机器视觉判定合格，MSA 却没做过？——自动化测量系统的 MSA 五步法

某汽车零部件企业去年上了一套在线视觉检测设备：冲压件下线后自动拍照、自动比对、自动判定，不良品由机械手剔除，数据实时进 SPC 看板。计划员最喜欢的一句话是"这台设备一分钟检 120 件，比原来四个检验员还准"。年度客户审核时，审核员只问了一个问题："请出示这台设备的测量系统分析记录。"现场翻出来的，是三年前人工检验时代的 GR&R 报告——表格里"评价人"一栏填的是检验员名字，而新设备根本没有人判读，只有一个算法在跑。审核开出的不符合很干脆：企业对用于产品放行的自动化检测设备，未实施测量系统分析。

更常见的场景是：设备验收时做了一次重复性，同一个标准件连测十次，数据几乎一模一样，于是结论写"设备精度很高，MSA 合格"。这个结论站不住。它只证明了设备在同一个姿势、同一时刻很稳定，没有证明测出来的数据能代表零件的真实状态，更没有证明它真能把不良品挑出来。

一、"评价人"那一栏，自动设备填什么

人工测量系统的变差分两块：重复性（同一人、同一件、多次测）和再现性（不同人之间）。自动设备没有"人"，很多人就把表格硬套，把"评价人"填成班次、设备编号，或者填成三位操作员"负责上下料"，凑出一份看起来完整的报告。

实际情况是，自动测量系统的变差源换了一批，需要重新识别：

• 工装定位与夹持：同一零件放进夹具，三次里落位差 0.02mm，测量结果就跟着差 0.02mm；
• 零件姿态：视觉检测对方向、角度、遮挡极其敏感，零件翻转 180° 测出来可能完全不同；
• 环境：光照衰减、镜头污染、温漂、振动，这些在人工测量里由人眼部分消化，在设备里全部进数据；
• 算法与阈值：灰阶阈值调紧一点，判定结果就变一批，而算法变更往往没有版本记录；
• 标定状态：标定过期、标定块磨损，设备自己不会报警。

所以自动设备的 MSA，不是"照抄一份 GR&R"，而是要按新的变差结构重新设计实验。

二、设备不等于测量系统：先把边界划清

MSA 的第一步不是算数，是定义被测对象。自动化测量系统的边界应当写成一份清单：设备本体（相机、镜头、光源、传感器）、工装与定位机构、被测件姿态与上下料方式、软件算法与阈值参数、标定与日常点检安排、环境条件，以及人员（标定人、复核放行的人）。清单列完，再问一句：这台设备输出的数据，用于哪些产品特性的判定？

边界和用途不清，后面所有分析结论都无处归属——指标超标了，也不知道该改镜头、改定位还是改阈值。

三、数值型：把 GR&R 拆成三项变差

自动测量设备同样可以做 GR&R，但"评价人"这个因子被替换成三类变差：

重复性（设备变差）：同一个标准件不动，连续测 25～30 次，看标准差与极差，反映设备本身的稳定程度。

位姿变差：同一零件换三个姿态或三个工位重测，看结果是否一致。这是自动设备特有、也最容易被忽略的一项。

件间变差：选 10 个覆盖公差范围（含接近上下限）的样件，每件重复测 2～3 次。

%GRR 的判据沿用通用口径：小于 10% 可接受，10%～30% 有条件使用（须结合特性重要度与产品风险），大于 30% 不能用于关键特性的判定与放行。

这里有个陷阱：自动设备的重复性往往很小，于是 %GRR 看起来很漂亮。但如果样件只从合格品里挑、公差覆盖不全，件间变差被压低，这个百分比就失去了意义。样件必须覆盖过程实际波动范围，这一点比设备本身更影响结论。

四、属性型：漏检率和 Kappa 才是关键

视觉检测、通止规式的自动判定，输出的是 OK/NG，不是数值。这类设备做 GR&R 没有意义，要做的是用已知缺陷样本集验证检出能力。核心指标有三个：

• 漏检率：把不良判成合格的比率。这是最致命的指标，漏检的不良品会直接流向客户。样本集里必须包含临界缺陷——接近判定阈值、轻微但可判的划痕、尺寸刚好卡在边缘的件。
• 误判率：把合格判成不良的比率。它不伤害客户，但制造报废、返工与停线，同样要定目标值。
• 一致性：与标准判定（或与经验丰富的检验员）比对，用 Kappa 衡量。Kappa 低于 0.75 意味着判定一致性不足，需要调整算法阈值或补充人工复核。

样本集不是一次性道具。它要按缺陷类型、严重程度分层建立，并定期复验。换了光源、换了镜头、调了阈值、升级了软件版本、设备搬迁或大修之后，必须重做一次——这些变更对视觉系统的影响，往往比设备本身的磨损更直接。

五、落地五步

第一步，划边界、建档。按第二节的清单把测量系统的组成要素、用途、涉及的产品特性登记成一张台账，明确设备编号、关键参数版本与标定状态。

第二步，定特性与判据。先区分哪些特性靠数值判定、哪些靠属性判定，再分别设定判据：数值型定 %GRR 门槛与样件覆盖要求，属性型定漏检率、误判率目标与 Kappa 下限。判据要写进控制计划，不能只留在质量工程师的电脑里。

第三步，取样与实施。数值型准备标准件 1 件加覆盖公差的样件 10 件；属性型按缺陷类型建立黄金样本集，含良品与各类不良，并特意放入临界缺陷件。测量必须在设备正常生产状态下、按日常操作方式完成，不得临时调参、改姿势。

第四步，判定与改进。超标不要先去买新设备，而是先分解：重复性大，查定位、夹持、光照稳定性；位姿变差大，改工装或固定姿态；件间变差占比过小，说明样件不代表过程，重新取样再做。找到变差的主要来源再动手，比换设备便宜得多。

第五步，常态化。自动设备一旦上线就常年无人值守地"跑数据"，最容易在两年后变成一台没人验证过的黑箱。把日常点检（每日用标准件测一次并记录，必要时画趋势图）、期间核查（定期用黄金样本集复验）、变更触发重做（软件、光源、镜头、标定、搬迁）三件事写进设备管理规程，并保留全部原始记录与版本。

六、三个常见的坑

第一，把人工 GR&R 表格套在自动设备上，硬凑"评价人"。报告形式完整，实际分析的变差源根本不是这台设备真实存在的变差源。

第二，只在验收时做一次。设备验收那天状态最好，之后的镜头污染、光源衰减、算法升级都没有被验证过，此时设备给出的只是一个数字，而不是证据。

第三，只盯 %GRR 数字，不管漏检率。数值型设备数字漂亮不等于放行可靠；属性型设备的重复性再好，只要检出能力没验证过，异常件照样一批批流出去。

自动测量系统的可信度，不会因为"没有人参与"而自动获得。它需要你把变差源换成设备的语言重新问一遍：这台设备测的，是不是零件的真实状态；它挑得出的，是不是你真的不要的东西。

设备不会因为全自动就自动可信——MSA 就是把它的变差结构和检出能力问清楚的那道题。

知识编号：6.2.1

版本：v20260918

作者：卓越质量智库 卓越质量智库致力于为质量管理从业者提供系统化的专业知识、方法论与实战工具，助力企业质量能力持续提升。