一篇讲透 GRR 的正确用法

字数统计：5863字 预计阅读时间：约 12 钟

很多质量人都“做过”GRR，却很少真正“看懂”GRR。报告里一堆百分比，看似合格，却不敢拍胸口说：这个测量系统真的可靠吗？到底是量具在“抖”，还是人各有各的量法，还是样件本身选错了？更现实的是——一旦数据被拿去做SPC、能力分析、放行判定，风险就被放大了。

GRR真正的难点，从来不在公式，而在看清测量噪声从哪里来。如果测量系统本身不稳定，后面所有“数据驱动决策”，都是假精确。

这篇内容，不讲空洞标准，也不堆统计名词，而是从现场最关心的问题出发：

如何拆清重复性、再现性和零件差异？

三种GRR方法各在什么场景下用？

流程怎么设计才不“自欺欺人”？

计算结果该怎么看，才能真正指导改善？一次把GRR的方法、流程和逻辑讲明白，让你不再“算完却不敢用”。

01One

GRR在“量”的，其实不是产品，而是你能不能信任这把尺子

很多质量问题并不是“产品出了问题”，而是我们用来判断产品的那套测量方式，本身就不稳定。为什么同一个零件，今天测是合格，明天又不合格？为什么换一个人测，数据就“飘”了？

这些现象背后，并不神秘，测量结果的波动，通常只来自三个地方：

重复性（EV）：同一个人，用同一把量具，反复测同一个零件，数据自己会不会乱跳？如果这一块就很大，说明“工具或方法”本身不稳。

再现性（AV）：换不同的人来测，同一个零件，结果差得多不多？如果差异明显，问题往往不在产品，而在“人对方法的理解不一致”。

零件差异（PV）：不同零件之间，本来就存在的真实差别。这一部分，反而是我们最希望看到的差异。

GRR要做的，其实只有一件事：把你看到的所有波动拆开来看——到底是真实的产品差异，还是测量系统制造出来的“噪声”？

其中，测量系统带来的噪声，就是重复性+ 再现性。在实际项目中，行业里通常用下面的判断参考：

%GRR ≤ 10%：测量系统是可信的，可以放心使用

10% ＜ %GRR ≤ 30%：勉强可用，但存在风险，需要结合用途评估并推动改善

%GRR ＞ 30%：测量系统不可接受，数据不宜用于决策，应尽快调整方案需要特别提醒的是：这个百分比，并不是“唯一答案”。有的算法是拿总波动作对比，有的则是拿公差范围作对比，两种口径关注点不同，结论也可能不同。

真正专业的GRR分析，从来不会只给一个数字，而是会说明：这个结论，是基于什么前提得出的02Two

三种GRR方法，各自解决什么问题？别再“选错工具干对活”

我们经常看到一种情况：GRR做了，数字也算出来了，但方法本身就选错了。结果不是“算不准”，而是根本不该这么算。GRR并不是只有一种算法，不同方法，解决的是

方法一：均值–极差法（Xbar-R）——最快的“体检筛查”

这是很多人最早接触的GRR方法。

它的优点很直观：

• 计算逻辑清楚

• 不需要太多统计背景

• 非常适合现场培训和快速判断

简单理解，它做的事情是：看同一个人反复测时，数据“抖不抖”；再看换人以后，平均值“偏不偏”。

但它也有明显局限：对数据结构要求高，一旦现场存在复杂差异，结果容易失真，精度不如更高级的方法。

更适合用在这些场景：

1、量具或检具的初步筛选

2、快速判断一把量具是否“明显不靠谱”

3、人员、零件、重复次数都比较规范、标准的情况（例如：3个人 × 10件 × 每件测2～3次）它更像一次快速体检，告诉你“有没有大问题”。

方法二：方差分析法（ANOVA GRR）——最可靠的“精密诊断”

这是目前最常用、也是最推荐的GRR方法。

它最大的价值在于：不仅能分清是人、是量具，还是零件的问题，还能识别“人和零件之间的交互影响”。

通俗点说：有些人不是“测得不好”，而是对某一类零件特别容易偏，这种问题，只有ANOVA才能看出来。

它的优势在于：

• 统计模型更完整

• 面对复杂现场情况更稳健

• 结果更容易被外部认可

典型适用场景包括：

• 关键特性、特殊特性的测量

• 需要提交给客户或第三方的正式GRR报告

• 怀疑不同人员测量“风格差异”明显的情况

如果说Xbar-R是体检，ANOVA更像一次全面体检+ 专科检查。

方法三：属性一致性分析（Kappa）——给“判定型检验”用的

并不是所有检验，都能用数字表示。很多现场工作，其实是在做判断：1、合格/ 不合格2、有缺陷/ 无缺陷3、A / B / C等级

这类数据，本身就不适合用计量型GRR，否则算得再认真，结论也是错的。

属性一致性分析关注的不是“差多少”，而是：

• 同一个人，前后判定是否一致

• 不同人之间，判定是否一致

• 判定结果，是否和标准样件或主判一致

常见应用场景包括：

• 外观判定

• 缺陷分类

• 拉力合格/ 不合格判定

• 一切无法用连续数值表达的检验

在现场，很多人也会把它叫做“属性GRR”。从专业角度看，它属于MSA中的一致性评估，但在管理实践中，这样理解并没有错。

强调的一点是：GRR不是“算哪种更高级”，而是——你面对的测量问题，到底是哪一类？方法选对了，数字才有意义；方法选错了，结论只会更自信地走向错误。

03ThreeGRR 标准流程：不是“算一次”，而是验证测量是否可信

无论采用哪种GRR 分析方法，流程本身比工具更重要。真正有效的 GRR，并不是把数据丢进软件，而是按一条清晰的逻辑，逐步验证：这个测量结果，到底能不能被信任。

Step 1：先选量具，更要先想清楚“目的”

在开始之前，必须先回答一个问题：这次GRR 是用于过程控制、产品放行判定，还是能力研究？不同目的，对测量误差的容忍度完全不同。如果目的不清，后面的“合格 / 不合格”结论本身就没有意义。

Step 2：选样品——关键不在数量，而在“代表性”

通常推荐选10 件样品，覆盖过程中的正常波动范围。样品不能太“集中”，否则零件间差异（PV）太小，会人为放大 %GRR；也不能选明显异常或超规格的零件，否则结果会偏离真实过程。

Step 3：选人员与重复次数——模拟真实使用场景

常见设计是：3 名检验员（代表不同班组或经验水平），每人对每件零件测量2~3 次。测量顺序必须随机，最好是盲测（遮挡件号），避免记忆对结果造成干扰。

Step 4：统一测量方法，否则结果没有意义

在做GRR 之前，必须确认：测量点位一致、夹持与定位方式一致、读数规则一致。否则你看到的“人为误差（AV）”，本质上只是方法不统一。

Step 5：记录与计算——软件只是工具，不是答案

可以使用MSA 软件（如 Minitab）进行计算，但前提是你理解背后的逻辑。否则报告很容易变成“看不懂、也不敢质疑”的黑箱。

Step 6：判定结果，更要形成改善闭环

GRR 的价值不在“结果是多少”，而在“问题出在哪里”。-是设备重复性（EV）偏大？-是人员差异（AV）明显？-还是存在显著的交互效应？

不同原因，对应的改善方向完全不同。GRR 不是一次性评估，而是测量系统持续改进的起点。

04Four计算里的关键量：GRR不是算出来的，是“拆出来的”

在正式进入计算之前，先说一句容易被忽略的话：GRR的计算不是为了显得专业，而是为了把“混在一起的波动”拆清楚。

下面以连续型（计量型）GRR为例说明。

一、GRR是怎么被“拆开”的？

从统计角度看，测量结果的波动，并不是一整块，而是由几部分叠加而成：GRR（测量系统变差），来自测量本身

它由两部分组成：

1、oEV：量具和方法在同一人重复测量时产生的波动

2、oAV：不同人员之间带来的差异PV（零件变差），来自产品本身的真实差异

所以在逻辑上，整个关系可以理解为：你看到的“总波动”，一部分是真实产品差异，一部分是测量系统制造的噪声。统计上常用的表达是：总变差= 测量系统变差 + 零件真实变差（在计算中，体现为方差相加、标准差用平方和开方）GRR不是在“评价产品”，而是在问——如果产品没变，测量结果还会不会乱跳？

二、为什么会有两种%GRR？差别不在算法，在“参照物”

在实际报告中，最容易让人困惑的，是：同一套数据，用不同口径算%GRR，结论却不一样。这是因为，%GRR本身是一个“相对值”，关键在于你拿什么来当参照。

口径一：相对总波动（TV）

这种算法关注的是：你现在看到的所有波动里，有多少比例来自测量系统。

如果测量系统占比很高，说明数据里“噪声”很多，无论做趋势分析还是能力分析，都不太可靠。

口径二：相对公差（T）

这种算法关注的是：测量系统自身的波动，在公差范围里占了多大空间。它更偏向于放行判定相关的场景：如果测量误差已经接近甚至吃掉了大半个公差，那么“合格 / 不合格”的判断本身就有风险。

两种算法没有对错，但关注的问题不同。因此，一份专业的GRR报告，必须明确说明：用的是哪一种口径，结论适用于什么用途。

三、Xbar-R 法在“算”的，其实是什么？

Xbar-R 法的核心思想，可以用一句话概括：用“极差”，去反推测量的稳定程度。

它大致做了三件事：

1.看同一个人，对同一零件多次测量时，最大值和最小值差多少

2.把这些差值做平均，得到一个“典型波动水平”

3.再通过统计常数，把这个波动换算成标准差

由此得到的，主要是重复性（EV）；而不同人员测量结果“平均值之间的差异”，则用于估计再现性（AV）。

你不需要记住公式，只需要记住一件事：

• EV来自“同一个人反复测，还不稳定”

• AV来自“换一个人，整体水平就变了”

四、ANOVA 为什么更“聪明”？

ANOVA 的优势，不在于算得更复杂，而在于拆得更细。它把总波动分成几块来看：

• 零件之间的差异（PV）

• 人与人之间的差异（AV）

• 同一个人重复测量的误差（EV）

• 以及——人和零件之间是否存在“交互影响”

所谓交互，通俗地说就是：有些人不是“测得好或不好”，而是对某些零件特别容易偏，对另一些却没问题。一旦这种交互显著，问题通常不在“多培训几次”，而更可能出在：1、定位方式、测量基准、夹具设计、零件形态对测量的影响等。

2、这正是ANOVA 在复杂现场中更可靠的原因。

3、计算本身，并不是GRR的难点。4、真正重要的是：你是否通过这些计算，找到了噪声真正的来源。

如果算完以后，你能清楚回答：

• 噪声主要来自量具，还是来自人？

• 是方法问题，还是结构性问题？

• 接下来该改什么，而不是“再算一次”？

在咨询中我们最常看到的一种误区是：报告一到手，第一眼就盯着%GRR，看合不合格。但真正有价值的判断，恰恰不在这个数字本身，而在它背后“是谁在制造波动”。一份GRR报告，建议按下面这个顺序去看。

第一步：先看EV ——工具和方法稳不稳

EV（重复性）大，说明即使是同一个人反复测量，结果也不稳定。这类问题，通常不是“人”的问题，而是工具或测量条件的问题。

常见原因包括：

• 量具分辨力不够，刻度或读数精度本身偏粗

• 量具状态不好，比如磨损、回零不稳、夹持不牢

• 环境干扰明显，如温度波动、振动、清洁度不足

• 测量方法不稳定，例如定位方式不一致、受力大小变化

改善方向通常很明确：不是再培训人，而是换更合适的量具或夹具，统一定位方式，改善环境条件，提升分辨率和稳定性。

第二步：再看AV ——是不是“每个人量的都不一样”

如果AV（再现性）偏大，说明换一个人，测量结果就系统性地发生变化。这类问题，往往不是“某个人不认真”，而是大家对“怎么量”理解不同。

常见原因包括：

• 测量点位或基准理解不一致

• 受力方式、读数规则各有各的习惯

• 人员技能差异大，新老员工标准不一致

• 测量流程缺乏清晰、可执行的统一规范

对应的改善方向是：把“经验里的量法”，变成“写清楚的标准”。包括统一作业指导、用样件对齐理解、明确测量点位，并通过必要的培训和考核，确保大家真的按同一套方法在测。

第三步：最后看PV ——别把“选样问题”当成量具问题

有时%GRR 看起来偏大，并不是量具或人员出了问题，而是PV（零件间差异）太小。

这通常意味着：你选的样件，本身就差不多，几乎没有真实差异，在这种情况下，测量系统的波动比例自然会被放大。

常见情形包括：

• 样件过于集中，只选了“看起来差不多”的零件

• 只取了同一批次、同一状态下的产品，过程波动没有体现出来

这类问题的对策，不是换量具，也不是改方法，而是重新选样，让样件真正覆盖过程的正常波动范围。真正成熟的GRR解读，从来不是一句“合格 / 不合格”。

而是能回答清楚三件事：

• 波动主要来自工具、来自人，还是来自样件选择？

• 这是能力问题、方法问题，还是设计问题？

• 下一步的改善，应落在哪个环节，而不是“再算一次GRR”？

如果你的检查结果只是合格/ 不合格（OK / NG），或是 A / B / C 这种等级判断，那就不适合用计量型GRR，而应该看**“判断是否一致”，也就是属性一致。

简单来说，它主要看三件事：

• 同一个人，前后判断一不一样

• 不同的人，判断结论一不一样

• 大家的判断，和“标准答案”一不一样

一致性常用Kappa 值来表示，数值越高，说明判断越稳定、越可靠：

• 大于0.75：判断一致性好

• 0.4～0.75：一般，有风险

• 小于0.4：不可靠

需要特别提醒的是：判断不一致，很多时候不是人不行，而是“什么算问题”没有说清楚。比如标准样板不统一、边界模糊、判定条件太主观。

GRR真正想告诉你的，其实只有一句话：如果测量本身不可靠，后面所有数据分析，都是建在沙子上的。

所以，做GRR别只想着“过不过线”，而要想清楚三件事：

• 问题主要来自工具，还是来自人的判断？

• 应该换工具、改方法，还是把标准说清楚？

• 改完以后，能不能再验证一次，确认真的变好了？