VDA5系列-09-属性检验——计数型测量系统分析（不测数字，只做判断）

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：

1. 使用标准缺陷图片

2. 制定详细的判定标准

3. 双人检验重要部件

4. 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：

1. 使用装配图纸

2. 详细的检验清单

3. 工具辅助（力矩扳手）

4. 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：

1. 使用标准色板

2. 光照标准化

3. 颜色测量设备辅助

4. 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

1. 制定标准：详细、清晰的检验规范

2. 视觉辅助：使用图片、样板、卡片

3. 培训认证：系统化培训和认证考核

4. 交叉验证：双人检验、抽样复验

5. 技术辅助：使用机器视觉等自动化设备

6. 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！