Nyereség:
- Képes értelmezni a vezérlőtáblákat (X-bar/R, p, c) és a folyamatképességi mutatókat (Cp, Cpk)
- Képes a kontrollon kívüli jelek szkennelésének és jelentésének felgyorsítására (Western Electric szabályok) mesterséges intelligencia segítségével
- Képes a mesterséges intelligencia statisztikai értelmezésének érvényesítésére nyers adatokkal és fizikai folyamat valósággal
A minőséget nem az ellenőrzés "válogatja", hanem a folyamat "termeli". A Statisztikai Folyamatvezérlés (SPC) pontosan ezt a célt szolgálja: a folyamat valós idejű nyomon követését és a jelek elfogását, mielőtt a hibák termékké válnának. Az SPC erőssége abban rejlik, hogy megkülönbözteti a természetes (közös okú) variabilitást a kóros (különleges okú) változékonyságtól. Ezen a területen az AI felgyorsítja a vezérlőtábla értelmezését, a szabályellenőrzést és a jártassági jelentéskészítést; de az ember dolga, hogy a statisztikai értelmezést vegyítse a fizikai folyamat valóságával. Ebben az egységben a vezérlőtáblákkal, a Cp/Cpk jártassági indexekkel és az AI megfelelő szerepével foglalkozunk az SPC-ben.
A változékonyság két arca
Minden folyamat változékonysággal jár. Az SPC ezt a változót két részre osztja:
- Gyakori ok: A folyamatban rejlő véletlenszerű, előre látható ingadozás. A folyamat „ellenőrzés alatt” van.
- Speciális ok: Külső, hozzárendelhető esemény (szerszámtörés, nyersanyag tétel csere, beállításeltolódás). A folyamat „nem irányítható”.
A vezérlőtábla egyetlen célja a kettő szétválasztása. A közös okú fluktuációra való reagálás (túlbeállítás / "szabotázs") valójában növeli a változékonyságot. Deming klasszikus „tölcsérkísérlete” ezt mutatja: ha minden eltérésnél beavatkozunk, az ront a helyzeten.
Tipp: Soha ne keverje össze a szabályozási határértékeket (UCL/LCL) a tűréshatárokkal (specifikáció). A szabályozási határok a folyamat „hangja” (adatokból számítva); a tűréshatárok a megrendelő "hangja" (a tervezésből fakad). Az AI néha összekeveri ezeket; Tedd egyértelművé, hogy melyikről van szó minden megjegyzésben.
Vezérlődiagram típusok
A diagram az adattípusnak megfelelően kerül kiválasztásra.
Grafika
Adattípus
példa
X-bar/R
Folyamatos (mérés), alcsoport
Átlagos tengelyátmérő és hézag
X-bar/S
Folyamatos, nagy alcsoport
Töltősúly
I-MRI
Folyamatos, egyszeri mérés
Napi egyszeri mérés
p/np
Diszkrét, hibás arány/szám
Hibás alkatrészek aránya
c/u
Diszkrét, hibák száma
Hibák egységenként
Az X-bar/R diagramon a szabályozási határértékeket az alcsoportok átlagaiból és tartományaiból számítják ki:
UCL_xbar = X-double-bar + A2 × R-barLCL_xbar =
Ellenőrzésen kívüli jelzések (nyugati elektromos szabályok)
A határon kívüli pont nem az egyetlen jelzés. A Western Electric (Nelson) szabályai is rögzítik a mintákat:
- Egy pont 3σ-n kívül van (határon kívül).
- Egymást követő 2/3 pont a 2σ-n túl (ugyanazon oldalon).
- 4/5 egymást követő pont 1σ felett.
- 8 egymást követő pont a középvonal ugyanazon az oldalán (eltolódás).
- 6 pont folyamatosan növekvő/csökkenő (trend).
Munkakör: Ön minőségi mérnök, tapasztalt SPC-ben. Feladat: Olvassa be az alábbi X-bar értékeket Western Electric szabályokkal az adott UCL/LCL és középvonal szerint. Minden kontrollon kívüli jelhez: szabályszám, mely pontok, lehetséges fizikai értelmezés és javasolt vizsgálati lépés. Center=50,2 UCL=52,1 LCL=48,3 σ=0,63 Adatok (rendezett): {{ értékek›}}Szabály: Ne generáljunk hamis jelet; Olyan pontok megjelölése, amelyek nem felelnek meg teljesen a szabálynak. A lehetséges okokat „hipotézisként” mutasd be, ne írj pontos nyelvezetet.
A mesterséges intelligencia felgyorsítja ezt a szűrést, de ne feledje: a szabályszolgáltatás statisztikai figyelmeztetés; A helyszíni vizsgálat kideríti a valódi okot. A mesterséges intelligencia azt mondhatja, hogy "valószínűleg szerszámkopás"; A szerszám mérése igazolja ezt.
Folyamatképesség: Cp és Cpk
Még ha a folyamat ellenőrzés alatt is van, megfelel-e az ügyfelek toleranciáinak? Az elegendőségi indexek ezt mondják.
Cp = (USL − LSL) / (6σ) → csak a szórást méri.Cpk = min[ (USL − μ)/(3σ) , (μ − LSL)/(3σ) ] → a központosítást tartalmazza
Példa: 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 ] = min[ 0,4/0,3 ] = min[ 0,4/0,3 , .3] = .3 2,0] = 1,33
A Cp = 1,67 jó szórást jelez, de a Cpk = 1,33 azt jelzi, hogy a folyamat a központon kívül van (átlag 10,1, közelebb az USL-hez, mint a 10,0 cél). A Cpk < Cp mindig központosítási problémát jelez. Még egy jó diszperziójú eljárás is hibás terméket eredményez, ha rosszul van központosítva.
Gyenge felszólítás / Erős felszólítás
Gyenge felszólítás:
Jó ez a folyamat?
A „jó”-nak nincs kritériuma; A mesterséges intelligencia csak általános tippeket ad.
Erőteljes felszólítás:
Számítsa ki a Cp és Cpk értékeket a következő mérési adatokkal (USL=10,5, LSL=9,5). Számítsa ki a σ-t és az átlagot az adatokból, mutassa meg a képletet és az egyes lépéseket. Ha Cpk < Cp, kérdezze meg, hogy központosító vagy szétterít, kommentálja. Ezenkívül becsülje meg a folyamat hozzávetőleges hibaarányát (ppm), és írja le a feltételezéseit. Adatok: {{ ... }}
Mini tok: jó CP, rossz termék
A töltősoron a legtöbb palack nem felel meg a specifikációnak, de a folyamat "stabilnak" tűnik a vezérlőtáblán. Yağmur ipari mérnök megadja az adatokat az AI-nak, és kiszámolja a Cp-t és a Cpk-t: Cp = 1,5 (jó szórás), de Cpk = 0,7 (elégtelen). A különbség az, hogy az átlag jelentősen eltolódott a céltól. Az AI rámutat a központosítási problémára; Ellenőrzi az esőbetöltő szelep beállítását, és valóban talál egy eltolást. Ha javítja a beállítást, a Cpk 1,4-re nő, és a hulladék csökken. Kritikus tanulság: a folyamat lehet „stabil” (ellenőrzés alatt), de továbbra is „hiányos” (nem felel meg a specifikációnak). A mesterséges intelligencia ezt a megkülönböztetést számszerűsítette; Yağmur volt az, aki a pályán megtalálta a kiváltó okot.
Gyakori hibák
- Zavaros szabályozás és tűréshatár: Az ellenőrzési határok egyenlővé tétele az ügyfél toleranciájával.
- Általános okok miatti manipuláció: Minden ingadozáshoz igazítás és a változékonyság növelése.
- Cpk figyelmen kívül hagyása: Csak nézzük a Cp-t, és hiányzik a központosítási probléma.
- Az AI-jelek összetévesztése bizonyítékként: Nem ellenőrizték a Western Electric jel okát a helyszínen.
- Rossz diagramválasztás: Folyamatos adatdiagram (X-bar) alkalmazása a hibaarány adatokra.
Összefoglalva
- Az SPC lényege, hogy elkülönítse a közös és a különleges okok miatti változékonyságot; A közös ügybe való beavatkozás káros.
- A szabályozási határok a folyamatból, a tűréshatárok a tervezésből származnak; A kettőt soha nem szabad összekeverni.
- Válassza ki az adattípusnak megfelelő diagramot (X-bar/R, p, c...), és keressen mintákat a Western Electric szabályokkal.
- A Cp terjedést, a Cpk pedig a központosítást méri; A Cpk < Cp központosítási problémát jelez.
- Az AI gyorsan generál statisztikai jeleket; A helyszíni szemle megerősíti az okot, a döntés a mérnökön múlik.
Pályázati feladat
Végezzen legalább 20 folyamatos mérést egy folyamatból (valós vagy kitalált), és határozza meg az USL/LSL értékeket. Az AI kiszámítja a Cp-t és a Cpk-t ezekkel az adatokkal; Számítsa ki az adatokból a σ-t és az átlagot, és mutassa meg az egyes lépéseket. Kritikus ellenőrzés: Számolja újra a σ, Cp és Cpk értékeket Excelben vagy Pythonban, és hasonlítsa össze az AI-kimenettel. Ezután olvassa be az adatokat a Western Electric szabályai szerint, és kérdezze meg: "Hogyan ellenőrizhetem ezt a helyszínen?" minden talált jelre. Válaszolj a kérdésre. Végül, ha Cpk < Cp, döntse el, hogy először a központosítást vagy a szórást kell korrigálni.