이득:
- 관리도(X-bar/R, p, c) 및 공정능력지수(Cp, Cpk) 해석 능력
- AI를 통해 통제 불능 신호(Western Electric 규칙)의 스캔 및 보고를 가속화하는 기능
- 원시 데이터 및 물리적 프로세스 현실을 통해 AI의 통계적 해석을 검증하는 능력
품질은 검사를 통해 "분류"되는 것이 아니라 공정을 통해 "생산"됩니다. SPC(통계적 프로세스 제어)는 실시간으로 프로세스를 모니터링하고 오류가 제품으로 나타나기 전에 신호를 포착하는 것을 목표로 합니다. SPC의 강점은 자연적(공통 원인) 변동성과 비정상적인(특수 원인) 변동성을 구별하는 데 있습니다. 이 영역에서 AI는 제어 차트 해석, 규칙 스캔 및 숙련도 보고를 가속화합니다. 그러나 통계적 해석과 물리적 과정의 현실을 혼합하는 것이 인간의 임무입니다. 이번 단원에서는 관리도, Cp/Cpk 숙련도 지수, SPC에서 AI의 적절한 역할을 다룹니다.
가변성의 두 얼굴
모든 프로세스에는 가변성이 포함됩니다. SPC는 이러한 변동성을 두 가지로 나눕니다.
- 일반적인 원인: 프로세스에 내재된 무작위적이고 예측 가능한 변동입니다. 프로세스는 "통제"됩니다.
- 특수 원인: 외부 할당 가능한 이벤트(도구 파손, 원자재 배치 변경, 설정 변경). 프로세스가 "통제 불능"입니다.
관리도의 유일한 목적은 둘을 분리하는 것입니다. 우연 원인 변동(과도한 조정/"조작")에 대응하면 실제로 변동성이 증가합니다. Deming의 고전적인 "깔때기 실험"은 이를 보여줍니다. 모든 편차에 개입하면 상황이 더 악화됩니다.
팁: 관리 한계(UCL/LCL)와 공차(사양) 한계를 혼동하지 마십시오. 관리 한계는 프로세스의 "음성"(데이터에서 계산됨)입니다. 공차 한계는 고객의 "목소리"입니다(설계에서 비롯됨). AI는 때때로 이를 혼동합니다. 각 댓글에서 당신이 말하는 것이 무엇인지 명확히 하세요.
관리도 유형
차트는 데이터 유형에 따라 선택됩니다.
그래픽
데이터 유형
예
X-바/R
연속(측정), 하위 그룹
샤프트 직경 평균 및 클리어런스
X-바/S
연속적인 대규모 부분군
충전 무게
I-MRI
연속, 단일 측정
하루에 한 번 측정
p/np
이산형, 불량률/수
불량 부품 비율
c/u
이산형, 결함 수
단위당 결함
X-bar/R 차트에서 관리 한계는 부분군 평균과 범위에서 계산됩니다.
UCL_xbar = X-더블바 + A2 × R-barLCL_xbar =
제어 불능 신호(서부 전기 규정)
경계를 벗어나는 지점이 유일한 신호는 아닙니다. Western Electric(Nelson) 규칙도 패턴을 포착합니다.
- 점이 3σ 외부에 있습니다(경계를 벗어남).
- 2σ를 넘어 연속되는 2/3 포인트(같은 쪽).
- 1σ를 넘어서는 4/5개의 연속 포인트.
- 중심선의 같은 쪽에 있는 8개의 연속 포인트(이동).
- 6개의 점은 지속적으로 증가/감소합니다(추세).
역할: 귀하는 SPC 경험이 풍부한 품질 엔지니어입니다. 작업: 주어진 UCL/LCL 및 중심선에 따라 Western Electric 규칙을 사용하여 다음 X-bar 값을 스캔합니다. 각 통제 불능 신호에 대해: 규칙 번호, 포인트, 가능한 물리적 해석 및 제안된 조사 단계. Center=50.2 UCL=52.1 LCL=48.3 σ=0.63데이터(순서): {{ 값 }}규칙: 가짜 신호를 생성하지 마세요. 규칙을 완전히 만족하지 않는 점을 표시합니다. 가능한 이유를 "가설"로 제시하고 정확한 언어로 작성하지 마십시오.
AI는 이 검사를 빠르게 수행하지만 다음을 기억하십시오. 규칙 제공은 통계적 경고입니다. 현장 조사를 통해 실제 원인을 찾아냈습니다. AI는 "아마도 도구 마모"라고 말할 수 있습니다. 이를 확인하는 것은 공구 측정입니다.
공정 능력: Cp 및 Cpk
프로세스가 통제되고 있더라도 고객 허용 오차를 충족합니까? 충족지수가 이를 말해줍니다.
Cp = (USL − LSL) / (6σ) → 확산만 측정 Cpk = min[ (USL − μ)/(3σ) , (μ − LSL)/(3σ) ] → 중심점 포함
예: 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 = 1.67은 좋은 산포를 나타내지만 Cpk = 1.33은 공정이 중심에서 벗어났음을 나타냅니다(평균 10.1, 목표 10.0보다 USL에 더 가깝습니다). Cpk < Cp는 항상 센터링 문제를 나타냅니다. 분산이 좋은 공정이라도 중앙에 잘못 배치되면 결함이 있는 제품이 생성됩니다.
약한 프롬프트 / 강한 프롬프트
약한 프롬프트:
이 과정이 좋은 걸까요?
"좋음"에 대한 기준은 없습니다. AI는 일반적인 추측만 합니다.
강력한 프롬프트:
다음 측정 데이터(USL=10.5, LSL=9.5)를 사용하여 Cp 및 Cpk를 계산합니다. 데이터에서 σ와 평균을 계산하고 공식과 각 단계를 표시합니다. Cpk < Cp인 경우 중앙화인지 확산인지 물어보고 의견을 제시합니다. 또한 프로세스의 대략적인 오류율(ppm)을 추정하고 가정을 기록해 둡니다. 데이터: {{ ... }}
미니케이스: CP는 좋으나 제품은 불량
충전 라인에서는 대부분의 병이 사양을 벗어나지만 관리도에서는 공정이 "안정적"으로 나타납니다. 산업 엔지니어 Yağmur는 AI에 데이터를 제공하고 AI가 Cp 및 Cpk를 계산하도록 합니다. Cp = 1.5(양호한 스프레드)이지만 Cpk = 0.7(불충분) 차이점은 평균이 목표에서 크게 이동했다는 것입니다. AI는 센터링 문제를 지적합니다. 그는 빗물 채우기 밸브의 설정을 확인하고 실제로 오프셋을 찾았습니다. 설정을 수정하면 Cpk가 1.4로 증가하고 낭비가 감소합니다. 중요한 교훈: 프로세스는 "안정적"(통제 가능)이지만 여전히 "결함"(사양을 충족하지 않음)일 수 있습니다. AI는 이러한 차이를 수치적으로 보여주었습니다. 현장에서 근본 원인을 찾은 사람은 Yağmur였습니다.
일반적인 실수
- 혼란스러운 제어 및 허용 한계: 제어 한계를 고객 허용과 동일시합니다.
- 일반적인 원인 변조: 각 변동에 맞게 조정하고 변동성을 증가시킵니다.
- Cpk 무시: Cp만 보고 센터링 문제가 누락되었습니다.
- AI 신호를 증거로 착각: 현장에서 웨스턴 일렉트릭 신호의 원인을 검증하지 않음.
- 잘못된 차트 선택: 연속 데이터 차트(X-bar)를 불량률 데이터에 적용합니다.
요약하면
- SPC의 본질은 공통 원인 변동성과 특수 원인 변동성을 분리하는 것입니다. 일반적인 원인을 방해하는 것은 해롭습니다.
- 제어 한계는 프로세스에서 비롯되고, 공차 한계는 설계에서 비롯됩니다. 이 둘은 절대로 혼동되어서는 안 됩니다.
- 데이터 유형(X-bar/R, p, c...)에 적합한 차트를 선택하고 Western Electric 규칙을 사용하여 패턴을 찾습니다.
- Cp는 스프레드를 측정하고 Cpk는 중심을 측정합니다. Cpk < Cp는 센터링 문제를 나타냅니다.
- AI는 통계 신호를 빠르게 생성합니다. 현장 검사를 통해 이유를 확인하고 결정은 엔지니어의 몫입니다.
응용과제
프로세스(실제 또는 가상)에서 최소 20번의 연속 측정을 수행하고 USL/LSL 값을 결정합니다. AI가 이 데이터를 이용해 Cp와 Cpk를 계산하게 하세요. 데이터로부터 σ와 평균을 계산하고 각 단계를 표시합니다. 중요한 검증: Excel이나 Python에서 σ, Cp, Cpk 값을 직접 다시 계산하고 AI 출력과 비교합니다. 그런 다음 Western Electric 규칙으로 데이터를 스캔하고 "현장에서 이를 어떻게 확인합니까?"라고 질문합니다. 발견된 각 신호에 대해. 질문에 답하십시오. 마지막으로 Cpk < Cp인 경우 중앙화 또는 확산을 먼저 수정해야 하는지 결정합니다.