ગુણવત્તા નિયંત્રણ અને આંકડાકીય પ્રક્રિયા નિયંત્રણ (SPC)

નફો:

• નિયંત્રણ ચાર્ટ્સ (X-bar/R, p, c) અને પ્રક્રિયા ક્ષમતા સૂચકાંકો (Cp, Cpk) ને અર્થઘટન કરવાની ક્ષમતા
• AI સાથે આઉટ-ઓફ-કંટ્રોલ સિગ્નલો (વેસ્ટર્ન ઇલેક્ટ્રિક નિયમો)ના સ્કેનિંગ અને રિપોર્ટિંગને વેગ આપવાની ક્ષમતા
• કાચા ડેટા અને ભૌતિક પ્રક્રિયા વાસ્તવિકતા સાથે AI ના આંકડાકીય અર્થઘટનને માન્ય કરવાની ક્ષમતા

ગુણવત્તા નિરીક્ષણ દ્વારા "સૉર્ટ" થતી નથી, તે પ્રક્રિયા દ્વારા "ઉત્પાદિત" થાય છે. સ્ટેટિસ્ટિકલ પ્રોસેસ કંટ્રોલ (એસપીસી) એ માત્ર તે જ કરવાનું લક્ષ્ય રાખે છે: વાસ્તવિક સમયમાં પ્રક્રિયાનું નિરીક્ષણ કરવું અને ભૂલો ઉત્પાદનો બને તે પહેલાં સંકેતોને પકડવા. SPC ની મજબૂતાઈ કુદરતી (સામાન્ય કારણ) પરિવર્તનશીલતાને અસામાન્ય (ખાસ કારણ) પરિવર્તનશીલતાથી અલગ કરવામાં રહેલી છે. આ ક્ષેત્રમાં, AI નિયંત્રણ ચાર્ટ અર્થઘટન, નિયમ સ્કેનિંગ અને પ્રાવીણ્ય રિપોર્ટિંગને વેગ આપે છે; પરંતુ ભૌતિક પ્રક્રિયાની વાસ્તવિકતા સાથે આંકડાકીય અર્થઘટનને મિશ્રિત કરવાનું કામ માનવનું છે. આ એકમમાં, અમે નિયંત્રણ ચાર્ટ, Cp/Cpk પ્રાવીણ્ય સૂચકાંકો અને SPC માં AI ની યોગ્ય ભૂમિકાને આવરી લઈશું.

પરિવર્તનશીલતાના બે ચહેરા

દરેક પ્રક્રિયામાં પરિવર્તનશીલતા શામેલ છે. SPC આ પરિવર્તનશીલતાને બે ભાગમાં વહેંચે છે:

• સામાન્ય કારણ: પ્રક્રિયામાં સહજ રેન્ડમ, અનુમાનિત વધઘટ. પ્રક્રિયા "નિયંત્રણ હેઠળ" છે.
• વિશેષ કારણ: એક બાહ્ય, સોંપી શકાય તેવી ઘટના (ટૂલ તૂટવું, કાચા માલના બેચમાં ફેરફાર, સેટિંગ શિફ્ટ). પ્રક્રિયા "નિયંત્રણ બહાર" છે.

નિયંત્રણ ચાર્ટનો એકમાત્ર હેતુ બેને અલગ કરવાનો છે. સામાન્ય કારણની વધઘટ (ઓવર-એડજસ્ટમેન્ટ / "ટેમ્પરિંગ") ને પ્રતિસાદ આપવાથી વાસ્તવમાં પરિવર્તનશીલતા વધે છે. ડેમિંગનો ક્લાસિક "ફનલ પ્રયોગ" આ દર્શાવે છે: દરેક વિચલનમાં દખલ કરવાથી વસ્તુઓ વધુ ખરાબ થાય છે.

ટીપ: કંટ્રોલ લિમિટ (UCL/LCL) ને સહનશીલતા (સ્પેસિફિકેશન) મર્યાદા સાથે ક્યારેય ગૂંચવશો નહીં. નિયંત્રણ મર્યાદા એ પ્રક્રિયાનો "અવાજ" છે (ડેટામાંથી ગણતરી કરવામાં આવે છે); સહનશીલતા મર્યાદા ગ્રાહકનો "અવાજ" છે (ડિઝાઇનમાંથી આવે છે). AI ક્યારેક આને ગૂંચવણમાં મૂકે છે; દરેક કોમેન્ટમાં તમે કોની વાત કરી રહ્યા છો તે સ્પષ્ટ કરો.

નિયંત્રણ ચાર્ટ પ્રકારો

ડેટા પ્રકાર અનુસાર ચાર્ટ પસંદ કરવામાં આવે છે.

ગ્રાફિક્સ

ડેટા પ્રકાર

ઉદાહરણ

એક્સ-બાર/આર

સતત (માપ), પેટાજૂથ

શાફ્ટ વ્યાસ સરેરાશ અને ક્લિયરન્સ

એક્સ-બાર/એસ

સતત, મોટા પેટાજૂથ

વજન ભરવા

I-MRI

સતત, એકલ માપ

દિવસ દીઠ એકલ માપ

p/np

અલગ, ખામીયુક્ત દર/સંખ્યા

ખામીયુક્ત ભાગો દર

c/u

અલગ, ખામીઓની સંખ્યા

એકમ દીઠ ખામી

X-bar/R ચાર્ટ પર, નિયંત્રણ મર્યાદાની ગણતરી પેટાજૂથ સરેરાશ અને સ્પાન્સ પરથી કરવામાં આવે છે:

UCL_xbar = X-ડબલ-બાર + A2 × R-barLCL_xbar =

નિયંત્રણ બહારના સંકેતો (વેસ્ટર્ન ઇલેક્ટ્રિક નિયમો)

સીમાની બહાર જતું બિંદુ એ એકમાત્ર સંકેત નથી. વેસ્ટર્ન ઇલેક્ટ્રીક (નેલ્સન) નિયમો પણ પેટર્ન મેળવે છે:

1. બિંદુ 3σ (સીમાની બહાર) ની બહાર છે.
2. સળંગ 2/3 પોઈન્ટ 2σ (એ જ બાજુએ) ની બહાર.
3. 1σ થી આગળ 4/5 સળંગ પોઈન્ટ.
4. કેન્દ્ર રેખા (શિફ્ટ) ની સમાન બાજુએ સતત 8 બિંદુઓ.
5. 6 બિંદુઓ સતત વધતા/ઘટાતા (વલણ).

ભૂમિકા: તમે એસપીસીમાં અનુભવી ગુણવત્તાયુક્ત એન્જિનિયર છો. કાર્ય: આપેલ UCL/LCL અને કેન્દ્ર રેખા અનુસાર પશ્ચિમી ઇલેક્ટ્રિક નિયમો સાથે નીચેના X-બાર મૂલ્યોને સ્કેન કરો. દરેક નિયંત્રણ બહારના સિગ્નલ માટે: નિયમ નંબર, જે નિર્દેશ કરે છે, સંભવિત ભૌતિક અર્થઘટન અને સૂચવેલ તપાસ પગલું. કેન્દ્ર=50.2 UCL=52.1 LCL=48.3 σ=0.63ડેટા (ઓર્ડર કરેલ): {{ મૂલ્યો }}નિયમ: બનાવટી સિગ્નલ જનરેટ કરશો નહીં; ચિહ્નિત બિંદુઓ કે જે સંપૂર્ણપણે નિયમને સંતોષતા નથી. સંભવિત કારણોને "હાપોથીસીસ" તરીકે રજૂ કરો, ચોક્કસ ભાષામાં લખશો નહીં.

AI આ સ્ક્રીનીંગને ઝડપી બનાવે છે, પરંતુ યાદ રાખો: નિયમની જોગવાઈ આંકડાકીય ચેતવણી છે; ક્ષેત્રીય તપાસમાં સાચું કારણ જાણવા મળે છે. AI કદાચ "કદાચ ટૂલ વેર" કહી શકે છે; તે સાધન માપન છે જે આની પુષ્ટિ કરે છે.

પ્રક્રિયા ક્ષમતા: Cp અને Cpk

જો પ્રક્રિયા નિયંત્રણ હેઠળ હોય, તો શું તે ગ્રાહકની સહિષ્ણુતાને પૂર્ણ કરે છે? પર્યાપ્તતા સૂચકાંકો આ જણાવે છે.

Cp = (USL − LSL) / (6σ) → માત્ર સ્પ્રેડCpk = min[ (USL − μ)/(3σ) , (μ − LSL)/(3σ) ] → કેન્દ્રીકરણનો સમાવેશ કરે છે

ઉદાહરણ: USL = 10.5; LSL = 9.5; μ = 10.1; σ = 0.1.

Cp = (10.5 − 9.5) / (6 × 0.1) = 1.0 / 0.6 ≈ 1.67Cpk = મિનિટ[ (10.5 − 10.1)/0.3 , (10.1 − 9.5)/0.3] = મિનિટ[ 0.4/0 = 0.4/0.] મિનિટ[1.33 , 2.0] = 1.33

Cp = 1.67 સારો ફેલાવો સૂચવે છે, પરંતુ Cpk = 1.33 અમને કહે છે કે પ્રક્રિયા કેન્દ્રની બહાર છે (સરેરાશ 10.1, લક્ષ્ય 10.0 કરતાં USL ની નજીક). Cpk < Cp હંમેશા કેન્દ્રીય સમસ્યા સૂચવે છે. સારા વિક્ષેપ સાથેની પ્રક્રિયા પણ ખામીયુક્ત ઉત્પાદન પેદા કરશે જો તે ખોટી રીતે કેન્દ્રિત હોય.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

શું આ પ્રક્રિયા સારી છે?

"સારા" માટે કોઈ માપદંડ નથી; AI માત્ર સામાન્ય અનુમાન લગાવે છે.

શક્તિશાળી પ્રોમ્પ્ટ:

નીચેના માપન ડેટા સાથે Cp અને Cpk ની ગણતરી કરો (USL=10.5, LSL=9.5). ડેટામાંથી σ અને સરેરાશની ગણતરી કરો, સૂત્ર અને દરેક પગલું બતાવો. જો Cpk < Cp, પૂછો કે તે કેન્દ્રમાં છે કે ફેલાવે છે, ટિપ્પણી કરો. પ્રક્રિયાના અંદાજિત ભૂલ દર (ppm) નો પણ અંદાજ કાઢો અને તમારી ધારણાઓ લખો. ડેટા: {{ ... }}

મીની કેસ: સારી સીપી, ખરાબ ઉત્પાદન

ફિલિંગ લાઇન પર, મોટાભાગની બોટલ સ્પષ્ટીકરણમાંથી બહાર આવે છે, પરંતુ પ્રક્રિયા નિયંત્રણ ચાર્ટ પર "સ્થિર" દેખાય છે. ઔદ્યોગિક ઈજનેર યાગમુર એઆઈને ડેટા આપે છે અને તેની પાસે Cp અને Cpkની ગણતરી છે: Cp = 1.5 (સારી સ્પ્રેડ) પરંતુ Cpk = 0.7 (અપૂરતી). તફાવત એ છે કે સરેરાશ લક્ષ્યથી નોંધપાત્ર રીતે બદલાઈ ગઈ છે. AI કેન્દ્રીય સમસ્યાને નિર્દેશ કરે છે; તે રેઈન ફિલ વાલ્વની સેટિંગ તપાસે છે અને ખરેખર તેને ઓફસેટ મળે છે. જ્યારે તમે સેટિંગને ઠીક કરો છો, ત્યારે Cpk વધીને 1.4 થાય છે અને કચરો ઘટે છે. જટિલ પાઠ: પ્રક્રિયા "સ્થિર" (નિયંત્રણ હેઠળ) હોઈ શકે છે પરંતુ તેમ છતાં "ઉણપ" હોઈ શકે છે (વિશિષ્ટતાને પૂર્ણ કરતી નથી). AI એ સંખ્યાત્મક રીતે આ તફાવત દર્શાવ્યો; તે યામુર હતો જેણે મેદાનમાં મૂળ કારણ શોધી કાઢ્યું.

સામાન્ય ભૂલો

• ગૂંચવણભરી નિયંત્રણ અને સહિષ્ણુતા મર્યાદા: ગ્રાહક સહિષ્ણુતા સાથે નિયંત્રણ મર્યાદાની સમાનતા.
• સામાન્ય કારણ છેડછાડ: દરેક વધઘટ માટે સમાયોજિત કરવું અને પરિવર્તનશીલતામાં વધારો.
• Cpk ને અવગણવું: ફક્ત Cp ને જોવું અને કેન્દ્રીય મુદ્દો ખૂટે છે.
• પુરાવા માટે AI સિગ્નલની ભૂલ કરવી: ક્ષેત્રમાં વેસ્ટર્ન ઇલેક્ટ્રિક સિગ્નલનું કારણ ચકાસવું નહીં.
• ખોટો ચાર્ટ પસંદગી: ખામી દર ડેટા માટે સતત ડેટા ચાર્ટ (X-બાર) લાગુ કરવું.

સારાંશમાં

• SPC નો સાર સામાન્ય અને વિશેષ કારણ પરિવર્તનશીલતાને અલગ કરવાનો છે; સામાન્ય કારણ સાથે દખલ કરવી નુકસાનકારક છે.
• નિયંત્રણ મર્યાદા પ્રક્રિયામાંથી આવે છે, સહિષ્ણુતા મર્યાદા ડિઝાઇનમાંથી આવે છે; બંનેએ ક્યારેય મૂંઝવણ ન કરવી જોઈએ.
• ડેટા પ્રકાર (X-bar/R, p, c...) માટે યોગ્ય ચાર્ટ પસંદ કરો અને વેસ્ટર્ન ઇલેક્ટ્રિક નિયમો સાથે પેટર્ન જુઓ.
• Cp ફેલાવાને માપે છે અને Cpk કેન્દ્રીકરણને માપે છે; Cpk < Cp કેન્દ્રીય સમસ્યા સૂચવે છે.
• AI આંકડાકીય સિગ્નલ ઝડપથી જનરેટ કરે છે; ક્ષેત્ર નિરીક્ષણ કારણની પુષ્ટિ કરે છે, નિર્ણય એન્જિનિયર પર છે.

એપ્લિકેશન કાર્ય

પ્રક્રિયા (વાસ્તવિક અથવા કાલ્પનિક)માંથી ઓછામાં ઓછા 20 સતત માપ લો અને USL/LSL મૂલ્યો નક્કી કરો. AI પાસે આ ડેટા સાથે Cp અને Cpk ની ગણતરી કરો; ડેટામાંથી σ અને સરેરાશની ગણતરી કરો અને દરેક પગલું બતાવો. જટિલ ચકાસણી: એક્સેલ અથવા પાયથોનમાં σ, Cp અને Cpk મૂલ્યોની પુનઃગણતરી કરો અને AI આઉટપુટ સાથે સરખામણી કરો. પછી વેસ્ટર્ન ઇલેક્ટ્રિક નિયમો સાથે ડેટા સ્કેન કરો અને પૂછો કે "હું આ ક્ષેત્રમાં કેવી રીતે ચકાસી શકું?" મળેલ દરેક સિગ્નલ માટે. પ્રશ્નનો જવાબ આપો. છેલ્લે, જો Cpk < Cp, તો નક્કી કરો કે કેન્દ્રીકરણ કે ફેલાવવું પહેલા સુધારવું જોઈએ.