测量系统分析 MSA
在分析过程、比较方案或训练 AI 之前，先确认产生这些数据的测量系统是否可靠。
本页面将根据你的测量场景，识别适合的 MSA 方法，推荐人员、样品与重复次数， 并生成可直接交给 AI 使用的专业提示词。
MSA 究竟验证什么？
MSA 不是在判断产品好不好，而是在验证： 产生这些数据的测量过程，是否足够稳定、一致，并且能够识别真实差异。
你看到的差异，
不一定都来自产品本身。
两个测量结果不同，可能是样品真的不同，也可能只是设备、方法、人员或环境带来的测量波动。 MSA 的任务，就是把这两类来源尽可能分开。
样品本身确实不同
设备、人员、方法与环境造成
同一个人重复测量，结果稳定吗？
同一个测量者、同一台设备、同一种方法，对同一个样品重复测量时， 结果是否足够接近。
换一个人或条件，结果还一致吗？
不同测量者、不同设备或不同测量条件，对同一个样品测量时， 是否得到一致的结果。
测量系统能分辨真实差异吗？
当两个样品确实不同时，测量系统能否识别这种差异， 而不是让测量噪声把差异淹没。
如果结果是“合格 / 不合格”，关注的是判定是否一致、是否正确。
这类数据不能用普通 Gage R&R 处理，而应评估同一评价者的重复一致性、 不同评价者之间的一致性，以及评价者与标准答案的一致性。
只做一次校准 校准确认设备与标准的关系，MSA 关注整个实际测量过程。
只检查设备精度 人员、取样、装夹、方法和环境同样可能带来变差。
证明产品合格 MSA 验证的是数据是否可信，而不是产品是否满足规格。
先看结果长什么样，再决定用哪种 MSA
不需要先记住连续型或离散型的定义。选择最接近实际记录结果的形式，确认后直接进入对应的研究设计。
你的最终结果通常以什么形式记录？
按实际记录方式选择，不要按软件中的列格式选择。
能否计算平均值，不是唯一标准。关键是结果是否表示可测量的量值，以及数值差异是否具有稳定、连续的实际意义。
计量型：长度、重量、温度、时间和强度等可测量量值。
计数型：事件发生数量或缺陷个数，虽然是数字但只能取整数。
分类型：合格/不合格、缺陷类别或等级评分。
把方法选对以后，再把研究设计做对
选择人数、样品数和重复次数。这里优先给出现场真正用得上的 5、8、10 个样品方案。
下方标签使用网页锚点切换，不依赖脚本。
返回判断树 ↑交叉型 Gage R&R
每个测量者或设备都能对同一组样品重复测量，测量过程不会明显改变样品。
3 人更容易识别再现性问题；资源有限时可先用 2 人。
5 个用于快速筛查；8 个兼顾效率与覆盖；10 个是更稳妥的常规方案。
常规起始研究用 2 次；高风险或测量噪声较大时用 3 次。
Attribute Agreement Analysis
结果是合格/不合格、缺陷类别、等级或评分，重点是判定是否稳定、一致并尽可能正确。
3 名评价者更容易发现判定标准理解不一致。
5 个用于试跑；正式研究更建议 8–10 个，并刻意加入边界样品。
每一轮都必须重新随机化，不能看到上一轮答案。
破坏性测试与嵌套型设计
不同人员无法测量同一个样品时，样品差异会与人员差异混在一起。需要先确认母样、子样、批次和同质性。
例如同一批材料或相邻位置试片。
必须保留批次与样品之间的结构。
有替代方法时应优先评估。
目标不同，设计和方差分解也不同。
计数结果与自动检测系统
先验证人员对缺陷识别是否一致，再比较总数。
重点看漏检、误检、重复计数和阈值。
按有序分类处理，可考虑 Weighted Kappa。
保存逐缺陷或逐事件匹配，而不只保存总数。
5、8、10 个样品是面向现场执行的实用选项。样品数量少时，样品代表性和边界覆盖尤其重要，不能用“随便拿几件正常品”代替研究设计。