کنترل کیفیت، تشخیص عیب و کنترل فرآیند آماری

سود:

• توانایی نظارت بر داده های تولید و بازرسی با هوش مصنوعی و تشخیص زودهنگام الگوهای نقص و انحراف
• امکان راه اندازی و تفسیر نمودارهای کنترل فرآیند آماری (SPC)، Cpk و کنترل با پشتیبانی از هوش مصنوعی
• امکان تأیید طبقه بندی نقص هوش مصنوعی با نتیجه NDT، معیارهای پذیرش و تأیید بازرسی مجاز

این وظیفه همیشگی مهندس متالورژی و کیفیت است که متوجه شود کدام یک از هزاران قطعه ای که از یک خط تولید عبور می کند معیوب است و در چه لحظه ای فرآیند شروع به لغزش می کند. کنترل کیفیت، بررسی اینکه آیا محصول با الزامات مشخص شده مطابقت دارد یا خیر. تشخیص عیب، ثبت خطاها در محصول (خراش، منافذ، ترک، انحراف ابعاد)؛ کنترل فرآیند آماری (SPC) روشی برای درک اینکه آیا فرآیند تحت کنترل است یا خیر با نظارت بر داده های تولید به صورت آماری است. هوش مصنوعی طبقه‌بندی خودکار نقص از تصاویر، ثبت الگو در داده‌های اندازه‌گیری بزرگ، و ساخت و تفسیر نمودارهای SPC را تسریع می‌کند. اما هشدار یک تصمیم خودکار نیست. هر خروجی هوش مصنوعی باید توسط نتیجه NDT، معیارهای پذیرش و تأیید بازرسی مجاز تأیید شود.

مفاهیم اساسی SPC و نقش هوش مصنوعی

• نمودار کنترل: نموداری که تغییر اندازه گیری (به عنوان مثال قطر، سختی) را در طول زمان، با خط مرکزی و محدودیت های کنترل (معمولاً 3± انحراف استاندارد) نشان می دهد. عبور از حد مجاز نشانه تغییر روند است.
• حد کنترل و غیره. تحمل: محدودیت‌های کنترل از تغییرات طبیعی فرآیند ناشی می‌شوند. تحمل (محدودیت مشخصات) چیزی است که مشتری می خواهد. این دو را نباید با هم اشتباه گرفت.
• Cp و Cpk (شاخص‌های قابلیت فرآیند): اندازه‌گیری می‌کند که فرآیند به راحتی با تحمل سازگار می‌شود. Cp اسپرد را ارزیابی می کند و Cpk اسپرد + تمرکز را با هم ارزیابی می کند. Cpk ≥ 1.33 به طور کلی کافی در نظر گرفته می شود.
• علت خصوصی در مقابل علت مشترک: علت مشترک صدای ذاتی فرآیند است. علت خاص (به عنوان مثال سایش ابزار، دسته اشتباه) انحرافی است که نیاز به مداخله دارد. هدف SPC جداسازی این دو است.

هوش مصنوعی در آموزش این مفاهیم، ​​تولید کدی که یک نمودار کنترلی/Cpk را از روی داده ها محاسبه می کند، و تفسیر الگوهای نمودار (روند، رانش، تناوب) قدرتمند است. اما مهندس علت بیش از حد مجاز و مداخله صحیح را تعیین می کند.

توجه: گسترش حدود کنترل "برای جلوگیری از زنگ هشدار" یکی از خطرناک ترین اشتباهات است. محدودیت ها از تغییرات واقعی فرآیند محاسبه می شوند. گسترش خودسرانه آنها انحرافات واقعی را نامرئی می کند و محصول معیوب را به سمت مشتری منتقل می کند.

گام به گام: نظارت بر کیفیت مبتنی بر هوش مصنوعی

1. مشخصه انتخاب کنید: کدام معیار مهم پایش خواهد شد (CQ: مشخصه کیفیت بحرانی)؟ آیا سیستم اندازه گیری (Gage R&R) قابل اعتماد است؟
2. جمع آوری داده ها: نمونه گیری منظم در زیر گروه ها. آیا کنتور کالیبره شده است؟
3. تنظیم نمودار: از هوش مصنوعی نوع و کد نمودار کنترل مناسب (X-bar/R، محدوده حرکت فردی) را بخواهید.
4. نظر: آیا قوانین دسته ای بیش از حد، روند، قوانین (به عنوان مثال قوانین وسترن الکتریک) وجود دارد؟
5. به دنبال علت اصلی باشید: زنگ هشدار یک ماشه است. تایید اندازه گیری، روند بررسی.
6. تصمیم بگیرید: بر اساس معیارهای پذیرش و نتیجه NDT. دسته منحرف شده را جدا کرده و اقدامات اصلاحی را اعمال کنید.

تشخیص عیب و آزمایش غیر مخرب

هوش مصنوعی مبتنی بر تصویر (طبقه‌بندی‌کننده‌های یادگیری عمیق) می‌تواند به سرعت نقص‌های سطحی (خراش‌ها، بریدگی‌ها، اکسیدها، منافذ) را استخراج کند. نقص های داخلی نیاز به آزمایش غیر مخرب (NDT) دارند: رادیوگرافی (RT)، اولتراسونیک (UT)، ذرات مغناطیسی (MT)، نافذ (PT). AI ممکن است تصاویر RT/UT را از قبل نمایش دهد، اما ارزیابی نهایی توسط پرسنل تایید شده NDT و معیارهای پذیرش استاندارد انجام می شود.

نوع نقص

روش معمولی

سهم هوش مصنوعی

تصمیم نهایی

خراش سطحی/خراش

تصویر نوری

طبقه بندی خودکار

معیار پذیرش + اپراتور

منافذ داخلی/ترک

RT/UT

پیش نمایش تصویر

دارای گواهی استاندارد NDT+

ترک (باز به سطح)

MT/PT

نشانه گذاری

تایید NDT سطح II/III

انحراف اندازه

CMM / اندازه گیری

ردیابی روند با SPC

مدارا + تصمیم

سه کیف کوچک

مورد 1 - تله گسترش مرز. حد کنترل بالایی اغلب در اندازه گیری قطر روی یک خط تجاوز می کند. اپراتور گسترش محدودیت ها را برای کاهش هشدارها توصیه می کند. مهندس کیفیت به این موضوع اعتراض دارد. او با هوش مصنوعی داده‌های SPC را تجزیه و تحلیل می‌کند و متوجه می‌شود که یک جابجایی سیستماتیک (علت خاص) در شیفت بعد از ظهر وجود دارد، احتمالاً به دلیل فرسودگی ابزار. هنگامی که دوره تغییر ابزار کوتاه می شود، فرآیند به محدوده محدود باز می گردد. درس: زنگ منبع اطلاعات است. باید او را ساکت نکرد، بلکه باید دلیل آن را یافت.

مورد 2 - تفسیر اشتباه Cpk. یکی از گزارش‌ها می‌گوید که فرآیند "Cpk = 1.8، عالی" است، اما قطعات به مشتری مشکل می‌دهند. مهندس دارای هوش مصنوعی است که داده ها را بررسی می کند. او متوجه می شود که تغییر واقعی پنهان است زیرا وضوح سیستم اندازه گیری ناکافی است (Gage R&R بد است)، Cpk بالا از کوری اندازه گیری ناشی می شود. ابتدا سیستم اندازه گیری تصحیح می شود و Cpk واقعی 1.1 است. درس: هر آماری که بر اساس یک سیستم اندازه گیری بد باشد گمراه کننده است. ابتدا اندازه گیری را بررسی کنید.

مورد 3 - حذف صحیح NDT. یکی از تولیدکنندگان از پیش صلاحیت RT مجهز به هوش مصنوعی در ریخته گری استفاده می کند. قطعات مشکوک را علامت گذاری می کند و آنها را به پرسنل تایید شده NDT هدایت می کند. هوش مصنوعی به سرعت بیشتر قطعات تمیز را طی می کند و کارکنان فقط بر روی موارد علامت گذاری شده تمرکز می کنند. با این حال، در یک سری از لحاظ ایمنی حیاتی، قطعاتی که هوش مصنوعی آنها را "تمیز" می نامد نیز نمونه برداری شده و با NDT بررسی می شود. زیرا هوش مصنوعی یک ابزار غربالگری است، نه یک مرجع پذیرش. درس: هوش مصنوعی کارایی را بهبود می بخشد اما پذیرش نهایی با استاندارد NDT و تایید مجاز همراه است.

الگوهای درخواستی قابل کپی

CONTROL CHART SETUP TEMPLATE "نقش: شما SPC / دستیار کیفیت هستید. من داده های اندازه گیری زیر را دارم: [داده های زیرگروه]. مشخصه: [قطر/سختی]. نوع نمودار کنترلی مناسب (X-bar/R یا I-MR) را با توجیه به من توصیه کنید و خط مرکزی را محاسبه کنید. محدودیت های کنترل Empha RANTO با Python متفاوت است. در مورد تخطی از حد اظهار نظر کنید، اما بیان کنید که علت آن باید بررسی شود.»

Cpk COMMENT TEMPLATE "Cp = [...]، Cpk = [...]، تحمل = [...]، توزیع اندازه گیری شده = [...]. این مقادیر را تفسیر کنید: آیا فرآیند کافی است، آیا عدم تمرکز وجود دارد؟ به من یادآوری کنید که ابتدا بپرسم که آیا سیستم اندازه گیری قابل اعتماد است (Gage R&R). مشکل را توضیح دهید که Cpk بالا می تواند از تصمیم گیری مجدد ناشی شود. آزمایش/بازرسی."

الگوی ارزیابی طبقه بندی نقص "مدل تصویر هوش مصنوعی عیوب زیر را مشخص می کند: [فهرست]. برای هر کدام: بر اساس کدام معیارهای پذیرش (استاندارد) باید ارزیابی شود، کدام روش NDT برای تایید لازم است، خطر مثبت/منفی کاذب چیست؟ مشخص کنید که پذیرش نهایی باید به عنوان تاییدیه ND داده شود و تایید شود. "پیش غربالگری"

الگوی تجزیه و تحلیل الگوی SPC"داده های نمودار کنترل زیر را بررسی کنید: [داده/سری زمانی]. آیا روند، انحراف، تناوب، یا نقض قوانین سری (Western Electric) وجود دارد؟ برای هر الگو، علت احتمالی فرآیند (ساییدگی ابزار، تغییر دسته، دما) را به عنوان یک فرضیه فهرست کنید و بنویسید که چگونه علت تایید نمی شود."

اعلان ضعیف / اعلان قوی

پیام ضعیف: "آیا کیفیت این داده ها خوب است؟"

STRONG PROMPT: "نقش: شما دستیار SPC هستید. من داده‌های قطر شفت زیر را دارم (25 زیر گروه، n=5): [داده]. تحمل 0.05 ± 20.00 میلی‌متر است. از من بخواهید: (1) نتیجه را با معیارهای پذیرش مقایسه کنید، اما یادآوری کنید که R&R اندازه‌گیری شده است.

اعلان ضعیف پاسخی مبهم و بدون نظر می دهد. اعلان قدرتمند داده های واضح، تحمل و خروجی های دلخواه را ارائه می دهد. این تمایز حد کنترل/تحمل، کنترل R&R Gage را مشخص می کند و تصمیم نهایی با مهندس باقی می ماند.

اشتباهات رایج

• اشتباه گرفتن محدودیت های کنترل با تحمل یا گسترش آنها به طوری که هیچ هشداری رخ نمی دهد.
• تکیه بر Cpk بدون تأیید سیستم اندازه گیری (Gage R&R).
• در نظر گرفتن بیش از حد حد مجاز به عنوان "علت ریشه ای" خودکار و تصمیم به حذف بدون تایید اندازه گیری.
• طبقه بندی نقص هوش مصنوعی را به عنوان تصمیم نهایی پذیرش در نظر بگیرید. دور زدن NDT و تاییدیه مجاز.
• مداخله در هر نوسان بدون تمایز بین علت مشترک و علت خاص (تعدیل بیش از حد).
• در یک سری از نظر ایمنی، اعتماد کامل به آنچه که هوش مصنوعی می‌گوید «تمیز» است و تأیید نمونه‌برداری انجام نمی‌شود.

به طور خلاصه

هوش مصنوعی در کنترل کیفیت چشم و سرعت مهندس کیفیت را با طبقه بندی نقص، ثبت الگو در داده های بزرگ و محاسبه نمودار SPC/Cpk افزایش می دهد. با این حال، اگر تمایز حد تحمل کنترل، قابلیت اطمینان سیستم اندازه‌گیری و تمایز علت خاص/متداول به درستی انجام نشود، آمار می‌تواند گمراه‌کننده باشد. هر زنگ هشدار را به عنوان یک ماشه در نظر بگیرید، اندازه گیری را تایید کنید، علت اصلی را بررسی کنید و پذیرش نهایی را به معیارهای پذیرش، استاندارد NDT و تایید مجاز مرتبط کنید. هوش مصنوعی یک انتخاب اولیه انجام می دهد، مهندس تصمیم می گیرد.

وظیفه کاربردی

یک سری اندازه گیری واقعی یا تخیلی (مثلاً 20-25 زیر گروه داده های قطر/سختی) و یک تلورانس را مشخص کنید. با الگوی "SETUP CONTROL CHART"، از هوش مصنوعی نوع نمودار و کد محاسبه مناسب را بخواهید و از آن بخواهید محدودیت های کنترل را محاسبه کند. سپس کفایت فرآیند را با استفاده از الگوی "Cpk COMMENT" نظر دهید و بررسی Gage R&R را یادداشت کنید. در نهایت، یک سناریوی بیش از حد ایجاد کنید و در یک پاراگراف بنویسید که در مورد کدام مراحل تصمیم خواهید گرفت (تأیید اندازه گیری، علت اصلی، معیارهای پذیرش).

چک لیست

• [ ] من ویژگی کیفیت حیاتی که باید نظارت شود و قابلیت اطمینان سیستم اندازه گیری را شناسایی کرده ام.
• [ ] من نوع نمودار کنترل مناسب را انتخاب کردم و محدودیت ها را از فرآیند محاسبه کردم.
• [ ] من حد کنترل و تحمل را از هم جدا کردم. من خودسرانه مرزها را گسترش ندادم.
• [ ] من Cpk را همراه با قابلیت اطمینان سیستم اندازه گیری تفسیر کردم.
• [ ] من زنگ هشدار را به عنوان یک ماشه در نظر گرفتم، اندازه گیری را تایید کردم و علت اصلی را بررسی کردم.
• [ ] من پذیرش نهایی را بر اساس معیارهای پذیرش، استاندارد NDT و تایید مجاز قرار داده ام.