בקרת איכות ובקרת תהליכים סטטיסטיים (SPC)

רווחים:

• יכולת לפרש תרשימי בקרה (X-bar/R, p, c) ומדדי יכולת תהליך (Cp, Cpk)
• יכולת להאיץ סריקה ודיווח של אותות שיצאו משליטה (חוקי Western Electric) עם AI
• יכולת לאמת את הפרשנות הסטטיסטית של AI עם נתונים גולמיים ומציאות תהליך פיזי

איכות לא "ממוינת" על ידי בדיקה, היא "מיוצרת" על ידי התהליך. בקרת תהליכים סטטיסטית (SPC) שואפת לעשות בדיוק את זה: ניטור התהליך בזמן אמת ותפיסת אותות לפני שגיאות הופכות למוצרים. החוזק של SPC טמון בהבחנה בין שונות טבעית (סיבה שכיחה) לבין שונות חריגה (סיבה מיוחדת). בתחום זה, AI מאיץ את פרשנות תרשים הבקרה, סריקת כללים ודיווח מיומנות; אבל זה תפקידו של האדם למזג פרשנות סטטיסטית עם המציאות של התהליך הפיזי. ביחידה זו, נסקור תרשימי בקרה, מדדי מיומנות Cp/Cpk ואת התפקיד הנכון של AI ב-SPC.

שני פנים של שונות

כל תהליך כרוך בשונות. SPC מחלק את השונות הזו לשניים:

• סיבה נפוצה: תנודה אקראית וצפויה הגלומה בתהליך. התהליך "בשליטה".
• סיבה מיוחדת: אירוע חיצוני שניתן להקצאה (שבירת כלי עבודה, החלפת אצווה של חומר גלם, משמרת הגדרה). התהליך "יצא משליטה".

המטרה היחידה של טבלת הבקרה היא להפריד בין השניים. תגובה לתנודתיות של סיבה נפוצה (התאמת יתר / "שיבוש") למעשה מגבירה את השונות. "ניסוי המשפך" הקלאסי של דמינג מראה זאת: התערבות בכל סטייה מחמירה את המצב.

טיפ: לעולם אל תבלבלו בין מגבלות בקרה (UCL/LCL) לבין מגבלות סובלנות (מפרט). גבולות הבקרה הם ה"קול" של התהליך (מחושב מנתונים); מגבלות סובלנות הן ה"קול" של הלקוח (מגיע מהעיצוב). AI לפעמים מבלבל את אלה; הבהירו על איזה מהם אתם מדברים בכל תגובה.

סוגי תרשים בקרה

התרשים נבחר בהתאם לסוג הנתונים.

גרפיקה

סוג נתונים

דוגמה

X-bar/R

רציף (מדידה), תת-קבוצה

ממוצע קוטר פיר ומרווח

X-bar/S

תת קבוצה רציפה וגדולה

משקל מילוי

I-MRI

מדידה רציפה, בודדת

מדידה בודדת ליום

p/np

תעריף/מספר דיסקרטי, פגום

שיעור חלקים פגומים

c/u

דיסקרטי, מספר פגמים

פגמים ליחידה

בתרשים X-bar/R, גבולות הבקרה מחושבים מתוך ממוצעים וטווחים של תת-קבוצות:

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

אותות מחוץ לשליטה (חוקי חשמל מערביים)

נקודה יוצאת מהתחום היא לא האות היחיד. חוקי ווסטרן אלקטריק (נלסון) גם לוכדים דפוסים:

1. נקודה נמצאת מחוץ ל-3σ (מחוץ לתחום).
2. 2/3 נקודות רצופות מעבר ל-2σ (באותו צד).
3. 4/5 נקודות רצופות מעבר ל-1σ.
4. 8 נקודות רצופות באותו צד של קו המרכז (shift).
5. 6 נקודות עולות/יורדות כל הזמן (מגמה).

תפקיד: אתה מהנדס איכותי מנוסה ב-SPC. משימה: סרוק את ערכי ה-X-bar הבאים עם חוקי Western Electric בהתאם ל-UCL/LCL ולקו האמצע הנתונים. עבור כל אות שיצא משליטה: מספר כלל, אילו נקודות, פרשנות פיזית אפשרית וצעד חקירה מוצע. Center=50.2 UCL=52.1 LCL=48.3 σ=0.63נתונים (מסודרים): {{ values​}}כלל: אל תיצור אות מזויף; סימון נקודות שאינן עומדות במלואן בחוק. הציגו סיבות אפשריות כ"השערה", אל תכתבו בשפה מדויקת.

בינה מלאכותית הופכת את המיון הזה למהיר, אבל זכרו: מתן כללים הוא התראה סטטיסטית; חקירת שטח מוצאת את הסיבה האמיתית. AI עשוי לומר "כנראה שחיקת כלי"; מדידת הכלי היא שמאשרת זאת.

יכולת תהליך: Cp ו-Cpk

גם אם התהליך בשליטה, האם הוא עומד בסובלנות של לקוחות? מדדי ספיקה אומרים זאת.

Cp = (USL − LSL) / (6σ) → מודד רק את המרווחCpk = min[ (USL − μ)/(3σ) , (μ − LSL)/(3σ) ] → כולל ריכוז

דוגמה: 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 = min[ (10.5 - 10.1)/0.3, (10.1 - 9.5)/0.3 ] = דקה[ 0.4/03] דקות = 0.4/03. , 2.0] = 1.33

Cp = 1.67 מצביע על פיזור טוב, אבל Cpk = 1.33 אומר לנו שהתהליך הוא מחוץ למרכז (ממוצע 10.1, קרוב יותר ל-USL מיעד 10.0). Cpk < Cp תמיד מצביע על בעיית מרכוז. אפילו תהליך עם פיזור טוב יפיק מוצר פגום אם הוא מרוכז בצורה לא נכונה.

הנחיה חלשה / הנחיה חזקה

הנחיה חלשה:

האם התהליך הזה טוב?

אין קריטריון ל"טוב"; AI עושה רק ניחוש כללי.

הנחיה עוצמתית:

חשב Cp ו-Cpk עם נתוני המדידה הבאים (USL=10.5, LSL=9.5). חשב את σ וממוצע מנתונים, הצג נוסחה וכל שלב. אם Cpk < Cp, שאל אם הוא מרכז או מתפשט, הערה. העריכו גם את שיעור השגיאות המשוער (ppm) של התהליך ורשמו את ההנחות שלכם. נתונים: {{ ... }}

מארז מיני: CP טוב, מוצר רע

על קו מילוי, רוב הבקבוקים יוצאים ממפרט, אך התהליך נראה "יציב" בטבלת הבקרה. מהנדס התעשייה Yağmur נותן את הנתונים ל-AI וגורם לו לחשב Cp ו-Cpk: Cp = 1.5 (פיזור טוב) אבל Cpk = 0.7 (לא מספיק). ההבדל הוא שהממוצע עבר משמעותית מהיעד. AI מצביע על בעיית הריכוז; הוא בודק את ההגדרה של שסתום מילוי הגשם ואכן מוצא קיזוז. כאשר אתה מתקן את ההגדרה, Cpk עולה ל-1.4 והבזבוז פוחת. לקח קריטי: התהליך יכול להיות "יציב" (תחת שליטה) אך עדיין "לקוי" (לא עומד במפרט). בינה מלאכותית הדגימה את ההבחנה הזו באופן מספרי; יאגמור היה זה שמצא את הסיבה העיקרית על המגרש.

טעויות נפוצות

• מגבלת שליטה וסובלנות מבלבלת: השוואת גבולות שליטה לסובלנות לקוחות.
• גורם נפוץ לשיבוש: התאמה לכל תנודה והגדלת השונות.
• התעלמות מ-Cpk: רק מסתכלים על Cp ומפספסים את בעיית הריכוז.
• טעות באותות בינה מלאכותית לראיות: לא מאמת את הסיבה לאות ה-Western Electric בשטח.
• בחירת תרשים שגויה: החלת תרשים נתונים רציף (X-bar) על נתוני שיעור פגמים.

לסיכום

• המהות של SPC היא להפריד בין שונות של סיבה נפוצה ומיוחדת; התערבות בגורם השכיח מזיקה.
• מגבלות השליטה מגיעות מהתהליך, מגבלות הסבילות מגיעות מהתכנון; אסור לבלבל בין השניים.
• בחר את התרשים המתאים לסוג הנתונים (X-bar/R, p, c...) וחפש תבניות עם חוקי Western Electric.
• Cp מודד פיזור ו-Cpk מודד ריכוז; Cpk < Cp מצביע על בעיית מרכוז.
• AI מייצר אות סטטיסטי במהירות; בדיקה בשטח מאשרת את הסיבה, ההחלטה היא בידי המהנדס.

משימת יישום

קח לפחות 20 מדידות רציפות מתהליך (אמיתי או בדיוני) וקבע ערכי USL/LSL. בקש מה-AI לחשב Cp ו-Cpk עם הנתונים האלה; יש לחשב את σ והממוצע מהנתונים ולהציג כל שלב. אימות קריטי: חשב מחדש את ערכי σ, Cp ו-Cpk בעצמך ב-Excel או ב-Python והשווה עם פלט AI. לאחר מכן סרוק את הנתונים עם חוקי Western Electric ושאל "איך אני מוודא את זה בשטח?" עבור כל אות שנמצא. ענה על השאלה. לבסוף, אם Cpk < Cp, החליטו אם יש לתקן תחילה את המרכוז או הפיזור.