Gewinne:
- Fähigkeit zur Interpretation von Regelkarten (X-bar/R, p, c) und Prozessfähigkeitsindizes (Cp, Cpk)
- Möglichkeit, das Scannen und Melden von außer Kontrolle geratenen Signalen (Western Electric-Regeln) mit KI zu beschleunigen
- Fähigkeit, die statistische Interpretation der KI anhand von Rohdaten und der Realität des physischen Prozesses zu validieren
Qualität wird nicht durch Inspektion „sortiert“, sondern durch den Prozess „produziert“. Statistische Prozesskontrolle (SPC) zielt genau darauf ab: den Prozess in Echtzeit zu überwachen und Signale zu erkennen, bevor Fehler zu Produkten werden. Die Stärke der SPC liegt in der Unterscheidung zwischen natürlicher Variabilität (gemeinsame Ursache) und abnormaler Variabilität (besondere Ursache). In diesem Bereich beschleunigt KI die Interpretation von Kontrolldiagrammen, das Scannen von Regeln und die Leistungsberichterstattung. Aber es ist die Aufgabe des Menschen, statistische Interpretationen mit der Realität des physikalischen Prozesses zu verbinden. In dieser Einheit befassen wir uns mit Kontrolldiagrammen, Cp/Cpk-Kompetenzindizes und der richtigen Rolle der KI bei SPC.
Zwei Gesichter der Variabilität
Jeder Prozess bringt Variabilität mit sich. SPC unterteilt diese Variabilität in zwei Teile:
- Häufige Ursache: Zufällige, vorhersehbare Schwankungen, die dem Prozess innewohnen. Der Prozess sei „unter Kontrolle“.
- Besondere Ursache: Ein externes, zuordenbares Ereignis (Werkzeugbruch, Rohstoffchargenwechsel, Einstellungsverschiebung). Der Prozess sei „außer Kontrolle“.
Der einzige Zweck der Kontrollkarte besteht darin, die beiden zu trennen. Die Reaktion auf Schwankungen aufgrund gemeinsamer Ursachen (Überanpassung/„Manipulation“) erhöht tatsächlich die Variabilität. Demings klassisches „Trichterexperiment“ zeigt dies: Bei jeder Abweichung einzugreifen macht die Sache noch schlimmer.
Tipp: Verwechseln Sie niemals Kontrollgrenzen (UCL/LCL) mit Toleranzgrenzen (Spezifikationsgrenzen). Kontrollgrenzen sind die „Stimme“ des Prozesses (berechnet aus Daten); Toleranzgrenzen sind die „Stimme“ des Kunden (kommt aus dem Design). KI verwirrt diese manchmal; Machen Sie in jedem Kommentar deutlich, worüber Sie sprechen.
Arten von Regelkarten
Das Diagramm wird entsprechend dem Datentyp ausgewählt.
Grafiken
Datentyp
Beispiel
X-Bar/R
Kontinuierlich (Messung), Untergruppe
Durchschnittlicher Wellendurchmesser und Spiel
X-Bar/S
Kontinuierliche, große Untergruppe
Füllgewicht
I-MRT
Kontinuierliche Einzelmessung
Einzelmessung pro Tag
p/np
Diskrete, fehlerhafte Rate/Anzahl
Rate fehlerhafter Teile
c/u
Diskret, Anzahl der Mängel
Mängel pro Einheit
Auf einer X-Balken-/R-Karte werden Kontrollgrenzen aus Untergruppendurchschnitten und -spannen berechnet:
UCL_xbar = X-double-bar + A2 × R-barLCL_xbar =
Außer Kontrolle geratene Signale (Western Electric Rules)
Ein Punkt, der ins Aus geht, ist nicht das einzige Signal. Die Regeln von Western Electric (Nelson) erfassen auch Muster:
- Ein Punkt liegt außerhalb von 3σ (außerhalb der Grenzen).
- Aufeinanderfolgende 2/3 Punkte über 2σ hinaus (auf derselben Seite).
- 4/5 aufeinanderfolgende Punkte über 1σ.
- 8 aufeinanderfolgende Punkte auf derselben Seite der Mittellinie (Verschiebung).
- 6 Punkte, die ständig steigen/fallen (Trend).
Rolle: Sie sind ein Qualitätsingenieur mit Erfahrung in SPC. Aufgabe: Scannen Sie die folgenden X-Bar-Werte mit Western Electric-Regeln gemäß der angegebenen UCL/LCL und Mittellinie. Für jedes außer Kontrolle geratene Signal: Regelnummer, welche Punkte, mögliche physikalische Interpretation und empfohlener Untersuchungsschritt. Mitte=50,2 UCL=52,1 LCL=48,3 σ=0,63Daten (geordnet): {{ Werte }}Regel: Kein Störsignal erzeugen; Markierungspunkte, die die Regel nicht vollständig erfüllen. Stellen Sie mögliche Gründe als „Hypothese“ dar und schreiben Sie nicht in präziser Sprache.
KI macht diese Überprüfung schnell, aber denken Sie daran: Die Bereitstellung von Regeln ist eine statistische Warnung; Eine Felduntersuchung findet die wahre Ursache. Die KI könnte sagen: „Wahrscheinlich Werkzeugverschleiß“; Es ist die Werkzeugmessung, die dies bestätigt.
Prozessfähigkeit: Cp und Cpk
Selbst wenn der Prozess unter Kontrolle ist, erfüllt er die Kundentoleranzen? Dies zeigen Suffizienzindizes.
Cp = (USL − LSL) / (6σ) → misst nur die Streuung. Cpk = min[ (USL − μ)/(3σ), (μ − LSL)/(3σ) ] → beinhaltet die Zentrierung
Beispiel: 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 2,0] = 1,33
Cp = 1,67 weist auf eine gute Streuung hin, aber Cpk = 1,33 sagt uns, dass der Prozess außermittig ist (Durchschnitt 10,1, näher an USL als Ziel 10,0). Cpk < Cp weist immer auf ein Zentrierproblem hin. Selbst ein Prozess mit guter Streuung führt zu einem fehlerhaften Produkt, wenn es falsch zentriert ist.
Schwache Eingabeaufforderung / Starke Eingabeaufforderung
Schwache Eingabeaufforderung:
Ist dieser Prozess gut?
Es gibt kein Kriterium für „gut“; KI macht nur eine allgemeine Vermutung.
Kraftvolle Aufforderung:
Berechnen Sie Cp und Cpk mit den folgenden Messdaten (USL=10,5, LSL=9,5). Berechnen Sie σ und den Mittelwert aus den Daten, zeigen Sie die Formel und jeden Schritt an. Wenn Cpk < Cp, fragen Sie, ob es sich um eine Zentrierung oder Ausbreitung handelt, und geben Sie einen Kommentar ab. Schätzen Sie außerdem die ungefähre Fehlerrate (ppm) des Prozesses und notieren Sie Ihre Annahmen. Daten: {{ ... }}
Mini-Gehäuse: Guter CP, schlechtes Produkt
In einer Abfülllinie liegen die meisten Flaschen außerhalb der Spezifikation, auf der Kontrollkarte erscheint der Prozess jedoch „stabil“. Wirtschaftsingenieur Yağmur übergibt die Daten an die KI und lässt diese Cp und Cpk berechnen: Cp = 1,5 (gute Streuung), aber Cpk = 0,7 (ungenügend). Der Unterschied besteht darin, dass sich der Durchschnitt deutlich vom Ziel entfernt hat. AI weist auf das Zentrierungsproblem hin; Er überprüft die Einstellung des Regenfüllventils und stellt tatsächlich einen Versatz fest. Wenn Sie die Einstellung korrigieren, erhöht sich Cpk auf 1,4 und der Abfall verringert sich. Entscheidende Lektion: Der Prozess kann „stabil“ (unter Kontrolle) sein, aber dennoch „defizitär“ sein (die Spezifikation nicht erfüllen). KI hat diesen Unterschied numerisch demonstriert; Es war Yağmur, der die Ursache auf dem Feld fand.
Häufige Fehler
- Verwechslung von Kontroll- und Toleranzgrenzen: Gleichsetzung von Kontrollgrenzen mit Kundentoleranz.
- Häufige Ursache für Manipulationen: Anpassung an jede Schwankung und Erhöhung der Variabilität.
- Cpk ignorieren: Ich schaue nur auf Cp und übersehe das Zentrierungsproblem.
- KI-Signale werden mit Beweisen verwechselt: Die Ursache des Western Electric-Signals vor Ort wird nicht überprüft.
- Falsche Diagrammauswahl: Anwenden eines kontinuierlichen Datendiagramms (X-Balken) auf Fehlerratendaten.
Zusammenfassend
- Der Kern der SPC besteht darin, die Variabilität durch häufige und besondere Ursachen zu trennen. Der Eingriff in die gemeinsame Sache ist schädlich.
- Kontrollgrenzen ergeben sich aus dem Prozess, Toleranzgrenzen ergeben sich aus dem Design; Die beiden sollten niemals verwechselt werden.
- Wählen Sie das für den Datentyp geeignete Diagramm aus (X-bar/R, p, c...) und suchen Sie nach Mustern mit Western Electric-Regeln.
- Cp misst die Ausbreitung und Cpk misst die Zentrierung; Cpk < Cp weist auf ein Zentrierproblem hin.
- KI generiert schnell statistische Signale; Eine Feldbesichtigung bestätigt den Grund, die Entscheidung liegt beim Ingenieur.
Anwendungsaufgabe
Nehmen Sie mindestens 20 kontinuierliche Messungen eines Prozesses (real oder fiktiv) vor und ermitteln Sie die USL/LSL-Werte. Lassen Sie die KI Cp und Cpk mit diesen Daten berechnen; Lassen Sie σ und Mittelwert aus den Daten berechnen und jeden Schritt anzeigen. Kritische Überprüfung: Berechnen Sie die σ-, Cp- und Cpk-Werte selbst in Excel oder Python und vergleichen Sie sie mit der KI-Ausgabe. Scannen Sie dann die Daten mit den Regeln von Western Electric und fragen Sie: „Wie kann ich das vor Ort überprüfen?“ für jedes gefundene Signal. Beantworten Sie die Frage. Wenn schließlich Cpk < Cp ist, entscheiden Sie, ob zuerst die Zentrierung oder Spreizung korrigiert werden soll.