Gevinster:
- Evne til at fortolke kontroldiagrammer (X-bar/R, p, c) og proceskapacitetsindekser (Cp, Cpk)
- Evne til at accelerere scanning og rapportering af ude af kontrol signaler (Western Electric regler) med AI
- Evne til at validere AI's statistiske fortolkning med rådata og fysisk procesvirkelighed
Kvalitet "sorteres" ikke ved inspektion, den "produceres" af processen. Statistical Process Control (SPC) har til formål at gøre netop det: at overvåge processen i realtid og fange signaler, før fejl bliver til produkter. Styrken ved SPC ligger i at skelne naturlig (almindelig årsag) variabilitet fra unormal (særlig årsag) variabilitet. På dette område fremskynder AI fortolkning af kontrolkort, regelscanning og færdighedsrapportering; men det er menneskets opgave at blande statistisk fortolkning med virkeligheden af den fysiske proces. I denne enhed vil vi dække kontroldiagrammer, Cp/Cpk-færdighedsindekser og den korrekte rolle for AI i SPC.
To Ansigter af Variabilitet
Hver proces involverer variabilitet. SPC deler denne variation i to:
- Almindelig årsag: Tilfældige, forudsigelige fluktuationer, der er iboende i processen. Processen er "under kontrol".
- Særlig årsag: En ekstern hændelse, der kan tildeles (værktøjsbrud, skift af råvarebatch, indstillingsskift). Processen er "ude af kontrol".
Det eneste formål med kontrolskemaet er at adskille de to. At reagere på almindelige årsagsfluktuationer (overjustering / "manipulation") øger faktisk variabiliteten. Demings klassiske "tragteksperiment" viser dette: at gribe ind ved hver afvigelse gør tingene værre.
Tip: Forveksle aldrig kontrolgrænser (UCL/LCL) med tolerancegrænser (specifikationer). Kontrolgrænser er processens "stemme" (beregnet ud fra data); tolerancegrænser er kundens "stemme" (kommer fra designet). AI forveksler nogle gange disse; Gør det klart, hvilken du taler om, i hver kommentar.
Kontroldiagramtyper
Diagrammet vælges i henhold til datatypen.
Grafik
Datatype
eksempel
X-bar/R
Kontinuerlig (måling), undergruppe
Akseldiameter gennemsnit og frigang
X-bar/S
Kontinuerlig, stor undergruppe
Fyldningsvægt
I-MRI
Kontinuerlig, enkelt måling
Enkel måling pr. dag
p/np
Diskret, defekt rate/nummer
Defekt delepris
c/u
Diskret, antal defekter
Fejl pr. enhed
På et X-bar/R-diagram beregnes kontrolgrænser ud fra undergruppegennemsnit og spændvidder:
UCL_xbar = X-dobbeltstang + A2 × R-barLCL_xbar =
Ude af kontrol-signaler (Western Electric Rules)
Et punkt, der går ud af grænserne, er ikke det eneste signal. Western Electric (Nelson) regler fanger også mønstre:
- Et punkt er uden for 3σ (uden for grænserne).
- På hinanden følgende 2/3 punkter ud over 2σ (på samme side).
- 4/5 på hinanden følgende punkter ud over 1σ.
- 8 på hinanden følgende punkter på samme side af midterlinjen (skift).
- 6 prikker konstant stigende/faldende (trend).
Rolle: Du er kvalitetsingeniør med erfaring i SPC. Opgave: Scan følgende X-bar værdier med Western Electric regler i henhold til den givne UCL/LCL og midterlinje. For hvert signal uden for kontrol: regelnummer, hvilke punkter, mulig fysisk fortolkning og foreslået undersøgelsestrin. Center=50.2 UCL=52.1 LCL=48.3 σ=0.63Data (ordnet): {{ values}}Regel: Generer ikke falske signaler; Markeringspunkter, der ikke fuldt ud opfylder reglen. Fremlæg mulige årsager som "hypotese", skriv ikke i præcist sprog.
AI gør denne screening hurtig, men husk: regelbestemmelse er en statistisk advarsel; Feltundersøgelse finder den egentlige årsag. AI siger måske "sandsynligvis værktøjsslid"; Det er værktøjsmålingen, der bekræfter dette.
Proceskapacitet: Cp og Cpk
Selv hvis processen er under kontrol, opfylder den kundetolerancer? Tilstrækkelighedsindeks fortæller dette.
Cp = (USL − LSL) / (6σ) → måler kun spredningenCpk = min[ (USL − μ)/(3σ) , (μ − LSL)/(3σ) ] → inkluderer centrering
Eksempel: USL = 10,5; LSL = 9,5; μ = 10,1; σ = 0,1.
Cp = (10,5 - 9,5) / (6 × 0,1) = 1,0 / 0,6 ≈ 1,67 Cpk = min[ (10,5 - 10,1)/0,3, (10,1 - 9,5)/0,3] = min[ 0,4/03] = min[ 0,4/03] min. , 2,0] = 1,33
Cp = 1,67 indikerer en god spredning, men Cpk = 1,33 fortæller os, at processen er off-center (gennemsnit 10,1, tættere på USL end mål 10,0). Cpk < Cp indikerer altid et centreringsproblem. Selv en proces med god spredning vil producere et defekt produkt, hvis det er forkert centreret.
Svag prompt / stærk prompt
Svag prompt:
Er denne proces god?
Der er intet kriterium for "god"; AI giver kun et generelt gæt.
Kraftig prompt:
Beregn Cp og Cpk med følgende måledata (USL=10,5, LSL=9,5). Beregn σ og middelværdi ud fra data, vis formel og hvert trin. Hvis Cpk < Cp, spørg om det er centrerende eller spredes, kommenter. Estimer også processens omtrentlige fejlrate (ppm) og skriv dine antagelser ned. Data: {{ ... }}
Mini-etui: God CP, dårligt produkt
På en påfyldningslinje kommer de fleste flasker ud af specifikation, men processen fremstår "stabil" på kontrolskemaet. Industriingeniør Yağmur giver dataene til AI og får det til at beregne Cp og Cpk: Cp = 1,5 (god spredning), men Cpk = 0,7 (utilstrækkelig). Forskellen er, at gennemsnittet er rykket væsentligt fra målet. AI påpeger centreringsproblemet; Han tjekker indstillingen af regnpåfyldningsventilen og finder faktisk en offset. Når du retter indstillingen, stiger Cpk til 1,4, og spild falder. Kritisk lektie: Processen kan være "stabil" (under kontrol), men stadig være "mangelfuld" (ikke opfylder specifikationen). AI demonstrerede denne skelnen numerisk; Det var Yağmur, der fandt årsagen på banen.
Almindelige fejl
- Forvirrende kontrol- og tolerancegrænse: Sæt lighedstegn mellem kontrolgrænser og kundetolerance.
- Almindelig årsag til manipulation: Justering for hver udsving og øget variabilitet.
- Ignorerer Cpk: Ser bare på Cp og mangler centreringsproblemet.
- Misforståelse af AI-signaler som beviser: Ikke bekræfter årsagen til Western Electric-signalet i marken.
- Forkert diagramvalg: Anvendelse af et kontinuerligt datadiagram (X-bar) på defektratedata.
Sammenfattende
- Essensen af SPC er at adskille almindelig og speciel årsagsvariabilitet; At blande sig i den almindelige årsag er skadeligt.
- Kontrolgrænser kommer fra processen, tolerancegrænser kommer fra designet; De to bør aldrig forveksles.
- Vælg det diagram, der passer til datatypen (X-bar/R, p, c...), og se efter mønstre med Western Electric-regler.
- Cp måler spredning og Cpk måler centrering; Cpk < Cp indikerer et centreringsproblem.
- AI genererer statistisk signal hurtigt; Feltinspektion bekræfter årsagen, beslutningen er op til ingeniøren.
Ansøgningsopgave
Tag mindst 20 kontinuerlige målinger fra en proces (virkelig eller fiktiv) og bestem USL/LSL-værdier. Få AI til at beregne Cp og Cpk med disse data; Få σ og middelværdi beregnet ud fra dataene og vist hvert trin. Kritisk verifikation: Genberegn σ-, Cp- og Cpk-værdierne selv i Excel eller Python og sammenlign med AI-outputtet. Scan derefter dataene med Western Electrics regler og spørg "hvordan verificerer jeg dette i felten?" for hvert signal fundet. Besvar spørgsmålet. Til sidst, hvis Cpk < Cp, besluttes om centrering eller spredning skal korrigeres først.