Dobici:
- Sposobnost tumačenja kontrolnih karata (X-bar/R, p, c) i indeksa sposobnosti procesa (Cp, Cpk)
- Sposobnost ubrzavanja skeniranja i izvještavanja o signalima van kontrole (Western Electric pravila) pomoću AI
- Sposobnost validacije statističke interpretacije AI pomoću sirovih podataka i realnosti fizičkog procesa
Kvalitet se ne "razređuje" inspekcijom, već se "proizvodi" procesom. Statistička kontrola procesa (SPC) ima za cilj upravo to: praćenje procesa u realnom vremenu i hvatanje signala prije nego što greške postanu proizvodi. Snaga SPC-a leži u razlikovanju prirodne varijabilnosti (uobičajeni uzrok) od abnormalne (posebnog uzroka) varijabilnosti. U ovoj oblasti, AI ubrzava tumačenje kontrolne karte, skeniranje pravila i izvještavanje o stručnosti; ali ljudski je posao da pomiješa statističku interpretaciju sa realnošću fizičkog procesa. U ovoj jedinici ćemo pokriti kontrolne karte, Cp/Cpk indekse stručnosti i odgovarajuću ulogu AI u SPC.
Dva lica varijabilnosti
Svaki proces uključuje varijabilnost. SPC ovu varijabilnost dijeli na dva:
- Uobičajeni uzrok: Slučajna, predvidljiva fluktuacija svojstvena procesu. Proces je "pod kontrolom".
- Poseban uzrok: Eksterni događaj koji se može dodijeliti (lom alata, promjena serije sirovog materijala, promjena podešavanja). Proces je "van kontrole".
Jedina svrha kontrolne karte je da ih razdvoji. Reagiranje na fluktuacije uobičajenih uzroka (pretjerano prilagođavanje / „diranje“) zapravo povećava varijabilnost. Demingov klasični "eksperiment sa lijevkama" pokazuje ovo: interveniranje pri svakom odstupanju pogoršava stvari.
Savjet: Nikada nemojte brkati kontrolne granice (UCL/LCL) sa granicama tolerancije (specifikacije). Kontrolne granice su „glas“ procesa (izračunati iz podataka); granice tolerancije su "glas" kupca (dolazi iz dizajna). AI ih ponekad zbunjuje; U svakom komentaru razjasnite o čemu govorite.
Kontrolni tipovi grafikona
Grafikon se bira prema tipu podataka.
Grafika
Tip podataka
primjer
X-bar/R
Kontinuirano (mjerenje), podgrupa
Prosječni promjer osovine i zazor
X-bar/S
Kontinuirana, velika podgrupa
Težina punjenja
I-MRI
Kontinuirano, pojedinačno mjerenje
Jedno merenje dnevno
p/np
Diskretna, neispravna stopa/broj
Stopa neispravnih dijelova
c/u
Diskretno, broj kvarova
Defekti po jedinici
Na grafikonu X-bar/R, kontrolne granice se izračunavaju iz prosjeka i raspona podgrupa:
UCL_xbar = X-dvostruka šipka + A2 × R-barLCL_xbar =
Signali van kontrole (zapadna električna pravila)
Tačka koja izlazi izvan granica nije jedini signal. Western Electric (Nelson) pravila također hvataju obrasce:
- Tačka je izvan 3σ (izvan granica).
- Uzastopne 2/3 tačke iznad 2σ (na istoj strani).
- 4/5 uzastopnih tačaka iznad 1σ.
- 8 uzastopnih tačaka na istoj strani središnje linije (pomak).
- 6 tačaka u stalnom porastu/smanjenju (trend).
Uloga: Vi ste inženjer kvaliteta sa iskustvom u SPC. Zadatak: Skenirajte sljedeće vrijednosti X-bara sa Western Electric pravilima prema datom UCL/LCL i središnjoj liniji. Za svaki signal van kontrole: broj pravila, koje tačke, moguća fizička interpretacija i predloženi korak istrage. Centar=50,2 UCL=52,1 LCL=48,3 σ=0,63Podaci (uređeni): {{ vrijednosti }}Pravilo: Ne generirajte lažan signal; Označavanje tačaka koje ne zadovoljavaju u potpunosti pravilo. Moguće razloge predstavljajte kao "hipotezu", nemojte pisati preciznim jezikom.
AI čini ovaj skrining brzim, ali zapamtite: odredba pravila je statističko upozorenje; Istraga na terenu otkriva pravi uzrok. AI bi mogao reći "vjerovatno habanje alata"; Mjerenje alata to potvrđuje.
Sposobnost procesa: Cp i Cpk
Čak i ako je proces pod kontrolom, zadovoljava li tolerancije kupaca? Indeksi dovoljnosti govore o tome.
Cp = (USL − LSL) / (6σ) → mjeri samo širenjeCpk = min[ (USL − μ)/(3σ) , (μ − LSL)/(3σ) ] → uključuje centriranje
Primjer: 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/, 1.3] min. 2,0] = 1,33
Cp = 1,67 ukazuje na dobar raspon, ali Cpk = 1,33 nam govori da je proces izvan centra (prosjek 10,1, bliže USL-u nego cilj 10,0). Cpk < Cp uvijek ukazuje na problem centriranja. Čak i proces sa dobrom disperzijom će proizvesti neispravan proizvod ako je pogrešno centriran.
Slaba prompt / jaka prompt
Slab upit:
Da li je ovaj proces dobar?
Ne postoji kriterijum za "dobro"; AI samo generalno nagađa.
Snažan upit:
Izračunajte Cp i Cpk sa sljedećim mjernim podacima (USL=10,5, LSL=9,5). Izračunajte σ i srednju vrijednost iz podataka, pokažite formulu i svaki korak. Ako je Cpk < Cp, pitajte da li se centrira ili širi, komentirajte. Također procijenite približnu stopu greške (ppm) procesa i zapišite svoje pretpostavke. Podaci: {{ ... }}
Mini kućište: dobar CP, loš proizvod
Na liniji za punjenje, većina boca izlazi iz specifikacije, ali se proces na kontrolnoj karti čini "stabilnim". Industrijski inženjer Yağmur daje podatke AI-u i daje mu da izračuna Cp i Cpk: Cp = 1,5 (dobar raspon), ali Cpk = 0,7 (nedovoljan). Razlika je u tome što se prosjek značajno pomaknuo od cilja. AI ukazuje na problem centriranja; On provjerava podešavanje ventila za punjenje kiše i zaista pronalazi pomak. Kada ispravite postavku, Cpk se povećava na 1,4, a otpad se smanjuje. Kritična lekcija: proces može biti „stabilan“ (pod kontrolom), ali i dalje „nedostatak“ (ne ispunjava specifikacije). AI je numerički demonstrirao ovu razliku; Yağmur je bio taj koji je pronašao korijenski uzrok na terenu.
Uobičajene greške
- Konfuzna kontrola i granica tolerancije: Izjednačavanje kontrolnih granica sa tolerancijom kupaca.
- Uobičajeni uzrok neovlaštenog mijenjanja: Prilagođavanje za svaku fluktuaciju i povećanje varijabilnosti.
- Ignorisanje Cpk: Samo gledam Cp i propuštam problem centriranja.
- Pogreška AI signala kao dokaz: Ne provjerava se uzrok signala Western Electrica na terenu.
- Pogrešan odabir grafikona: Primjena kontinuiranog grafikona podataka (X-bar) na podatke o stopi oštećenja.
Ukratko
- Suština SPC-a je da odvoji varijabilnost zajedničkog i posebnog uzroka; Ometanje zajedničkog uzroka je štetno.
- Kontrolne granice dolaze iz procesa, granice tolerancije dolaze iz dizajna; To dvoje nikada ne treba brkati.
- Odaberite grafikon koji odgovara tipu podataka (X-bar/R, p, c...) i potražite obrasce s pravilima Western Electrica.
- Cp mjeri širenje i Cpk mjeri centraciju; Cpk < Cp ukazuje na problem centriranja.
- AI brzo generiše statistički signal; Terenski pregled potvrđuje razlog, odluka je na inženjeru.
Zadatak aplikacije
Uzmite najmanje 20 kontinuiranih mjerenja iz procesa (stvarnog ili izmišljenog) i odredite USL/LSL vrijednosti. Neka AI izračuna Cp i Cpk sa ovim podacima; Neka σ i srednja vrijednost izračunate iz podataka i prikažete svaki korak. Kritična provjera: Ponovo izračunajte vrijednosti σ, Cp i Cpk u Excelu ili Pythonu i uporedite ih sa AI izlazom. Zatim skenirajte podatke prema pravilima Western Electrica i pitajte "kako da ovo provjerim na terenu?" za svaki pronađeni signal. Odgovori na pitanje. Konačno, ako je Cpk < Cp, odlučite treba li prvo ispraviti centriranje ili širenje.