlabel("直径（mm）")

# 显示纵轴标签
plt.ylabel("频数")

# 显示图标题
plt.title("零件直径分布直方图")

plt.legend()
plt.show()

3. 分析结果：观察直方图，我们可以得到以下信息：

• 数据分布是否集中
• 是否有异常值
• 是否有偏向性（左偏或右偏）

4. 计算过程能力指数：为了更定量地评估过程能力，我们可以计算Cp和Cpk值。

Cp（过程能力）的计算公式为：
[ Cp = \frac{T}{6\sigma} = \frac{USL - LSL}{6\sigma} ]

Cpk（过程能力指数）的计算公式为：
[ Cpk = \min\left(\frac{USL - \mu}{3\sigma}, \frac{\mu - LSL}{3\sigma}\right) ]

其中：

• T：公差范围
• σ：标准偏差
• USL：上规格限
• LSL：下规格限
• μ：平均值

通过计算Cp和Cpk，我们可以评估过程是否稳定，以及是否需要进行调整。

1. 数据收集：选择合适的抽样方法，如随机抽样、系统抽样等。样本量一般建议在20-25组以上。

2. 分组原则：合理选择分组数和组距。一般建议分组数在5-20之间，具体根据数据量和分布情况确定。

3. 正态性检验：在计算Cp和Cpk之前，需要检验数据是否符合正态分布。可以使用Shapiro-Wilk检验等方法。

4. 结果解读：结合直方图和统计指标，综合分析过程能力。注意Cpk值越大表示品质越好，一般要求Cpk≥1.33。

通过以上步骤，我们可以有效地利用直方图进行质量管理，及时发现和解决质量问题，提高生产效率和产品质量。