کنترل کیفیت و کنترل فرآیند آماری (SPC)

سود:

• توانایی تفسیر نمودارهای کنترلی (X-bar/R, p, c) و شاخص های قابلیت پردازش (Cp, Cpk)
• امکان تسریع اسکن و گزارش سیگنال های خارج از کنترل (قوانین وسترن الکتریک) با هوش مصنوعی
• امکان تایید تفسیر آماری هوش مصنوعی با داده های خام و واقعیت فرآیند فیزیکی

کیفیت با بازرسی «مرتب‌سازی» نمی‌شود، با فرآیند «تولید» می‌شود. هدف کنترل فرآیند آماری (SPC) این است: نظارت بر فرآیند در زمان واقعی و گرفتن سیگنال‌ها قبل از تبدیل شدن خطاها به محصول. قدرت SPC در تشخیص تنوع طبیعی (علت مشترک) از تغییرپذیری غیر طبیعی (علت خاص) نهفته است. در این زمینه، هوش مصنوعی تفسیر نمودار کنترل، اسکن قوانین و گزارش مهارت را تسریع می کند. اما این وظیفه انسان است که تفسیر آماری را با واقعیت فرآیند فیزیکی ترکیب کند. در این بخش به نمودارهای کنترلی، شاخص های مهارت Cp/Cpk و نقش مناسب هوش مصنوعی در SPC می پردازیم.

دو چهره تغییرپذیری

هر فرآیندی شامل تنوع است. SPC این تنوع را به دو قسمت تقسیم می کند:

• علت شایع: نوسانات تصادفی و قابل پیش بینی ذاتی در فرآیند. فرآیند "تحت کنترل" است.
• علت خاص: یک رویداد خارجی و قابل تخصیص (شکستن ابزار، تغییر دسته مواد خام، تغییر تنظیمات). این فرآیند "خارج از کنترل" است.

تنها هدف نمودار کنترل جداسازی این دو است. پاسخ به نوسانات ناشی از علل مشترک (تعدیل بیش از حد / "دستکاری") در واقع تنوع را افزایش می دهد. "آزمایش قیف" کلاسیک دمینگ این را نشان می دهد: مداخله در هر انحراف اوضاع را بدتر می کند.

نکته: هرگز محدودیت های کنترل (UCL/LCL) را با محدودیت های تحمل (مشخصات) اشتباه نگیرید. محدودیت های کنترل "صدا" فرآیند هستند (محاسبه شده از داده ها). محدودیت های تحمل "صدای" مشتری است (از طرح می آید). هوش مصنوعی گاهی اوقات اینها را اشتباه می گیرد. در هر نظر مشخص کنید که در مورد کدام یک صحبت می کنید.

انواع نمودار کنترل

نمودار با توجه به نوع داده انتخاب می شود.

گرافیک

نوع داده

مثال

X-bar/R

پیوسته (اندازه گیری)، زیر گروه

میانگین قطر شفت و فاصله

X-bar/S

زیرگروه بزرگ و پیوسته

وزن پر کردن

I-MRI

اندازه گیری مداوم و تک

یک اندازه گیری در روز

p/np

نرخ/عدد گسسته، معیوب

نرخ قطعات معیوب

c/u

گسسته، تعداد نقص

نقص در واحد

در نمودار X-bar/R، محدودیت‌های کنترل از میانگین‌ها و گستره‌های زیرگروه محاسبه می‌شوند:

UCL_xbar = X-double-bar + A2 × R-barLCL_xbar =

سیگنال های خارج از کنترل (قوانین الکتریک غربی)

یک نقطه خارج از محدوده تنها سیگنال نیست. قوانین وسترن الکتریک (نلسون) همچنین الگوها را به تصویر می کشد:

1. یک نقطه خارج از 3σ (خارج از محدوده) است.
2. 2/3 امتیاز متوالی فراتر از 2σ (در همان سمت).
3. 4/5 امتیاز متوالی فراتر از 1σ.
4. 8 نقطه متوالی در همان سمت خط مرکزی (تغییر).
5. 6 نقطه به طور مداوم در حال افزایش/کاهش (روند).

نقش: شما یک مهندس کیفیت با تجربه در SPC هستید. وظیفه: مقادیر X-bar زیر را با قوانین Western Electric مطابق با UCL/LCL داده شده و خط مرکزی اسکن کنید. برای هر سیگنال خارج از کنترل: شماره قانون، کدام نقاط، تفسیر فیزیکی ممکن، و مرحله بررسی پیشنهادی. Center=50.2 UCL=52.1 LCL=48.3 σ=0.63داده (به ترتیب): {{ مقادیر }}قانون: سیگنال جعلی تولید نکنید. علامت گذاری نقاطی که به طور کامل قاعده را برآورده نمی کند. دلایل احتمالی را به عنوان «فرضیه» مطرح کنید، به زبان دقیق ننویسید.

هوش مصنوعی این غربالگری را سریع انجام می دهد، اما به یاد داشته باشید: ارائه قوانین یک هشدار آماری است. بررسی میدانی علت واقعی را پیدا می کند. هوش مصنوعی ممکن است بگوید "احتمالاً سایش ابزار"؛ این اندازه گیری ابزار است که این را تایید می کند.

قابلیت فرآیند: Cp و Cpk

حتی اگر فرآیند تحت کنترل باشد، آیا با تحمل مشتری مطابقت دارد؟ شاخص های کفایت این را نشان می دهد.

Cp = (USL - LSL) / (6σ) ← فقط اسپردCpk = min را اندازه می‌گیرد[ (USL - μ)/(3σ) , (μ - LSL)/(3σ) ] → شامل تمرکز است

مثال: 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 ] = دقیقه [0.4/0. ، 2.0] = 1.33

Cp = 1.67 نشان دهنده گسترش خوب است، اما Cpk = 1.33 به ما می گوید که فرآیند خارج از مرکز است (میانگین 10.1، نزدیکتر به USL از هدف 10.0). Cpk < Cp همیشه یک مشکل مرکز را نشان می دهد. حتی یک فرآیند با پراکندگی خوب، اگر در مرکز آن اشتباه باشد، محصول معیوب تولید می کند.

اعلان ضعیف / اعلان قوی

اعلان ضعیف:

آیا این روند خوب است؟

هیچ معیاری برای «خوب» وجود ندارد. هوش مصنوعی فقط یک حدس کلی می دهد.

اعلان قدرتمند:

Cp و Cpk را با داده های اندازه گیری زیر محاسبه کنید (USL=10.5، LSL=9.5). σ و میانگین را از داده ها محاسبه کنید، فرمول و هر مرحله را نشان دهید. اگر Cpk < Cp، بپرسید که آیا در مرکز یا گسترش است، نظر دهید. همچنین نرخ تقریبی خطا (ppm) فرآیند را تخمین بزنید و فرضیات خود را یادداشت کنید. داده ها: {{ ... }}

مورد کوچک: CP خوب، محصول بد

در یک خط پر کردن، اکثر بطری ها از مشخصات خارج می شوند، اما این فرآیند در نمودار کنترل "پایدار" به نظر می رسد. مهندس صنایع Yağmur داده ها را به هوش مصنوعی می دهد و Cp و Cpk را محاسبه می کند: Cp = 1.5 (گسترش خوب) اما Cpk = 0.7 (ناکافی). تفاوت این است که میانگین به طور قابل توجهی از هدف تغییر کرده است. هوش مصنوعی به مشکل مرکزیت اشاره می کند. او تنظیم شیر پرکن باران را بررسی می کند و در واقع یک افست پیدا می کند. هنگامی که تنظیمات را اصلاح می کنید، Cpk به 1.4 افزایش می یابد و زباله کاهش می یابد. درس مهم: فرآیند می تواند "پایدار" (تحت کنترل) باشد اما همچنان "کمبود" باشد (مشخصات را برآورده نمی کند). هوش مصنوعی این تمایز را به صورت عددی نشان داد. یاغمور بود که علت اصلی را در زمین پیدا کرد.

اشتباهات رایج

• کنترل گیج کننده و محدودیت تحمل: معادل سازی محدودیت های کنترل با تحمل مشتری.
• دستکاری علت رایج: تنظیم برای هر نوسان و افزایش تنوع.
• نادیده گرفتن Cpk: فقط به Cp نگاه می کنیم و مشکل مرکز را از دست می دهیم.
• اشتباه گرفتن سیگنال‌های هوش مصنوعی برای شواهد: تأیید نکردن علت سیگنال Western Electric در میدان.
• انتخاب نمودار اشتباه: استفاده از نمودار داده پیوسته (X-bar) برای داده های نرخ نقص.

به طور خلاصه

• ماهیت SPC جداسازی تنوع علت مشترک و خاص است. تداخل با علت شایع مضر است.
• محدودیت‌های کنترل از فرآیند ناشی می‌شوند، محدودیت‌های تحمل از طراحی ناشی می‌شوند. این دو هرگز نباید با هم اشتباه گرفته شوند.
• نمودار مناسب با نوع داده را انتخاب کنید (X-bar/R, p, c...) و به دنبال الگوهایی با قوانین Western Electric بگردید.
• Cp گسترش و Cpk تمرکز را اندازه گیری می کند. Cpk < Cp نشان دهنده یک مشکل مرکزیت است.
• هوش مصنوعی سیگنال های آماری را به سرعت تولید می کند. بازرسی میدانی دلیل را تایید می کند، تصمیم با مهندس است.

وظیفه کاربردی

حداقل 20 اندازه گیری مداوم از یک فرآیند (واقعی یا تخیلی) انجام دهید و مقادیر USL/LSL را تعیین کنید. از AI باید Cp و Cpk را با این داده ها محاسبه کند. باید σ و میانگین را از روی داده ها محاسبه کنید و هر مرحله را نشان دهید. تأیید بحرانی: مقادیر σ، Cp و Cpk را خودتان در اکسل یا پایتون دوباره محاسبه کنید و با خروجی هوش مصنوعی مقایسه کنید. سپس داده ها را با قوانین وسترن الکتریک اسکن کنید و بپرسید "چگونه می توانم این را در این زمینه تأیید کنم؟" برای هر سیگنال یافت شده به سوال پاسخ دهید. در نهایت، اگر Cpk < Cp، تصمیم بگیرید که آیا مرکز یا گسترش باید ابتدا اصلاح شود.