Control de Calidad, Detección de Defectos y Control Estadístico de Procesos

Ganancias:

• Capacidad para monitorear datos de producción e inspección con IA y detectar patrones de defectos y desviaciones tempranamente
• Capacidad para configurar e interpretar control estadístico de procesos (SPC), Cpk y gráficos de control con soporte de IA.
• Capacidad para verificar la clasificación de defectos de AI con resultados de END, criterios de aceptación y confirmación de inspección autorizada.

Es deber constante del ingeniero metalúrgico y de calidad observar cuál de las miles de piezas que pasan por una línea de producción está defectuosa y en qué momento el proceso comienza a fallar. Control de calidad, comprobando si el producto cumple con los requisitos especificados; detección de defectos, capturando errores en el producto (rayones, poros, grietas, desviaciones dimensionales); El control estadístico de procesos (SPC) es un método para comprender si el proceso está bajo control mediante el seguimiento estadístico de los datos de producción. La inteligencia artificial acelera la clasificación automática de defectos a partir de imágenes, la captura de patrones en grandes datos de medición y la construcción e interpretación de gráficos SPC. Pero una alarma no es una decisión automática; Cada salida de AI debe ser confirmada por el resultado de END, los criterios de aceptación y la aprobación de inspección autorizada.

Conceptos básicos de SPC y el papel de la IA

• Gráfico de control: gráfico que muestra el cambio de una medición (por ejemplo, diámetro, dureza) a lo largo del tiempo, con una línea central y límites de control (normalmente ±3 desviaciones estándar). El cruce de límites es una señal de que el proceso ha cambiado.
• Límite de control, etc. Tolerancia: Los límites de control provienen de la variación natural del proceso; La tolerancia (límite de especificación) es lo que el cliente quiere. No deben confundirse ambos.
• Cp y Cpk (índices de capacidad del proceso): Mide con qué facilidad el proceso se ajusta a la tolerancia. Cp evalúa el diferencial y Cpk evalúa el diferencial + descentrado juntos. Generalmente se considera suficiente un Cpk ≥ 1,33.
• Causa privada versus causa común: la causa común es el ruido inherente del proceso; La causa específica (p. ej. desgaste de herramientas, lote incorrecto) es una desviación que requiere intervención. El propósito del SPC es separar los dos.

La IA es poderosa para enseñar estos conceptos, generar código que calcula un gráfico de control/Cpk a partir de datos e interpretar patrones de gráficos (tendencia, deriva, periodicidad). Pero el ingeniero determina la causa de la superación del límite y la intervención correcta.

Atención: Ampliar los límites de control "para evitar una alarma" es uno de los errores más peligrosos. Los límites se calculan a partir de la variación real del proceso; Ampliarlos arbitrariamente invisibiliza las desviaciones reales y traslada el producto defectuoso al cliente.

Paso a paso: monitoreo de calidad impulsado por IA

1. Seleccionar característica: ¿Qué métrica crítica se monitoreará (CQ: característica de calidad crítica)? ¿Es confiable el sistema de medición (Gage R&R)?
2. Recoger datos: Muestreo periódico en subgrupos. ¿Está calibrado el medidor?
3. Configurar gráfico: solicite a la IA el tipo y código de gráfico de control apropiado (barra X/R, rango de movimiento individual).
4. Comentario: ¿Existe alguna regla de exceso, tendencia o lote (por ejemplo, reglas de Western Electric)?
5. Busque la causa raíz: la alarma es un desencadenante; Confirmar medición, revisar proceso.
6. Decidir: Basado en los criterios de aceptación y el resultado del END; Separar el lote desviado y aplicar medidas correctivas.

Detección de fallos y pruebas no destructivas

La IA basada en imágenes (clasificadores de aprendizaje profundo) puede extraer rápidamente defectos de la superficie (arañazos, rebabas, óxidos, poros). Los defectos internos requieren pruebas no destructivas (END): radiografía (RT), ultrasónica (UT), partícula magnética (MT), penetrante (PT). La IA puede realizar una selección previa de las imágenes RT/UT, pero la evaluación final la realiza personal certificado de END y criterios de aceptación estándar.

tipo de defecto

método típico

Contribución de la IA

decisión final

Rayado/rebabas en la superficie

imagen óptica

clasificación automática

Criterio de aceptación + operador

Poro/grieta interna

RT/UT

Pre-selección de imágenes

Estándar certificado NDT+

Grieta (abierta a la superficie)

MT/PT

marcado de indicación

Aprobación NDT nivel II/III

Desviación de tamaño

MMC / medición

Seguimiento de tendencias con SPC

Tolerancia + decisión

tres mini casos

Caso 1: Trampa de expansión fronteriza. El límite de control superior se excede frecuentemente en la medición de diámetros en una línea. El operador recomienda ampliar los límites para reducir las alertas. El ingeniero de calidad se opone a esto; Hace que la IA analice los datos del SPC y descubre que hay un cambio sistemático (causa específica) en el turno de la tarde, posiblemente debido al desgaste de las herramientas. Cuando se acorta el período de cambio de herramienta, el proceso vuelve a estar dentro de los límites. Lección: la alarma es una fuente de información; Es necesario no silenciarlo, sino encontrarle la razón.

Caso 2: Interpretación incorrecta de Cpk. Un informe dice que el proceso es "Cpk = 1,8, perfecto", pero las piezas están dando problemas al cliente. El ingeniero hace que la IA examine los datos; Encuentra que el cambio real está oculto porque la resolución del sistema de medición es insuficiente (Gage R&R es mala), el alto Cpk proviene de la ceguera de la medición. Primero se corrige el sistema de medición y el Cpk real es 1,1. Lección: cualquier estadística basada en un mal sistema de medición es engañosa; Primero verifique la medida.

Caso 3: Eliminación correcta de END. Un fabricante utiliza precalificación RT impulsada por IA en piezas fundidas; detecta piezas sospechosas y las dirige al personal certificado de END. La IA revisa rápidamente la mayoría de las piezas limpias, y el personal solo se centra en las marcadas. Sin embargo, en una serie crítica para la seguridad, las piezas que la IA llama "limpias" también se muestrean y verifican con END; porque la IA es una herramienta de selección, no una autoridad de admisiones. Lección: La IA mejora la eficiencia, pero la aceptación final viene con END estándar y aprobación autorizada.

Plantillas de avisos copiables

PLANTILLA DE CONFIGURACIÓN DE GRÁFICO DE CONTROL "Rol: Usted es SPC / asistente de calidad. Tengo los siguientes datos de medición: [datos de subgrupo]. Característica: [diámetro/dureza]. Recomiéndeme el tipo apropiado de gráfico de control (X-bar/R o I-MR) con justificación y calculo la línea central + límites de control con código Python. Enfatice que los límites de control son diferentes de la TOLERANCIA. Comente sobre la superación del límite, pero indique que se debe investigar el motivo".

PLANTILLA DE COMENTARIO DE Cpk "Cp = [...], Cpk = [...], tolerancia = [...], distribución medida = [...]. Interprete estos valores: ¿es el proceso adecuado, hay descentrado? Recuérdenme preguntar PRIMERO si el sistema de medición es confiable (Gage R&R). Explique el peligro de que un alto Cpk pueda surgir de la ceguera en la medición. Relacione la decisión "apropiada" de la empresa con el experimento/inspección".

PLANTILLA DE EVALUACIÓN DE CLASIFICACIÓN DE DEFECTOS "El modelo de imagen de IA marcó los siguientes defectos: [lista]. Para cada uno: ¿contra qué criterios de aceptación (estándar) se debe evaluar, qué método de END se requiere para la confirmación, cuál es el riesgo de falso positivo/negativo? Especifique que la aceptación final debe darse con END certificado y aprobación autorizada. Coloque la salida de IA como 'pre-selección'".

PLANTILLA DE ANÁLISIS DE PATRÓN SPC "Examine los siguientes datos del gráfico de control: [datos/series de tiempo]. ¿Existe una tendencia, deriva, periodicidad o violación de las reglas de la serie (Western Electric)? Para cada patrón, enumere la posible causa del proceso (desgaste de herramientas, cambio de lote, temperatura) como una HIPÓTESIS y escriba cómo se verificará. No declare una causa exacta".

Aviso débil / Aviso fuerte

PREGUNTA DÉBIL: "¿Es buena la calidad de estos datos?"

INDICACIÓN FUERTE: "Rol: usted es el asistente de SPC. Tengo los siguientes datos sobre el diámetro del eje (25 subgrupos, n=5): [datos]. La tolerancia es 20,00 ± 0,05 mm. Pídame: (1) calcular el centro y los límites de control para comparar el resultado con los criterios de aceptación, pero recordar que el sistema de medición (Gage R&R) debe verificarse".

El mensaje débil da una respuesta vaga y sin comentarios. Un mensaje potente proporciona datos claros, tolerancia y resultados deseados; Estipula la distinción entre límite de control/tolerancia, control R&R del medidor y que la decisión final queda en manos del ingeniero.

Errores comunes

• Confundir los límites de control con la tolerancia o ampliarlos para que no se produzca ninguna alarma.
• Confiar en Cpk sin verificar el sistema de medición (Gage R&R).
• Considerar la superación del límite como la "causa raíz" automática y decidir desechar sin confirmar la medición.
• considerar la clasificación de defectos de IA como la decisión de aceptación final; Sin pasar por NDT y aprobación autorizada.
• Intervenir en cada fluctuación sin distinguir entre la causa común y la causa específica (sobreajuste).
• En una serie crítica para la seguridad, confiar plenamente en lo que dice la IA es "limpio" y no realizar una verificación de muestreo.

En resumen

La IA en el control de calidad aumenta la atención y la velocidad del ingeniero de calidad con la clasificación de defectos, la captura de patrones en big data y el cálculo de gráficos/Cpk de SPC. Sin embargo, si la distinción entre límite de control y tolerancia, confiabilidad del sistema de medición y distinción de causa especial/común no se hace correctamente, las estadísticas pueden ser engañosas. Trate cada alarma como un disparador, confirme la medición, investigue la causa raíz y vincule la aceptación final con los criterios de aceptación, END estándar y aprobación autorizada. La IA hace una selección preliminar, el ingeniero toma la decisión.

Tarea de aplicación

Especifique una serie de mediciones reales o ficticias (por ejemplo, 20-25 subgrupos de datos de diámetro/dureza) y una tolerancia. Con la plantilla "CONFIGURACIÓN DEL TABLA DE CONTROL", solicite a la IA el tipo de gráfico y el código de cálculo adecuados y pídale que calcule los límites de control. Luego comente la idoneidad del proceso utilizando la plantilla "COMENTARIO Cpk" y observe la verificación de Gage R&R. Finalmente, cree un escenario de superación del límite y escriba en un párrafo qué pasos decidirá (confirmación de la medición, causa raíz, criterios de aceptación).

lista de verificación

• [ ] He identificado el atributo crítico de calidad a monitorear y la confiabilidad del sistema de medición.
• [] Seleccioné el tipo de gráfico de control apropiado y calculé los límites del proceso.
• [ ] Separé el límite de control y la tolerancia; No amplié los límites arbitrariamente.
• [ ] Interpreté Cpk junto con la confiabilidad del sistema de medición.
• [ ] Consideré la alarma como un disparador, confirmé la medición e investigué la causa raíz.
• [ ] He basado la aceptación final en criterios de aceptación, END estándar y aprobación autorizada.