Печалби:
- Възможност за интерпретиране на контролни диаграми (X-bar/R, p, c) и индекси на капацитета на процеса (Cp, Cpk)
- Възможност за ускоряване на сканирането и докладването на сигнали извън контрол (правилата на Western Electric) с AI
- Възможност за валидиране на статистическата интерпретация на AI със сурови данни и реалност на физическия процес
Качеството не се „сортира“ чрез проверка, то се „произвежда“ от процеса. Статистическият контрол на процеса (SPC) има за цел да направи точно това: наблюдение на процеса в реално време и улавяне на сигнали, преди грешките да станат продукти. Силата на SPC се крие в разграничаването на естествената (обща причина) променливост от необичайната (специална причина) променливост. В тази област изкуственият интелект ускорява интерпретацията на контролната диаграма, сканирането на правилата и отчитането на уменията; но човешката работа е да смеси статистическата интерпретация с реалността на физическия процес. В тази част ще обхванем контролни диаграми, индекси на професионализъм Cp/Cpk и правилната роля на AI в SPC.
Две лица на променливостта
Всеки процес включва променливост. SPC разделя тази променливост на две:
- Честа причина: Случайна, предвидима флуктуация, присъща на процеса. Процесът е "под контрол".
- Специална причина: Външно събитие, което може да бъде присвоено (счупване на инструмента, промяна на партидата на суровината, промяна на настройките). Процесът е "извън контрол".
Единствената цел на контролната карта е да раздели двете. Реагирането на флуктуация по обща причина (свръхнастройка / "подправяне") всъщност увеличава променливостта. Класическият „фуниен експеримент“ на Деминг показва това: намесата при всяко отклонение влошава нещата.
Съвет: Никога не бъркайте контролните граници (UCL/LCL) с границите на толеранс (спецификация). Контролните граници са „гласът“ на процеса (изчислен от данни); допустимите граници са "гласът" на клиента (идва от дизайна). AI понякога ги бърка; Посочете ясно за коя говорите във всеки коментар.
Типове контролни диаграми
Диаграмата се избира според типа данни.
Графика
Тип данни
пример
X-бар/R
Непрекъснато (измерване), подгрупа
Среден диаметър на вала и хлабина
X-бар/S
Непрекъсната, голяма подгрупа
Тегло на пълнежа
I-MRI
Непрекъснато еднократно измерване
Еднократно измерване на ден
p/np
Дискретна, дефектна скорост/номер
Коефициент на дефектни части
c/u
Дискретни, брой дефекти
Дефекти на единица
На диаграма X-bar/R контролните граници се изчисляват от средните стойности на подгрупите и обхватите:
UCL_xbar = X-двоен бар + A2 × R-barLCL_xbar =
Сигнали извън контрол (Правила на Western Electric)
Излизане на точка извън границите не е единственият сигнал. Правилата на Western Electric (Nelson) също улавят модели:
- Точка е извън 3σ (извън границите).
- Последователни 2/3 точки след 2σ (от същата страна).
- 4/5 последователни точки над 1σ.
- 8 последователни точки от една и съща страна на централната линия (изместване).
- 6 точки постоянно нарастващи/намаляващи (тенденция).
Роля: Вие сте инженер по качеството с опит в SPC. Задача: Сканирайте следните стойности на X-лента с правилата на Western Electric според дадените UCL/LCL и централната линия. За всеки сигнал извън контрол: номер на правило, кои точки, възможно физическо тълкуване и предложена стъпка за разследване. Center=50.2 UCL=52.1 LCL=48.3 σ=0.63 Данни (подредени): {{ values }}Правило: Не генерирайте фалшив сигнал; Маркиране на точки, които не отговарят напълно на правилото. Представете възможните причини като "хипотеза", не пишете на прецизен език.
AI прави този скрининг бърз, но помнете: предоставянето на правило е статистическо предупреждение; Разследването на терен открива истинската причина. AI може да каже „вероятно износване на инструмента“; Измерването на инструмента потвърждава това.
Възможности на процеса: Cp и Cpk
Дори ако процесът е под контрол, отговаря ли на толерансите на клиентите? Индексите на достатъчност показват това.
Cp = (USL − LSL) / (6σ) → измерва само разпространението Cpk = min[ (USL − μ)/(3σ) , (μ − LSL)/(3σ) ] → включва центриране
Пример: USL = 10,5; LSL = 9,5; μ = 10,1; σ = 0,1.
Cp = (10,5 − 9,5) / (6 × 0,1) = 1,0 / 0,6 ≈ 1,67Cpk = min [ (10,5 − 10,1)/0,3 , (10,1 − 9,5)/0,3 ] = min [ 0,4/0,3 , 0,6/0,3 ] = min [1,33 , 2,0] = 1,33
Cp = 1,67 показва добър спред, но Cpk = 1,33 ни казва, че процесът е извън центъра (средно 10,1, по-близо до USL, отколкото целта 10,0). Cpk < Cp винаги показва проблем с центрирането. Дори процес с добра дисперсия ще произведе дефектен продукт, ако е неправилно центриран.
Слаба подкана / Силна подкана
Слаба подкана:
Добър ли е този процес?
Няма критерий за „добър“; AI прави само общо предположение.
Мощна подкана:
Изчислете Cp и Cpk със следните измервателни данни (USL=10,5, LSL=9,5). Изчислете σ и средната стойност от данните, покажете формулата и всяка стъпка. Ако Cpk < Cp, попитайте дали е центриране или разпространение, коментирайте. Също така преценете приблизителния процент грешки (ppm) на процеса и запишете своите предположения. Данни: {{ ... }}
Мини калъф: добър CP, лош продукт
На линията за пълнене повечето от бутилките излизат извън спецификацията, но процесът изглежда „стабилен“ на контролната диаграма. Индустриалният инженер Yağmur дава данните на AI и го кара да изчисли Cp и Cpk: Cp = 1,5 (добро разпространение), но Cpk = 0,7 (недостатъчно). Разликата е, че средната стойност се е изместила значително от целта. AI посочва проблема с центрирането; Той проверява настройката на клапана за пълнене на дъжда и наистина открива отклонение. Когато коригирате настройката, Cpk се увеличава до 1,4 и отпадъците намаляват. Критичен урок: процесът може да бъде „стабилен“ (под контрол), но все още да е „недостатъчен“ (не отговаря на спецификацията). AI демонстрира тази разлика числено; Yağmur беше този, който намери първопричината на терена.
Често срещани грешки
- Объркващ контрол и допустима граница: Приравняване на контролните граници с толерантността на клиента.
- Намеса по често срещана причина: Корекция за всяка флуктуация и увеличаване на променливостта.
- Игнориране на Cpk: Просто гледам Cp и пропускам проблема с центрирането.
- Грешно приемане на AI сигнали за доказателства: Непроверяване на причината за сигнала на Western Electric в полето.
- Грешен избор на диаграма: Прилагане на диаграма с непрекъснати данни (X-лента) към данните за процента на дефекти.
В обобщение
- Същността на SPC е да раздели променливостта по обща и специална причина; Намесата в общото дело е вредна.
- Контролните граници идват от процеса, границите на толерантност идват от дизайна; Двете никога не трябва да се бъркат.
- Изберете диаграмата, подходяща за типа данни (X-bar/R, p, c...) и потърсете модели с правилата на Western Electric.
- Cp измерва разпространението и Cpk измерва центрирането; Cpk < Cp показва проблем с центрирането.
- AI генерира статистически сигнал бързо; Проверката на място потвърждава причината, решението е на инженера.
Задача за приложение
Направете поне 20 непрекъснати измервания от процес (реален или измислен) и определете USL/LSL стойностите. Накарайте AI да изчисли Cp и Cpk с тези данни; Изчислете σ и средната стойност от данните и покажете всяка стъпка. Критична проверка: Преизчислете сами стойностите σ, Cp и Cpk в Excel или Python и сравнете с изхода на AI. След това сканирайте данните с правилата на Western Electric и попитайте "как да проверя това на място?" за всеки намерен сигнал. Отговорете на въпроса. И накрая, ако Cpk < Cp, решете дали първо трябва да се коригира центрирането или разпръскването.