在六西格玛的项目实践中，数据是决策的基石。

不可靠的测量系统，会让所有数据分析毫无意义。

一、为什么要做 MSA？

测量系统分析（MSA）是一门专门评估数据可信度的技术，是六西格玛改善中不可或缺的环节。
这句话道破了测量的本质 —— 测量的结果天生存在变异。

这种变异可能来自测量设备、操作人员、测量方法等多个维度。

测量(Measurement)是一个过程：

就是给具体事物赋值的过程:

过程的输入是人、机、料、法、环等;

过程的输出是一个值。

测量(Measurement)也是一个系统：

人(及其培训)、过程(测量程序)、设备(量具或测量工具)及所有这些因素的相互作用。

测量系统分析 (Measurement System Analysis)其实就是在回答一个问题:"通过这个系统收集到的数据是可靠的吗?"

如果测量系统本身的误差过大，我们就无法区分 “产品的真实差异” 和 “测量带来的差异”，最终导致错误的决策：把合格产品判为不合格，或是把不合格品放进合格品里。

因此，MSA 的目标，就是评估测量系统的分辨力、准确度、精确度，确保它能真实反映产品的特性。

二、测量系统的三项特性

一个理想的测量系统，需要满足 “零偏倚、零变异” 的要求。实际应用中，我们主要关注三个特性：

分辨力：测量设备的 “视力”

分辨力是测量设备能够识别的最小测量单位。比如某台卡尺能识别 0.01cm 的变化，那 0.01cm 就是它的分辨力。

这里需要注意：测量设备的分辨力，必须≤公差10%或过程变异的 10%。分辨力不足的设备，就像近视眼，看不清产品的真实差异。

准确度：测量结果的 “准度”

准确度描述测量值与真实值的接近程度，主要通过三个指标衡量：

偏倚：同一部件测量值的平均值与基准值的差异。比如用天平称标准砝码，基准值是 0.025g，测量均值却是 0.03g，这 0.005g 就是偏倚。

线性：在量程范围内，偏倚与基准值是否存在线性关系。

简单来说，就是设备在测量小尺寸和大尺寸时，偏倚是否一致。

稳定性：偏倚随时间的变化情况。比如同一台设备，今天测和下个月测的偏倚是否稳定，有没有漂移。
精确度：测量结果的 “精度”精确度描述测量结果的一致性，主要看重复性和再现性，也就是我们常说的 Gage R&R。

精确度的模型：

测量系统变异 = 重复性变异 + 再现性变异

总体变异 = 产品真实变异 + 测量系统变异。

重复性：同一个操作员，用同一量具，多次测量同一零件的同一特性，测量值的变差。

它反映的是测量设备本身的波动。

再现性：不同操作员，用相同量具，测量同一零件的同一特性，测量均值的变差。

它反映的是操作人员之间的差异。

三、计量型数据 MSA：

计量型数据是指可以连续取值的数据，比如长度、重量、直径等。

前期准备

选择 2-3 名操作员，10 个覆盖全流程的零件，避免选连续零件；

校准测量设备，确保设备处于正常状态；

创建数据收集表格，明确测量要求。

数据收集

让操作员以随机顺序测量所有零件，每个零件测量 2-3 次，记录数据。随机顺序能避免操作员的记忆误差。

数据分析

通过方差分析等方法，计算重复性（EV）、再现性（AV）、% R&R、% P/T、明显分类数（NDC）等指标。

一般来说，% R&R＜10%，测量系统可接受；

10%≤% R&R≤30%，需根据测量对象的重要性判断；

% R&R＞30%，测量系统不可接受，需改进;

NDC＞5分辨力才足够。
结果判定与改进

若测量系统不合格，需分析原因：是设备精度不够？还是操作员方法不统一？针对性解决后，重新进行 Gage R&R 分析。

四、属性类数据 MSA：一致性分析方法

属性类数据是指离散取值的数据，比如合格 / 不合格、良品 / 次品等。

这类数据的 MSA，主要围绕一致性分析展开，关注四个维度：

评价者自身一致率（重复性）：

同一个人多次测量同一批样品，结果的一致程度；

评价者之间一致率（再现性）：

不同人测量同一批样品，结果的一致程度；

与标准一致率（准确性）：

测量结果与已知标准的符合程度；

Kappa 值：

衡量测量系统比 “随机猜测” 好多少，Kappa 值越高，测量系统越可靠。

离散型 MSA 的实操步骤：

选取 30-50 个覆盖流程的样本，包含不同合格状态的产品；

安排 2-3 名评价者，随机顺序测量样本，且评价者之间互不干扰；

重复测量一轮，统计上述四个一致性指标；

若一致率或 Kappa 值不达标，需统一评价标准、培训评价者，再重新分析。

五、MSA 常见误区解析
误区一：设备定期校准，就不用做 MSA 了。

校准只能消除或减少偏倚，但无法评估重复性和再现性。

校准≠MSA，两者缺一不可。

误区二：Gage R&R 分析只做一次就够了。

测量系统的性能会随时间变化，建议定期复评，尤其是设备维修后、人员变动后。

误区三：属性类数据不用做 MSA。

合格 / 不合格的判断，同样受评价者主观因素影响。

属性类 MSA，能避免人为主观误差导致的误判。

只有确保测量系统可靠，后续的数据分析、改善措施才有意义。

希望今天的内容，能帮到你。

学六西格玛，认准自习人！

添加六六老师微信：zixiren666

免费领取六西格玛备考资料包

[自习人课堂]六西格玛绿带与黑带备考“四件套”：视频课、直播课、有解析的专业题库、答疑服务，助你通过考试！