ગુણવત્તા નિયંત્રણ, ખામી શોધ અને આંકડાકીય પ્રક્રિયા નિયંત્રણ

નફો:

• AI સાથે ઉત્પાદન અને નિરીક્ષણ ડેટાને મોનિટર કરવાની અને ખામી અને વિચલન પેટર્નને વહેલા શોધવાની ક્ષમતા
• AI સપોર્ટ સાથે સ્ટેટિસ્ટિકલ પ્રોસેસ કંટ્રોલ (SPC), Cpk અને કંટ્રોલ ચાર્ટ સેટ કરવા અને તેનું અર્થઘટન કરવાની ક્ષમતા
• એનડીટી પરિણામ, સ્વીકૃતિ માપદંડ અને અધિકૃત નિરીક્ષણ પુષ્ટિ સાથે AI ના ખામી વર્ગીકરણને ચકાસવાની ક્ષમતા

ઉત્પાદન લાઇનમાંથી પસાર થતા હજારો ભાગોમાંથી કયો ભાગ ખામીયુક્ત છે અને કઈ ક્ષણે પ્રક્રિયા લપસવા લાગે છે તે ધ્યાનમાં લેવું એ મેટલર્જિકલ અને ગુણવત્તાયુક્ત એન્જિનિયરની સતત ફરજ છે. ગુણવત્તા નિયંત્રણ, ઉત્પાદન નિર્દિષ્ટ જરૂરિયાતોને પૂર્ણ કરે છે કે કેમ તે તપાસવું; ખામી શોધ, ઉત્પાદનમાં ભૂલો કેપ્ચર (સ્ક્રેચ, છિદ્રો, તિરાડો, પરિમાણીય વિચલનો); આંકડાકીય પ્રક્રિયા નિયંત્રણ (SPC) એ ઉત્પાદન ડેટાને આંકડાકીય રીતે મોનિટર કરીને પ્રક્રિયા નિયંત્રણ હેઠળ છે કે કેમ તે સમજવાની એક પદ્ધતિ છે. આર્ટિફિશિયલ ઈન્ટેલિજન્સ ઈમેજીસમાંથી ઓટોમેટિક ડિફેક્ટ વર્ગીકરણ, મોટા માપન ડેટામાં પેટર્ન કેપ્ચર અને SPC ગ્રાફનું બાંધકામ અને અર્થઘટનને વેગ આપે છે. પરંતુ એલાર્મ એ સ્વયંસંચાલિત નિર્ણય નથી; દરેક AI આઉટપુટ NDT પરિણામ, સ્વીકૃતિ માપદંડ અને અધિકૃત નિરીક્ષણ મંજૂરી દ્વારા પુષ્ટિ થયેલ હોવું આવશ્યક છે.

એસપીસીની મૂળભૂત વિભાવનાઓ અને એઆઈની ભૂમિકા

• નિયંત્રણ ચાર્ટ: કેન્દ્ર રેખા અને નિયંત્રણ મર્યાદાઓ (સામાન્ય રીતે ±3 પ્રમાણભૂત વિચલનો) સાથે સમયાંતરે માપન (દા.ત. વ્યાસ, કઠિનતા)માં ફેરફાર દર્શાવતો ગ્રાફ. લિમિટ ક્રોસિંગ એ સંકેત છે કે પ્રક્રિયા બદલાઈ ગઈ છે.
• નિયંત્રણ મર્યાદા વગેરે. સહનશીલતા: નિયંત્રણ મર્યાદા પ્રક્રિયાના કુદરતી વિવિધતામાંથી આવે છે; સહિષ્ણુતા (વિશિષ્ટતા મર્યાદા) ગ્રાહક જે ઇચ્છે છે તે છે. બંનેએ મૂંઝવણમાં ન આવવું જોઈએ.
• Cp અને Cpk (પ્રક્રિયા ક્ષમતા સૂચકાંકો): પ્રક્રિયા સહનશીલતામાં કેટલી સરળતાથી બંધબેસે છે તે માપે છે. Cp સ્પ્રેડનું મૂલ્યાંકન કરે છે, અને Cpk સ્પ્રેડ + ડિસેન્ટ્રેશનનું એકસાથે મૂલ્યાંકન કરે છે. Cpk ≥ 1.33 સામાન્ય રીતે પર્યાપ્ત ગણવામાં આવે છે.
• ખાનગી વિ. સામાન્ય કારણ: સામાન્ય કારણ પ્રક્રિયાનો સહજ અવાજ છે; ચોક્કસ કારણ (દા.ત. સાધન વસ્ત્રો, ખોટી બેચ) એ વિચલન છે જેને હસ્તક્ષેપની જરૂર છે. SPCનો હેતુ બંનેને અલગ કરવાનો છે.

AI આ ખ્યાલો શીખવવામાં, ડેટામાંથી નિયંત્રણ ચાર્ટ/Cpk ની ગણતરી કરતા કોડ જનરેટ કરવા અને ચાર્ટ પેટર્ન (ટ્રેન્ડ, ડ્રિફ્ટ, સામયિકતા) નું અર્થઘટન કરવામાં શક્તિશાળી છે. પરંતુ એન્જિનિયર મર્યાદા ઓળંગવાનું કારણ અને યોગ્ય હસ્તક્ષેપ નક્કી કરે છે.

ધ્યાન આપો: "એલાર્મને રોકવા માટે" નિયંત્રણ મર્યાદાને વિસ્તૃત કરવી એ સૌથી ખતરનાક ભૂલોમાંની એક છે. મર્યાદાની ગણતરી પ્રક્રિયાના વાસ્તવિક ભિન્નતા પરથી કરવામાં આવે છે; તેમને આપખુદ રીતે લંબાવવાથી વાસ્તવિક વિચલનો અદ્રશ્ય થઈ જાય છે અને ખામીયુક્ત ઉત્પાદન ગ્રાહક સુધી લઈ જાય છે.

સ્ટેપ બાય સ્ટેપ: AI-સંચાલિત ગુણવત્તા મોનિટરિંગ

1. લાક્ષણિકતા પસંદ કરો: કયા નિર્ણાયક મેટ્રિકનું નિરીક્ષણ કરવામાં આવશે (CQ: જટિલ ગુણવત્તા લાક્ષણિકતા)? શું માપન પ્રણાલી વિશ્વસનીય છે (ગેજ આર એન્ડ આર)?
2. ડેટા એકત્રિત કરો: પેટાજૂથોમાં નિયમિત નમૂના લેવા. શું મીટર માપાંકિત છે?
3. ચાર્ટ સેટ કરો: AI ને યોગ્ય નિયંત્રણ ચાર્ટ (X-bar/R, વ્યક્તિગત-મૂવિંગ રેન્જ) પ્રકાર અને કોડ માટે પૂછો.
4. ટિપ્પણી: શું ત્યાં કોઈ ઓવરશૂટ, વલણ, બેચ નિયમો છે (દા.ત. વેસ્ટર્ન ઇલેક્ટ્રિક નિયમો)?
5. મૂળ કારણ માટે જુઓ: એલાર્મ એક ટ્રિગર છે; માપન, સમીક્ષા પ્રક્રિયાની પુષ્ટિ કરો.
6. નક્કી કરો: સ્વીકૃતિ માપદંડ અને NDT પરિણામના આધારે; વિચલિત બેચને અલગ કરો અને સુધારાત્મક ક્રિયા લાગુ કરો.

ખામી શોધ અને બિન-વિનાશક પરીક્ષણ

ઈમેજ-આધારિત AI (ડીપ લર્નિંગ ક્લાસિફાયર) સપાટીની ખામીઓ (સ્ક્રેચ, બરર્સ, ઓક્સાઈડ્સ, છિદ્રો) ને ઝડપથી કાઢી શકે છે. આંતરિક ખામીઓને બિન-વિનાશક પરીક્ષણ (NDT) ની જરૂર છે: રેડિયોગ્રાફી (RT), અલ્ટ્રાસોનિક (UT), ચુંબકીય કણ (MT), પેનિટ્રન્ટ (PT). AI RT/UT છબીઓને પ્રી-સ્ક્રીન કરી શકે છે, પરંતુ અંતિમ મૂલ્યાંકન પ્રમાણિત NDT કર્મચારીઓ અને પ્રમાણભૂત સ્વીકૃતિ માપદંડો દ્વારા કરવામાં આવે છે.

ખામીનો પ્રકાર

લાક્ષણિક પદ્ધતિ

AI યોગદાન

અંતિમ નિર્ણય

સરફેસ સ્ક્રેચ/બર

ઓપ્ટિકલ છબી

આપોઆપ વર્ગીકરણ

સ્વીકૃતિ માપદંડ + ઓપરેટર

આંતરિક છિદ્ર/ક્રેક

RT/UT

છબી પૂર્વ-સ્ક્રીનિંગ

પ્રમાણિત NDT+ ધોરણ

ક્રેક (સપાટી પર ખુલ્લું)

MT/PT

સંકેત ચિહ્ન

NDT સ્તર II/III મંજૂરી

કદ વિચલન

સીએમએમ / માપન

SPC સાથે ટ્રેન્ડ ટ્રેકિંગ

સહનશીલતા + નિર્ણય

ત્રણ નાના કેસો

કેસ 1 - સરહદ વિસ્તરણ છટકું. લાઇન પરના વ્યાસ માપનમાં ઉપલી નિયંત્રણ મર્યાદા વારંવાર ઓળંગી જાય છે. ઓપરેટર ચેતવણીઓ ઘટાડવા માટે મર્યાદાને વિસ્તૃત કરવાની ભલામણ કરે છે. ક્વોલિટી ઈજનેર આને વાંધો લે છે; તેની પાસે AI પાસે SPC ડેટાનું વિશ્લેષણ છે અને જાણવા મળ્યું છે કે બપોરની પાળીમાં વ્યવસ્થિત શિફ્ટ (ચોક્કસ કારણ) છે, સંભવતઃ ટૂલ વેઅરને કારણે. જ્યારે સાધન બદલવાની અવધિ ટૂંકી કરવામાં આવે છે, ત્યારે પ્રક્રિયા મર્યાદામાં પાછી આવે છે. પાઠ: એલાર્મ એ માહિતીનો સ્ત્રોત છે; તેને મૌન કરવું જરૂરી નથી, પરંતુ તેનું કારણ શોધવાનું છે.

કેસ 2 — ખોટું Cpk અર્થઘટન. એક રિપોર્ટ કહે છે કે પ્રક્રિયા "Cpk = 1.8, પરફેક્ટ" છે પરંતુ ભાગો ગ્રાહકને સમસ્યાઓ આપી રહ્યા છે. એન્જિનિયર પાસે એઆઈ ડેટાની તપાસ છે; તે શોધે છે કે વાસ્તવિક પરિવર્તન છુપાયેલું છે કારણ કે માપન પ્રણાલીનું રિઝોલ્યુશન અપૂરતું છે (ગેજ આર એન્ડ આર ખરાબ છે), ઉચ્ચ Cpk માપન અંધત્વથી આવે છે. પ્રથમ, માપન સિસ્ટમ સુધારેલ છે અને વાસ્તવિક Cpk 1.1 છે. પાઠ: ખરાબ માપન પ્રણાલી પર આધારિત કોઈપણ આંકડા ભ્રામક છે; પહેલા માપ ચકાસો.

કેસ 3 - યોગ્ય NDT નાબૂદી. એક ઉત્પાદક કાસ્ટિંગ પર AI-સંચાલિત RT પ્રી-ક્વોલિફાઇંગનો ઉપયોગ કરે છે; શંકાસ્પદ ભાગોને ફ્લેગ કરે છે અને તેમને પ્રમાણિત NDT કર્મચારીઓને નિર્દેશિત કરે છે. AI ઝડપથી મોટાભાગના સ્વચ્છ ટુકડાઓમાંથી પસાર થાય છે, સ્ટાફ ફક્ત ચિહ્નિત પર ધ્યાન કેન્દ્રિત કરે છે. જો કે, સલામતી-નિર્ણાયક શ્રેણીમાં, AI જે ભાગોને "ક્લીન" કહે છે તે પણ નમૂના લેવામાં આવે છે અને NDT સાથે તપાસવામાં આવે છે; કારણ કે AI એ સ્ક્રીનીંગ ટૂલ છે, એડમિશન ઓથોરિટી નથી. પાઠ: AI કાર્યક્ષમતામાં સુધારો કરે છે પરંતુ અંતિમ સ્વીકૃતિ પ્રમાણભૂત NDT અને અધિકૃત મંજૂરી સાથે આવે છે.

નકલ કરી શકાય તેવા પ્રોમ્પ્ટ નમૂનાઓ

કંટ્રોલ ચાર્ટ સેટઅપ ટેમ્પલેટ "ભૂમિકા: તમે SPC/ગુણવત્તા સહાયક છો. મારી પાસે નીચેનો માપન ડેટા છે: [સબગ્રુપ ડેટા]. લાક્ષણિકતા: [વ્યાસ/કઠિનતા]. મને વાજબીતા સાથે યોગ્ય પ્રકારનાં નિયંત્રણ ચાર્ટ (X-bar/R અથવા I-MR) ની ભલામણ કરો અને કેન્દ્ર રેખાની ગણતરી કરો + નિયંત્રણ મર્યાદા Pphaython કોડની મર્યાદાઓથી અલગ છે. સહનશીલતા મર્યાદા ઓળંગવા પર ટિપ્પણી કરો, પરંતુ જણાવો કે કારણની તપાસ થવી જોઈએ."

Cpk COMMENT TEMPLATE "Cp = [...], Cpk = [...], સહિષ્ણુતા = [...], માપેલ વિતરણ = [...]. આ મૂલ્યોનું અર્થઘટન કરો: શું પ્રક્રિયા પર્યાપ્ત છે, શું વિકેન્દ્રીકરણ છે? મને યાદ કરાવો કે પ્રથમ પૂછો કે શું માપન પ્રણાલી વિશ્વસનીય છે (ગેજ R&R). પ્રયોગ/નિરીક્ષણ માટે 'યોગ્ય' નિર્ણય."

ખામી વર્ગીકરણ મૂલ્યાંકન નમૂનો "AI ઇમેજ મોડેલમાં નીચેની ખામીઓ ચિહ્નિત કરવામાં આવી છે: [સૂચિ]. દરેક માટે: કયા સ્વીકૃતિ માપદંડ (માનક) સામે તેનું મૂલ્યાંકન કરવું જોઈએ, પુષ્ટિ માટે કઈ NDT પદ્ધતિ જરૂરી છે, ખોટા-પોઝિટિવ/નેગેટિવનું જોખમ શું છે? સ્પષ્ટ કરો કે અંતિમ સ્વીકૃતિ એનડીટી એપ દ્વારા આપવામાં આવે છે અને એનડીટી ઓથોરાઇઝ્ડ ઓથોરાઇઝ્ડ એપ્લીકેશનની સાથે સ્વીકૃતિ આપવામાં આવે છે. 'પ્રી-સ્ક્રીનિંગ'."

SPC પેટર્ન વિશ્લેષણ નમૂનો "નીચેના નિયંત્રણ ચાર્ટ ડેટાની તપાસ કરો: [ડેટા/ટાઇમ શ્રેણી]. શું ત્યાં કોઈ વલણ, ડ્રિફ્ટ, સામયિકતા, અથવા શ્રેણીના નિયમનું ઉલ્લંઘન (વેસ્ટર્ન ઇલેક્ટ્રિક) છે? દરેક પેટર્ન માટે, સંભવિત પ્રક્રિયાના કારણો (ટૂલ પહેરવા, બેચમાં ફેરફાર, તાપમાન)ને હાઇપોથેસીસ તરીકે સૂચિબદ્ધ કરો અને લખો કે તે કેવી રીતે સ્પષ્ટ થશે નહીં. કારણ સ્પષ્ટ કરો."

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા સંકેત: "શું આ ડેટાની ગુણવત્તા સારી છે?"

સ્ટ્રોંગ પ્રોમ્પ્ટ: "ભૂમિકા: તમે SPC સહાયક છો. મારી પાસે નીચેના શાફ્ટ વ્યાસનો ડેટા છે (25 પેટાજૂથો, n=5): [ડેટા]. સહિષ્ણુતા 20.00 ± 0.05 mm છે. મારી પાસે છે: (1) માટે કેન્દ્ર અને નિયંત્રણ મર્યાદાની ગણતરી કરો માટે પરિણામની સરખામણી કરો. ચકાસાયેલ છે."

નબળા પ્રોમ્પ્ટ અસ્પષ્ટ અને ટિપ્પણી વિના જવાબ આપે છે. શક્તિશાળી પ્રોમ્પ્ટ સ્પષ્ટ ડેટા, સહનશીલતા અને ઇચ્છિત આઉટપુટ આપે છે; તે નિયંત્રણ મર્યાદા/સહનશીલતા ભેદ, ગેજ આર એન્ડ આર નિયંત્રણ અને અંતિમ નિર્ણય એન્જિનિયર પાસે રહે છે તે નિર્ધારિત કરે છે.

સામાન્ય ભૂલો

• ગૂંચવણમાં મૂકે છે નિયંત્રણ મર્યાદા સહનશીલતા સાથે અથવા તેને વિસ્તૃત કરો જેથી કરીને કોઈ અલાર્મ ન થાય.
• માપન સિસ્ટમ (ગેજ આર એન્ડ આર) ની ચકાસણી કર્યા વિના Cpk પર આધાર રાખવો.
• મર્યાદા ઓળંગી જવાને સ્વચાલિત "મૂળ કારણ" તરીકે ધ્યાનમાં લેવું અને માપની પુષ્ટિ કર્યા વિના સ્ક્રેપ કરવાનું નક્કી કરવું.
• AI ખામી વર્ગીકરણને અંતિમ સ્વીકૃતિ નિર્ણય તરીકે ધ્યાનમાં લો; NDT અને અધિકૃત મંજૂરીને બાયપાસ કરીને.
• સામાન્ય કારણ અને ચોક્કસ કારણ (ઓવર-એડજસ્ટમેન્ટ) વચ્ચે તફાવત કર્યા વિના દરેક વધઘટમાં દરમિયાનગીરી કરવી.
• સલામતી-નિર્ણાયક શ્રેણીમાં, AI જે કહે છે તેના પર સંપૂર્ણ વિશ્વાસ રાખીને "સ્વચ્છ" છે અને નમૂનાની ચકાસણી ન કરવી.

સારાંશમાં

ગુણવત્તા નિયંત્રણમાં AI ખામી વર્ગીકરણ, મોટા ડેટામાં પેટર્ન કેપ્ચર અને SPC ગ્રાફ/Cpk ગણતરી સાથે ગુણવત્તા એન્જિનિયરની આંખ અને ગતિમાં વધારો કરે છે. જો કે, જો નિયંત્રણ મર્યાદા-સહિષ્ણુતા ભેદ, માપન પ્રણાલીની વિશ્વસનીયતા અને વિશેષ/સામાન્ય કારણનો ભેદ યોગ્ય રીતે કરવામાં ન આવે તો, આંકડા ભ્રામક હોઈ શકે છે. દરેક એલાર્મને ટ્રિગર તરીકે ગણો, માપની પુષ્ટિ કરો, મૂળ કારણની તપાસ કરો અને અંતિમ સ્વીકૃતિને સ્વીકૃતિ માપદંડ, પ્રમાણભૂત NDT અને અધિકૃત મંજૂરી સાથે લિંક કરો. AI પ્રારંભિક પસંદગી કરે છે, એન્જિનિયર નિર્ણય લે છે.

એપ્લિકેશન કાર્ય

માપનની વાસ્તવિક અથવા કાલ્પનિક શ્રેણી (દા.ત. વ્યાસ/કઠિનતા ડેટાના 20-25 પેટાજૂથો) અને સહિષ્ણુતાનો ઉલ્લેખ કરો. "સેટઅપ કંટ્રોલ ચાર્ટ" ટેમ્પલેટ સાથે, AI ને યોગ્ય ચાર્ટ પ્રકાર અને ગણતરી કોડ માટે પૂછો અને તેને નિયંત્રણ મર્યાદાની ગણતરી કરવા માટે કહો. પછી "Cpk COMMENT" ટેમ્પલેટનો ઉપયોગ કરીને પ્રક્રિયાની પર્યાપ્તતા પર ટિપ્પણી કરો અને ગેજ R&R ચેકની નોંધ લો. છેલ્લે, એક મર્યાદા ઓળંગી દૃશ્ય બનાવો અને ફકરામાં લખો કે તમે કયા પગલાં નક્કી કરશો (માપની પુષ્ટિ, મૂળ કારણ, સ્વીકૃતિ માપદંડ).

ચેકલિસ્ટ

• [ ] મેં દેખરેખ રાખવાની નિર્ણાયક ગુણવત્તા વિશેષતા અને માપન પ્રણાલીની વિશ્વસનીયતા ઓળખી કાઢી છે.
• [ ] મેં યોગ્ય નિયંત્રણ ચાર્ટ પ્રકાર પસંદ કર્યો અને પ્રક્રિયામાંથી મર્યાદાઓની ગણતરી કરી.
• [ ] મેં નિયંત્રણ મર્યાદા અને સહનશીલતાને અલગ કરી છે; મેં મનસ્વી રીતે સીમાઓ વિસ્તરી નથી.
• [ ] મેં માપન સિસ્ટમની વિશ્વસનીયતા સાથે Cpk નું અર્થઘટન કર્યું.
• [ ] મેં એલાર્મને ટ્રિગર તરીકે ગણ્યું, માપની પુષ્ટિ કરી અને મૂળ કારણની તપાસ કરી.
• [ ] મેં સ્વીકૃતિ માપદંડ, પ્રમાણભૂત NDT અને અધિકૃત મંજૂરી પર અંતિમ સ્વીકૃતિ આધારિત છે.