Κέρδη:
- Δυνατότητα ερμηνείας διαγραμμάτων ελέγχου (X-bar/R, p, c) και δεικτών ικανότητας διεργασίας (Cp, Cpk)
- Δυνατότητα επιτάχυνσης σάρωσης και αναφοράς σημάτων εκτός ελέγχου (κανόνες Western Electric) με AI
- Δυνατότητα επικύρωσης της στατιστικής ερμηνείας του AI με ακατέργαστα δεδομένα και φυσική πραγματικότητα διεργασιών
Η ποιότητα δεν «ταξινομείται» με την επιθεώρηση, «παράγεται» από τη διαδικασία. Ο Στατιστικός Έλεγχος Διαδικασιών (SPC) στοχεύει να κάνει ακριβώς αυτό: την παρακολούθηση της διαδικασίας σε πραγματικό χρόνο και τη σύλληψη σημάτων πριν τα σφάλματα γίνουν προϊόντα. Η δύναμη της ΠΧΠ έγκειται στη διάκριση της φυσικής (κοινής αιτίας) μεταβλητότητας από την ανώμαλη (ειδική αιτία) μεταβλητότητα. Σε αυτόν τον τομέα, η τεχνητή νοημοσύνη επιταχύνει την ερμηνεία γραφημάτων ελέγχου, τη σάρωση κανόνων και την αναφορά επάρκειας. αλλά είναι δουλειά του ανθρώπου να συνδυάζει τη στατιστική ερμηνεία με την πραγματικότητα της φυσικής διαδικασίας. Σε αυτή την ενότητα, θα καλύψουμε διαγράμματα ελέγχου, δείκτες επάρκειας Cp/Cpk και τον σωστό ρόλο της τεχνητής νοημοσύνης στο SPC.
Δύο Πρόσωπα Μεταβλητότητας
Κάθε διαδικασία περιλαμβάνει μεταβλητότητα. Το SPC διαιρεί αυτή τη μεταβλητότητα σε δύο:
- Κοινή αιτία: Τυχαία, προβλέψιμη διακύμανση που είναι εγγενής στη διαδικασία. Η διαδικασία είναι «υπό έλεγχο».
- Ειδική αιτία: Ένα εξωτερικό συμβάν με δυνατότητα ανάθεσης (σπάσιμο εργαλείου, αλλαγή παρτίδας πρώτης ύλης, αλλαγή ρυθμίσεων). Η διαδικασία είναι «εκτός ελέγχου».
Ο μοναδικός σκοπός του διαγράμματος ελέγχου είναι να διαχωρίσει τα δύο. Η ανταπόκριση σε διακυμάνσεις κοινής αιτίας (υπερπροσαρμογή / "παραβίαση") στην πραγματικότητα αυξάνει τη μεταβλητότητα. Το κλασικό «πείραμα χοάνης» του Deming δείχνει αυτό: η παρέμβαση σε κάθε απόκλιση κάνει τα πράγματα χειρότερα.
Συμβουλή: Μην συγχέετε ποτέ τα όρια ελέγχου (UCL/LCL) με τα όρια ανοχής (προδιαγραφές). Τα όρια ελέγχου είναι η «φωνή» της διαδικασίας (υπολογίζεται από δεδομένα). όρια ανοχής είναι η «φωνή» του πελάτη (προέρχεται από το σχέδιο). Το AI μερικές φορές τα μπερδεύει. Ξεκαθαρίστε για ποιο πράγμα μιλάτε σε κάθε σχόλιο.
Τύποι γραφημάτων ελέγχου
Το γράφημα επιλέγεται σύμφωνα με τον τύπο δεδομένων.
Γραφικά
Τύπος δεδομένων
παράδειγμα
X-bar/R
Συνεχής (μέτρηση), υποομάδα
Μέση διάμετρος άξονα και διάκενο
X-bar/S
Συνεχής, μεγάλη υποομάδα
Βάρος πλήρωσης
I-MRI
Συνεχής, μονή μέτρηση
Μία μέτρηση την ημέρα
p/np
Διακριτικός, ελαττωματικός συντελεστής/αριθμός
Ποσοστό ελαττωματικών ανταλλακτικών
c/u
Διακριτικό, αριθμός ελαττωμάτων
Βλάβες ανά μονάδα
Σε ένα διάγραμμα X-bar/R, τα όρια ελέγχου υπολογίζονται από τους μέσους όρους υποομάδας και τα εύρη:
UCL_xbar = X-double-bar + A2 × R-barLCL_xbar =
Σήματα εκτός ελέγχου (Western Electric Rules)
Ένα σημείο που ξεφεύγει από τα όρια δεν είναι το μόνο σήμα. Οι κανόνες Western Electric (Nelson) καταγράφουν επίσης μοτίβα:
- Ένα σημείο είναι εκτός 3σ (εκτός ορίων).
- Διαδοχικοί 2/3 πόντοι πέρα από 2σ (στην ίδια πλευρά).
- 4/5 συνεχόμενοι πόντους πέραν του 1σ.
- 8 συνεχόμενα σημεία στην ίδια πλευρά της κεντρικής γραμμής (μετατόπιση).
- 6 κουκκίδες συνεχώς αυξανόμενες/μειωμένες (τάση).
Ρόλος: Είστε ποιοτικός μηχανικός με εμπειρία στο SPC. Εργασία: Σαρώστε τις ακόλουθες τιμές X-bar με κανόνες Western Electric σύμφωνα με το δεδομένο UCL/LCL και την κεντρική γραμμή. Για κάθε σήμα εκτός ελέγχου: αριθμός κανόνα, ποια σημεία, πιθανή φυσική ερμηνεία και προτεινόμενο βήμα έρευνας. Center=50.2 UCL=52.1 LCL=48.3 σ=0.63Δεδομένα (παραγγελία): {{ values }}Κανόνας: Μην δημιουργείτε ψευδές σήμα. Επισήμανση σημείων που δεν ικανοποιούν πλήρως τον κανόνα. Παρουσιάστε πιθανούς λόγους ως «υπόθεση», μην γράφετε με ακριβή γλώσσα.
Η τεχνητή νοημοσύνη κάνει αυτόν τον έλεγχο γρήγορα, αλλά να θυμάστε: η παροχή κανόνων είναι μια στατιστική ειδοποίηση. Η επιτόπια έρευνα βρίσκει την πραγματική αιτία. Η τεχνητή νοημοσύνη μπορεί να πει "πιθανώς φθορά εργαλείου". Είναι η μέτρηση του εργαλείου που το επιβεβαιώνει.
Δυνατότητα διεργασίας: Cp και Cpk
Ακόμα κι αν η διαδικασία είναι υπό έλεγχο, πληροί τις ανοχές των πελατών; Οι δείκτες επάρκειας το λένε αυτό.
Cp = (USL − LSL) / (6σ) → μετρά μόνο το spreadCpk = min[ (USL − μ)/(3σ) , (μ − LSL)/(3σ) ] → περιλαμβάνει συγκέντρωση
Παράδειγμα: 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. [ 0,4/0. , 2,0] = 1,33
Το Cp = 1,67 υποδηλώνει καλό spread, αλλά το Cpk = 1,33 μας λέει ότι η διαδικασία είναι εκτός κέντρου (μέσος όρος 10,1, πιο κοντά στο USL από τον στόχο 10,0). Cpk < Cp υποδηλώνει πάντα πρόβλημα κεντραρίσματος. Ακόμη και μια διεργασία με καλή διασπορά θα παράγει ένα ελαττωματικό προϊόν εάν είναι εσφαλμένα κεντραρισμένο.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Είναι καλή αυτή η διαδικασία;
Δεν υπάρχει κριτήριο για το "καλό"? Το AI κάνει μόνο μια γενική εικασία.
Ισχυρή προτροπή:
Υπολογίστε Cp και Cpk με τα ακόλουθα δεδομένα μέτρησης (USL=10,5, LSL=9,5). Υπολογίστε το σ και τον μέσο όρο από τα δεδομένα, δείτε τον τύπο και κάθε βήμα. Εάν Cpk < Cp, ρωτήστε εάν κεντράρεται ή διαδίδεται, σχολιάστε. Επίσης, υπολογίστε το κατά προσέγγιση ποσοστό σφάλματος (ppm) της διαδικασίας και σημειώστε τις υποθέσεις σας. Δεδομένα: {{ ... }}
Μίνι θήκη: Καλό CP, Κακό προϊόν
Σε μια γραμμή πλήρωσης, τα περισσότερα από τα μπουκάλια βγαίνουν εκτός προδιαγραφών, αλλά η διαδικασία εμφανίζεται "σταθερή" στο διάγραμμα ελέγχου. Ο βιομηχανικός μηχανικός Yağmur δίνει τα δεδομένα στο AI και του ζητά να υπολογίσει Cp και Cpk: Cp = 1,5 (καλό spread) αλλά Cpk = 0,7 (ανεπαρκές). Η διαφορά είναι ότι ο μέσος όρος έχει μετατοπιστεί σημαντικά από τον στόχο. Το AI επισημαίνει το πρόβλημα κεντραρίσματος. Ελέγχει τη ρύθμιση της βαλβίδας πλήρωσης βροχής και όντως βρίσκει μια μετατόπιση. Όταν διορθώνετε τη ρύθμιση, το Cpk αυξάνεται στο 1,4 και το απόβλητο μειώνεται. Κρίσιμο μάθημα: η διαδικασία μπορεί να είναι «σταθερή» (υπό έλεγχο) αλλά εξακολουθεί να είναι «ελλιπής» (δεν πληροί τις προδιαγραφές). Το AI απέδειξε αυτή τη διάκριση αριθμητικά. Ήταν ο Yağmur που βρήκε τη βασική αιτία στο γήπεδο.
Κοινά λάθη
- Μπερδεμένο όριο ελέγχου και ανοχής: Εξίσωση των ορίων ελέγχου με την ανοχή πελατών.
- Παραβίαση κοινής αιτίας: Προσαρμογή για κάθε διακύμανση και αύξηση της μεταβλητότητας.
- Παράβλεψη Cpk: Απλώς κοιτάζω το Cp και χάνω το ζήτημα κεντραρίσματος.
- Λάθος σήματα AI ως αποδεικτικά στοιχεία: Μη επαλήθευση της αιτίας του σήματος Western Electric στο πεδίο.
- Λανθασμένη επιλογή γραφήματος: Εφαρμογή γραφήματος συνεχών δεδομένων (γραμμή X) για δεδομένα ρυθμού ελαττωμάτων.
Συνοπτικά
- Η ουσία της ΠΧΠ είναι ο διαχωρισμός της μεταβλητότητας κοινής και ειδικής αιτίας. Η παρέμβαση στην κοινή αιτία είναι επιβλαβής.
- Τα όρια ελέγχου προέρχονται από τη διαδικασία, τα όρια ανοχής προέρχονται από το σχεδιασμό. Αυτά τα δύο δεν πρέπει ποτέ να συγχέονται.
- Επιλέξτε το διάγραμμα κατάλληλο για τον τύπο δεδομένων (X-bar/R, p, c...) και αναζητήστε μοτίβα με κανόνες Western Electric.
- Η Cp μετρά τη διασπορά και η Cpk μετρά τη συγκέντρωση. Cpk < Cp υποδηλώνει πρόβλημα κεντραρίσματος.
- Το AI παράγει γρήγορα στατιστικό σήμα. Η επιτόπια επιθεώρηση επιβεβαιώνει τον λόγο, η απόφαση εξαρτάται από τον μηχανικό.
Εργασία εφαρμογής
Κάντε τουλάχιστον 20 συνεχείς μετρήσεις από μια διαδικασία (πραγματική ή φανταστική) και προσδιορίστε τις τιμές USL/LSL. Ζητήστε από το AI να υπολογίσει Cp και Cpk με αυτά τα δεδομένα. Να υπολογίσετε το σ και τη μέση τιμή από τα δεδομένα και να εμφανίσετε κάθε βήμα. Κρίσιμη επαλήθευση: Υπολογίστε ξανά τις τιμές σ, Cp και Cpk στο Excel ή την Python και συγκρίνετε με την έξοδο AI. Στη συνέχεια, σαρώστε τα δεδομένα με τους κανόνες της Western Electric και ρωτήστε "πώς μπορώ να το επαληθεύσω αυτό στο πεδίο;" για κάθε σήμα που βρέθηκε. Απαντήστε στην ερώτηση. Τέλος, εάν Cpk < Cp, αποφασίστε εάν το κεντράρισμα ή το spread θα πρέπει πρώτα να διορθωθεί.