Ganancias:
- Capacidad para interpretar gráficos de control (X-bar/R, p, c) e índices de capacidad de proceso (Cp, Cpk)
- Capacidad para acelerar el escaneo y la notificación de señales fuera de control (reglas de Western Electric) con IA
- Capacidad para validar la interpretación estadística de la IA con datos sin procesar y la realidad del proceso físico.
La calidad no se "clasifica" mediante inspección, sino que se "produce" mediante el proceso. El control estadístico de procesos (SPC) tiene como objetivo hacer precisamente eso: monitorear el proceso en tiempo real y detectar señales antes de que los errores se conviertan en productos. La fortaleza del SPC radica en distinguir la variabilidad natural (causa común) de la variabilidad anormal (causa especial). En esta área, la IA acelera la interpretación de los gráficos de control, el escaneo de reglas y los informes de competencia; pero es trabajo humano combinar la interpretación estadística con la realidad del proceso físico. En esta unidad, cubriremos gráficos de control, índices de competencia Cp/Cpk y el papel adecuado de la IA en SPC.
Dos caras de la variabilidad
Todo proceso implica variabilidad. SPC divide esta variabilidad en dos:
- Causa común: fluctuación aleatoria y predecible inherente al proceso. El proceso está "bajo control".
- Causa especial: un evento externo asignable (rotura de herramienta, cambio de lote de materia prima, cambio de configuración). El proceso está "fuera de control".
El único propósito del gráfico de control es separar los dos. Responder a las fluctuaciones de causa común (sobreajuste/manipulación) en realidad aumenta la variabilidad. El clásico "experimento del embudo" de Deming lo demuestra: intervenir en cada desviación empeora las cosas.
Consejo: Nunca confunda los límites de control (UCL/LCL) con los límites de tolerancia (especificación). Los límites de control son la “voz” del proceso (calculada a partir de datos); Los límites de tolerancia son la "voz" del cliente (viene del diseño). La IA a veces los confunde; Deja claro de cuál estás hablando en cada comentario.
Tipos de gráficos de control
El gráfico se selecciona según el tipo de datos.
Gráficos
tipo de datos
ejemplo
barra X/R
Continuo (medición), subgrupo
Diámetro medio del eje y juego
Barra X/S
Subgrupo continuo y grande
Peso de llenado
I-MRI
Medición única y continua
Medición única por día
p/np
Tasa/número discreto y defectuoso
Tasa de piezas defectuosas
c/u
Discreto, número de defectos.
Defectos por unidad
En un gráfico de barras X/R, los límites de control se calculan a partir de promedios y intervalos de subgrupos:
UCL_xbar = X-doble-barra + A2 × R-barLCL_xbar =
Señales fuera de control (Reglas eléctricas occidentales)
Un punto fuera de límites no es la única señal. Las reglas de Western Electric (Nelson) también capturan patrones:
- Un punto está fuera de 3σ (fuera de límites).
- 2/3 puntos consecutivos más allá de 2σ (en el mismo lado).
- 4/5 puntos consecutivos más allá de 1σ.
- 8 puntos consecutivos en el mismo lado de la línea central (desplazamiento).
- 6 puntos en constante aumento/disminución (tendencia).
Rol: Usted es un ingeniero de calidad con experiencia en SPC. Tarea: Escanee los siguientes valores de la barra X con las reglas de Western Electric de acuerdo con el UCL/LCL y la línea central dados. Para cada señal fuera de control: número de regla, qué puntos, posible interpretación física y paso de investigación sugerido. Centro=50,2 UCL=52,1 LCL=48,3 σ=0,63Datos (ordenados): {{ valores }}Regla: No generar señales espurias; Marcar puntos que no cumplen plenamente la regla. Presente las posibles razones como "hipótesis", no escriba en un lenguaje preciso.
La IA agiliza esta evaluación, pero recuerde: la provisión de reglas es una alerta estadística; La investigación de campo encuentra la verdadera causa. La IA podría decir "probablemente desgaste de herramientas"; Es la medición de la herramienta la que lo confirma.
Capacidad de proceso: Cp y Cpk
Incluso si el proceso está bajo control, ¿cumple las tolerancias del cliente? Los índices de suficiencia lo dicen.
Cp = (USL − LSL) / (6σ) → mide solo la dispersión Cpk = min[ (USL − μ)/(3σ), (μ − LSL)/(3σ) ] → incluye centrado
Ejemplo: USL = 10,5; LSL = 9,5; µ = 10,1; s = 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 indica un buen margen, pero Cpk = 1,33 nos dice que el proceso está descentrado (promedio 10,1, más cercano al USL que al objetivo 10,0). Cpk < Cp siempre indica un problema de centrado. Incluso un proceso con buena dispersión producirá un producto defectuoso si está incorrectamente centrado.
Aviso débil / Aviso fuerte
Aviso débil:
¿Es bueno este proceso?
No existe ningún criterio para lo "bueno"; La IA sólo hace una suposición general.
Potente mensaje:
Calcule Cp y Cpk con los siguientes datos de medición (USL=10,5, LSL=9,5). Calcule σ y la media a partir de los datos, muestre la fórmula y cada paso. Si Cpk < Cp, pregunte si se está centrando o extendiendo, comente. Calcule también la tasa de error aproximada (ppm) del proceso y escriba sus suposiciones. Datos: {{... }}
Mini caso: buen CP, mal producto
En una línea de llenado, la mayoría de las botellas no cumplen con las especificaciones, pero el proceso parece "estable" en el gráfico de control. El ingeniero industrial Yağmur le da los datos a la IA y le pide que calcule Cp y Cpk: Cp = 1,5 (buen diferencial) pero Cpk = 0,7 (insuficiente). La diferencia es que el promedio se ha alejado significativamente del objetivo. La IA señala el problema del centrado; Comprueba el ajuste de la válvula de llenado de lluvia y, de hecho, encuentra una compensación. Cuando corrige la configuración, Cpk aumenta a 1,4 y el desperdicio disminuye. Lección crítica: el proceso puede ser “estable” (bajo control) pero aún así ser “deficiente” (no cumplir con las especificaciones). La IA demostró esta distinción numéricamente; Fue Yağmur quien encontró la causa raíz en el campo.
Errores comunes
- Confundir control y límite de tolerancia: equiparar los límites de control con la tolerancia del cliente.
- Manipulación por causa común: ajustarse a cada fluctuación y aumentar la variabilidad.
- Ignorar Cpk: solo miro Cp y omito el problema de centrado.
- Confundir señales de IA con evidencia: No verificar la causa de la señal de Western Electric en el campo.
- Selección de gráfico incorrecta: aplicación de un gráfico de datos continuo (barra X) a los datos de tasa de defectos.
En resumen
- La esencia del SPC es separar la variabilidad de causas comunes y especiales; Interferir con la causa común es perjudicial.
- Los límites de control provienen del proceso, los límites de tolerancia provienen del diseño; Los dos nunca deben confundirse.
- Seleccione el gráfico apropiado para el tipo de datos (X-bar/R, p, c...) y busque patrones con reglas de Western Electric.
- Cp mide la dispersión y Cpk mide el centrado; Cpk < Cp indica un problema de centrado.
- La IA genera señales estadísticas rápidamente; La inspección de campo confirma el motivo, la decisión depende del ingeniero.
Tarea de aplicación
Tome al menos 20 mediciones continuas de un proceso (real o ficticio) y determine los valores USL/LSL. Haz que la IA calcule Cp y Cpk con estos datos; Haga que σ y la media se calculen a partir de los datos y se muestren en cada paso. Verificación crítica: vuelva a calcular los valores σ, Cp y Cpk usted mismo en Excel o Python y compárelos con la salida de AI. Luego escanee los datos con las reglas de Western Electric y pregunte "¿cómo verifico esto en el campo?" para cada señal encontrada. Responde la pregunta. Finalmente, si Cpk < Cp, decida si primero se debe corregir el centrado o la dispersión.