Skip to content
กลับไปยังผลการค้นหา

การวิเคราะห์ผลสะสมของความคลาดเคลื่อน (Tolerance Stack-up)

ผู้เสนอ
Drake, P. J.
ปี
2006
ประเภท
Method for analyzing tolerance accumulation in assemblies
กลุ่มวิธี
Dimensional analysis

ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ

ขนาดตัวอักษร

ใช้ทำอะไร?

การวิเคราะห์ผลสะสมของความคลาดเลื่อนเป็นวิธีการทำนายผลกระทบสะสมของความคลาดเคลื่อนในการผลิตต่อมิติสุดท้ายและการประกอบเข้ากันของชิ้นส่วนประกอบ เมื่อนำชิ้นส่วนที่มีความคลาดเคลื่อนเฉพาะมาประกอบเข้าด้วยกัน ความคลาดเคลื่อนของชิ้นส่วนเหล่านั้นจะรวมกันในลักษณะที่ซับซ้อน ซึ่งมักจะให้ผลลัพธ์ที่แย่กว่าชิ้นส่วนแต่ละชิ้น การวิเคราะห์ผลสะสมช่วยให้มั่นใจได้ว่าการประกอบขั้นสุดท้ายจะทำงานได้อย่างถูกต้องแม้จะมีความคลาดเคลื่อนของชิ้นส่วนแต่ละชิ้น หรือระบุได้ว่าจำเป็นต้องใช้ความคลาดเคลื่อนที่เข้มงวดกว่าที่ใด

แนวคิดเบื้องหลังวิธีการ

แนวคิดหลักคือความคลาดเคลื่อนจะสะสมผ่านสายโซ่ของการประกอบ: ชิ้นส่วนแต่ละชิ้นมีส่วนในการเปลี่ยนแปลงมิติ และการเปลี่ยนแปลงเหล่านี้จะทวีคูณ มีสองแนวทางหลัก: การวิเคราะห์กรณีเลวร้ายที่สุด (worst-case analysis) จะสมมติว่าชิ้นส่วนทั้งหมดสะสมไปสู่ขีดจำกัดพร้อมกัน (เป็นการเผื่อความปลอดภัย รับประกันการประกอบเข้ากันได้) ในขณะที่การวิเคราะห์ทางสถิติ (root-sum-square) จะสมมติว่าความคลาดเคลื่อนมีการกระจายแบบสุ่ม (สมจริงสำหรับการผลิตปริมาณมาก ประหยัดกว่า) วิศวกรจะเลือกวิธีการโดยพิจารณาจากระดับความเสี่ยงที่ยอมรับได้ ปริมาณการผลิต และความสำคัญของการทำงาน

ประวัติศาสตร์

การวิเคราะห์ผลสะสมของความคลาดเคลื่อนมีต้นกำเนิดมาจากการปฏิบัติทางวิศวกรรมมิติในช่วงกลางศตวรรษที่ 20 ซึ่งได้รับการกำหนดรูปแบบในอุตสาหกรรมยานยนต์และอากาศยาน วิธีการกรณีเลวร้ายที่สุดเป็นมาตรฐานจนถึงช่วงทศวรรษ 1970-1980 เมื่อวิธีการทางสถิติ (ขับเคลื่อนโดยขบวนการคุณภาพของญี่ปุ่นและวิธีการของ Taguchi) ได้รับการยอมรับสำหรับการผลิตปริมาณมาก แนวทางสมัยใหม่ผสมผสานทั้งสองวิธี: กรณีเลวร้ายที่สุดสำหรับคุณลักษณะที่สำคัญ และทางสถิติสำหรับมิติที่ไม่สำคัญ เครื่องมือซอฟต์แวร์ทำให้การวิเคราะห์มีความเป็นไปได้สำหรับการประกอบที่ซับซ้อน

ควรใช้เมื่อใด

ใช้การวิเคราะห์ผลสะสมของความคลาดเคลื่อนสำหรับการประกอบที่มีหลายชิ้นส่วน โดยเฉพาะอย่างยิ่งเมื่อการประกอบเข้ากันได้หรือระยะห่างมีความสำคัญ เป็นสิ่งจำเป็นในอุตสาหกรรมยานยนต์ การบินและอวกาศ เครื่องจักรความแม่นยำ และอิเล็กทรอนิกส์สำหรับผู้บริโภค นำไปใช้ในระหว่างการออกแบบเพื่อมีอิทธิพลต่อการตัดสินใจเกี่ยวกับความคลาดเคลื่อน สมมติว่าความคลาดเคลื่อนของชิ้นส่วนเป็นอิสระและมีการกระจายแบบปกติ ตรวจสอบสมมติฐานสำหรับการเปลี่ยนแปลงที่ขึ้นต่อกัน

ข้อจำกัดและข้อควรพิจารณา

  • การวิเคราะห์กรณีเลวร้ายที่สุดมักจะเผื่อมากเกินไป ทำให้ต้นทุนเพิ่มขึ้นโดยไม่จำเป็น
  • การวิเคราะห์ทางสถิติต้องใช้การผลิตปริมาณมากและอาจเกิดข้อผิดพลาดในบางหน่วยเป็นครั้งคราว
  • ไม่คำนึงถึงการเปลี่ยนแปลงในการผลิตแบบเป็นระบบ (ที่ไม่สุ่ม) หรือการเปลี่ยนแปลงของกระบวนการ
  • ผลกระทบของความคลาดเคลื่อนทางเรขาคณิต (ความเป็นฉาก การหมุน ตำแหน่ง) ทำให้การวิเคราะห์ซับซ้อนเกินกว่าการสะสมเชิงเส้นอย่างง่าย
  • การสึกหรอของเครื่องมือและการขยายตัวเนื่องจากความร้อน ซึ่งแปรผันตามเวลาและอุณหภูมิ เป็นสิ่งที่รวมเข้ากับการวิเคราะห์ได้ยาก

เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้

จุดแข็ง

  • ทำนายการประกอบเข้ากันได้โดยไม่ต้องสร้างต้นแบบและทดสอบที่มีค่าใช้จ่ายสูง
  • ระบุว่าความคลาดเคลื่อนของชิ้นส่วนใดมีความสำคัญต่อการทำงานของการประกอบโดยรวม
  • ช่วยเพิ่มประสิทธิภาพต้นทุนโดยการผ่อนคลายความคลาดเคลื่อนที่ไม่สำคัญในขณะที่ทำให้ความคลาดเคลื่อนที่สำคัญเข้มงวดขึ้น
  • การวิเคราะห์กรณีเลวร้ายที่สุดรับประกันการทำงาน 100%; การวิเคราะห์ทางสถิติช่วยลดต้นทุนสำหรับผลิตภัณฑ์ปริมาณมาก
  • สนับสนุนการทำซ้ำการออกแบบเพื่อค้นหาการกระจายความคลาดเคลื่อนที่คุ้มค่าทางเศรษฐกิจ

การประยุกต์ใช้

  • การประกอบยานยนต์: การวิเคราะห์การประกอบเสื้อสูบ เพลาส่งกำลัง และระบบกันสะเทือน เพื่อให้แน่ใจว่าการประกอบเข้ากันได้และระยะห่าง
  • อากาศยาน: การรับรองความคลาดเคลื่อนที่เข้มงวดในการประกอบลำตัวและชุดล้อลงจอด เพื่อลดน้ำหนักและรักษาความสมบูรณ์ของโครงสร้าง
  • อุปกรณ์ทางการแพทย์: การวิเคราะห์ความคลาดเคลื่อนในกระบอกฉีดยา สายสวน และอุปกรณ์ฝังใน เพื่อให้แน่ใจในความปลอดภัยและการทำงาน
  • อิเล็กทรอนิกส์สำหรับผู้บริโภค: การปรับปรุงความคลาดเคลื่อนของชิ้นส่วนในสมาร์ทโฟนและแล็ปท็อป เพื่อลดต้นทุนพร้อมทั้งรับประกันความสำเร็จในการประกอบ

วิธีการทำงาน

วิธีการทำงาน

1

กำหนดโครงสร้างการประกอบ: รูปทรงเรขาคณิตของชิ้นส่วน มิติตามชื่อ (nominal dimensions) ความคลาดเคลื่อนที่ระบุ และลำดับการประกอบ

2

ระบุข้อกำหนดในการทำงาน: มิติของการประกอบใดที่สำคัญ (เช่น ระยะห่าง การสอดแน่น) และขีดจำกัดผลสะสมที่ยอมรับได้คือเท่าใด

3

เลือกวิธีการวิเคราะห์: กรณีเลวร้ายที่สุด (รวมความคลาดเคลื่อนทั้งหมด) สำหรับการประกอบที่สำคัญ หรือทางสถิติ (root-sum-square) สำหรับการผลิตปริมาณมาก

4

คำนวณความคลาดเคลื่อนสะสม: กรณีเลวร้ายที่สุดจะบวกความคลาดเคลื่อนของชิ้นส่วนทั้งหมดแบบเลขคณิต ส่วนทางสถิติจะรวมกำลังสองของความคลาดเคลื่อนเหล่านั้นและหารากที่สอง เปรียบเทียบกับขีดจำกัดในการทำงาน

5

หากผลสะสมเกินขีดจำกัด ให้ระบุว่าชิ้นส่วนใดเป็นตัวขับเคลื่อนการสะสม และทำให้ความคลาดเคลื่อนของชิ้นส่วนเหล่านั้นเข้มงวดขึ้น ทำซ้ำการออกแบบเพื่อบรรลุทั้งการทำงานและความคุ้มค่าทางเศรษฐกิจ

ข้อผิดพลาดที่พบบ่อย

  • การสับสนระหว่างวิธีการกรณีเลวร้ายที่สุดและวิธีการทางสถิติ; การใช้วิธีการทางสถิติกับการประกอบที่สำคัญต่อความปลอดภัยโดยไม่มีการตรวจสอบ
  • การละเลยเส้นทางการสะสมรอง; การมุ่งเน้นเฉพาะมิติหลักที่เห็นได้ชัดเพียงอย่างเดียว ในขณะที่พลาดการสะสมผ่านเส้นทางอื่น
  • การสมมติว่าการกระจายความคลาดเคลื่อนมีความสมมาตร ในขณะที่กระบวนการผลิตมีความไม่สมมาตร (เช่น ด้านหนึ่งเข้มงวดกว่า)

คำถามที่พบบ่อย

เมื่อใดที่ควรใช้วิธีการวิเคราะห์ความคลาดเคลื่อนแบบกรณีเลวร้ายที่สุดเทียบกับแบบทางสถิติ

ใช้วิธีการกรณีเลวร้ายที่สุดสำหรับฟังก์ชันที่สำคัญต่อความปลอดภัย การผลิตปริมาณน้อย หรือเมื่อความเสี่ยงของความล้มเหลวในการประกอบเป็นสิ่งที่ยอมรับไม่ได้ ใช้วิธีการวิเคราะห์ทางสถิติสำหรับการผลิตปริมาณมาก (โดยทั่วไปคือ >10,000 หน่วย) การใช้งานที่อ่อนไหวต่อต้นทุน และเมื่อยอมรับได้ที่จะมีชิ้นส่วนที่นอกเหนือข้อกำหนดเป็นครั้งคราว แนวทางแบบผสมผสานเป็นเรื่องปกติ: กรณีเลวร้ายที่สุดสำหรับคุณลักษณะที่สำคัญ และทางสถิติสำหรับสิ่งที่ไม่สำคัญ

จะทราบได้อย่างไรว่าชิ้นส่วนใดมีอิทธิพลต่อผลสะสมมากที่สุด

การวิเคราะห์ความไว (Sensitivity analysis) แสดงให้เห็นว่าความคลาดเคลื่อนของชิ้นส่วนแต่ละชิ้นมีส่วนต่อผลสะสมทั้งหมดมากน้อยเพียงใด ชิ้นส่วนที่มีความคลาดเคลื่อนมากที่สุดหรืออยู่ใกล้กับมิติเป้าหมายมากที่สุดมักจะมีอิทธิพลมากที่สุด การวิเคราะห์พาเรโต (Pareto analysis) มักแสดงให้เห็นว่า 20% ของชิ้นส่วนเป็นตัวขับเคลื่อน 80% ของความแปรปรวน

จะทำอย่างไรหากการวิเคราะห์ผลสะสมแสดงว่าการประกอบไม่สามารถเข้ากันได้

ทางเลือก ได้แก่ การทำให้ความคลาดเคลื่อนของชิ้นส่วนที่สำคัญเข้มงวดขึ้น (เพิ่มต้นทุน) การออกแบบลำดับการประกอบใหม่ การใช้แผ่นรอง (shims) หรือการปรับแต่ง หรือการผ่อนคลายข้อกำหนดในการทำงานหากเป็นไปได้ การทำซ้ำกับทีมออกแบบและฝ่ายผลิตมักจะพบวิธีแก้ปัญหาที่คุ้มค่า

สามารถใช้การวิเคราะห์ผลสะสมของความคลาดเคลื่อนกับการประกอบที่ไม่เป็นเชิงเส้นได้หรือไม่

การสะสมเชิงเส้น (ผลรวมเลขคณิตหรือ RSS ของความคลาดเคลื่อน) เป็นวิธีที่ตรงไปตรงมาที่สุด การประกอบที่ไม่เป็นเชิงเส้น (เช่น ความคลาดเคลื่อนเชิงมุม ข้อจำกัดทางเรขาคณิต) ต้องอาศัยการวิเคราะห์ที่ซับซ้อนกว่า เช่น การจำลองแบบมอนติคาร์โล (Monte Carlo simulation) หรือการวิเคราะห์ความคลาดเคลื่อนสามมิติโดยใช้เครื่องมือ CAD

วิธีการที่เกี่ยวข้อง

แหล่งอ้างอิง

  1. Drake, P. J. (2006). Dimensioning and Tolerancing Handbook (2nd ed.). McGraw-Hill.

    ISBN: 0-07-145215-8
    คัดลอกแล้ว
  2. Harris, K. (1999). Engineering Tolerance Stack-up and Analysis. Society of Automotive Engineers.

    ISBN: 0-7680-0343-0
    คัดลอกแล้ว
  3. Graves, S. C., & Redfield, C. (2005). Tolerance stack analysis of automotive assemblies. Journal of Manufacturing Science and Engineering, 127(3), 645-652.

    เปิดเอกสารอ้างอิงสิ่งพิมพ์
    คัดลอกแล้ว