Guadagni:
- Capacità di interpretare carte di controllo (X-bar/R, p, c) e indici di capacità di processo (Cp, Cpk)
- Capacità di accelerare la scansione e la segnalazione di segnali fuori controllo (regole elettriche occidentali) con l'intelligenza artificiale
- Capacità di convalidare l'interpretazione statistica dell'intelligenza artificiale con dati grezzi e realtà dei processi fisici
La qualità non viene "selezionata" mediante ispezione, ma "prodotta" dal processo. Il controllo statistico del processo (SPC) mira a fare proprio questo: monitorare il processo in tempo reale e catturare i segnali prima che gli errori diventino prodotti. La forza dell’SPC sta nel distinguere la variabilità naturale (causa comune) dalla variabilità anormale (causa speciale). In quest’area, l’intelligenza artificiale accelera l’interpretazione delle carte di controllo, la scansione delle regole e il reporting delle competenze; ma è compito dell'uomo fondere l'interpretazione statistica con la realtà del processo fisico. In questa unità tratteremo le carte di controllo, gli indici di competenza Cp/Cpk e il ruolo corretto dell'IA nell'SPC.
Due facce della variabilità
Ogni processo comporta variabilità. SPC divide questa variabilità in due:
- Causa comune: fluttuazione casuale e prevedibile inerente al processo. Il processo è "sotto controllo".
- Causa speciale: un evento esterno imputabile (rottura dell'utensile, cambio del lotto di materia prima, spostamento dell'impostazione). Il processo è “fuori controllo”.
L'unico scopo della carta di controllo è separare i due. Rispondere alla fluttuazione causata da cause comuni (eccessivo aggiustamento/"manomissione") aumenta in realtà la variabilità. Il classico “esperimento dell’imbuto” di Deming lo dimostra: intervenire su ogni deviazione peggiora le cose.
Suggerimento: non confondere mai i limiti di controllo (UCL/LCL) con i limiti di tolleranza (specifiche). I limiti di controllo sono la “voce” del processo (calcolati a partire dai dati); i limiti di tolleranza sono la "voce" del cliente (deriva dal progetto). L’intelligenza artificiale a volte li confonde; Metti in chiaro di quale stai parlando in ogni commento.
Tipi di grafici di controllo
Il grafico viene selezionato in base al tipo di dati.
Grafica
Tipo di dati
esempio
Barra X/R
Continuo (misurazione), sottogruppo
Diametro medio dell'albero e gioco
Barra X/S
Sottogruppo ampio e continuo
Peso di riempimento
I-MRI
Misurazione continua e singola
Misurazione singola al giorno
p/np
Tariffa/numero discreto e difettoso
Tasso di parti difettose
c/u
Discreto, numero di difetti
Difetti per unità
Su un grafico X-bar/R, i limiti di controllo vengono calcolati dalle medie e dagli intervalli dei sottogruppi:
UCL_xbar = X-doppia barra + A2 × R-barLCL_xbar =
Segnali fuori controllo (regole elettriche occidentali)
Un punto che esce dal campo non è l'unico segnale. Le regole di Western Electric (Nelson) catturano anche modelli:
- Un punto è fuori 3σ (fuori limite).
- 2/3 punti consecutivi oltre 2σ (dallo stesso lato).
- 4/5 punti consecutivi oltre 1σ.
- 8 punti consecutivi sullo stesso lato della linea centrale (spostamento).
- 6 punti in costante aumento/diminuzione (tendenza).
Ruolo: sei un ingegnere della qualità esperto in SPC. Compito: scansionare i seguenti valori della barra X con le regole Western Electric in base all'UCL/LCL e alla linea centrale specificati. Per ogni segnale fuori controllo: numero della regola, quali punti, possibile interpretazione fisica e fase di indagine suggerita. Centro=50.2 UCL=52.1 LCL=48.3 σ=0.63Dati (ordinati): {{values }}Regola: non generare segnali spuri; Segnare punti che non soddisfano pienamente la regola. Presentare le possibili ragioni come "ipotesi", non scrivere in un linguaggio preciso.
L’intelligenza artificiale rende questo screening veloce, ma ricorda: la fornitura di regole è un avviso statistico; L'indagine sul campo trova la vera causa. L'intelligenza artificiale potrebbe dire "probabilmente usura dell'utensile"; È la misurazione dell’utensile a confermarlo.
Capacità di processo: Cp e Cpk
Anche se il processo è sotto controllo, soddisfa le tolleranze dei clienti? Lo dicono gli indici di sufficienza.
Cp = (USL − LSL) / (6σ) → misura solo lo spreadCpk = min[ (USL − μ)/(3σ) , (μ − LSL)/(3σ) ] → include la centratura
Esempio: 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 ] = min[ 0,4/0,3 , 0,6/0,3 ] = min[1,33 , 2.0] = 1.33
Cp = 1,67 indica un buon spread, ma Cpk = 1,33 ci dice che il processo è decentrato (media 10,1, più vicino all'USL rispetto all'obiettivo 10,0). Cpk < Cp indica sempre un problema di centratura. Anche un processo con una buona dispersione produrrà un prodotto difettoso se centrato in modo errato.
Prompt debole / Prompt forte
Suggerimento debole:
Questo processo è buono?
Non esiste un criterio per "buono"; L'intelligenza artificiale fa solo un'ipotesi generale.
Suggerimento potente:
Calcolare Cp e Cpk con i seguenti dati di misurazione (USL=10,5, LSL=9,5). Calcola σ e la media dai dati, mostra la formula e ogni passaggio. Se Cpk < Cp, chiedere se è centrato o diffuso, commentare. Stimare inoltre il tasso di errore approssimativo (ppm) del processo e annotare le ipotesi. Dati: {{ ... }}
Mini Case: CP buono, prodotto pessimo
Su una linea di riempimento, la maggior parte delle bottiglie esce dalle specifiche, ma il processo appare "stabile" sulla carta di controllo. L’ingegnere industriale Yağmur fornisce i dati all’IA e le fa calcolare Cp e Cpk: Cp = 1,5 (buono spread) ma Cpk = 0,7 (insufficiente). La differenza è che la media si è spostata in modo significativo dall’obiettivo. L'AI evidenzia il problema della centratura; Controlla l'impostazione della valvola di riempimento della pioggia e trova effettivamente un offset. Quando si corregge l'impostazione, Cpk aumenta a 1,4 e gli scarti diminuiscono. Lezione critica: il processo può essere “stabile” (sotto controllo) ma essere comunque “carente” (non conforme alle specifiche). L'intelligenza artificiale ha dimostrato numericamente questa distinzione; È stato Yağmur a trovare la causa principale sul campo.
Errori comuni
- Confondere il controllo e il limite di tolleranza: equiparare i limiti di controllo alla tolleranza del cliente.
- Manomissione causa comune: aggiustamento per ogni fluttuazione e aumento della variabilità.
- Ignorare Cpk: basta guardare Cp e perdere il problema della centratura.
- Confondere i segnali dell'intelligenza artificiale con prove: non verificare la causa del segnale Western Electric sul campo.
- Selezione del grafico errata: applicazione di un grafico di dati continui (barra X) ai dati sulla percentuale di difetti.
In sintesi
- L'essenza dell'SPC è quella di separare la variabilità delle cause comuni e speciali; Interferire con la causa comune è dannoso.
- I limiti di controllo derivano dal processo, i limiti di tolleranza derivano dalla progettazione; I due non dovrebbero mai essere confusi.
- Seleziona il grafico appropriato al tipo di dati (barra X/R, p, c...) e cerca modelli con le regole Western Electric.
- Cp misura lo spread e Cpk misura la centratura; Cpk < Cp indica un problema di centratura.
- L'intelligenza artificiale genera rapidamente segnali statistici; L'ispezione sul campo conferma il motivo, la decisione spetta all'ingegnere.
Compito dell'applicazione
Effettuare almeno 20 misurazioni continue da un processo (reale o immaginario) e determinare i valori USL/LSL. Chiedi all’IA di calcolare Cp e Cpk con questi dati; Fai calcolare σ e la media dai dati e mostrali ogni passaggio. Verifica critica: ricalcola tu stesso i valori σ, Cp e Cpk in Excel o Python e confrontali con l'output dell'AI. Quindi scansiona i dati con le regole Western Electric e chiedi "come posso verificarlo sul campo?" per ogni segnale trovato. Rispondi alla domanda. Infine, se Cpk < Cp, decidere se correggere prima la centratura o la diffusione.