നേട്ടങ്ങൾ:
- നിയന്ത്രണ ചാർട്ടുകളും (എക്സ്-ബാർ/ആർ, പി, സി) പ്രോസസ്സ് ശേഷി സൂചികകളും (സിപി, സിപികെ) വ്യാഖ്യാനിക്കാനുള്ള കഴിവ്
- AI ഉപയോഗിച്ച് നിയന്ത്രണാതീതമായ സിഗ്നലുകളുടെ (പാശ്ചാത്യ ഇലക്ട്രിക് നിയമങ്ങൾ) സ്കാനിംഗും റിപ്പോർട്ടിംഗും ത്വരിതപ്പെടുത്താനുള്ള കഴിവ്
- റോ ഡാറ്റയും ഫിസിക്കൽ പ്രോസസ് റിയാലിറ്റിയും ഉപയോഗിച്ച് AI യുടെ സ്റ്റാറ്റിസ്റ്റിക്കൽ വ്യാഖ്യാനം സാധൂകരിക്കാനുള്ള കഴിവ്
ഗുണനിലവാരം പരിശോധനയിലൂടെ "ക്രമീകരിച്ചിട്ടില്ല", അത് പ്രക്രിയയിലൂടെ "ഉത്പാദിപ്പിക്കപ്പെടുന്നു". സ്റ്റാറ്റിസ്റ്റിക്കൽ പ്രോസസ് കൺട്രോൾ (SPC) അത് ചെയ്യാൻ ലക്ഷ്യമിടുന്നു: തത്സമയം പ്രക്രിയ നിരീക്ഷിക്കുകയും പിശകുകൾ ഉൽപ്പന്നങ്ങളാകുന്നതിന് മുമ്പ് സിഗ്നലുകൾ പിടിക്കുകയും ചെയ്യുക. അസാധാരണമായ (പ്രത്യേക കാരണം) വേരിയബിലിറ്റിയിൽ നിന്ന് സ്വാഭാവിക (സാധാരണ കാരണം) വ്യതിയാനത്തെ വേർതിരിച്ചറിയുന്നതിലാണ് SPC യുടെ ശക്തി. ഈ മേഖലയിൽ, നിയന്ത്രണ ചാർട്ട് വ്യാഖ്യാനം, റൂൾ സ്കാനിംഗ്, പ്രാവീണ്യം റിപ്പോർട്ടിംഗ് എന്നിവ AI ത്വരിതപ്പെടുത്തുന്നു; എന്നാൽ ഭൗതിക പ്രക്രിയയുടെ യാഥാർത്ഥ്യവുമായി സ്ഥിതിവിവരക്കണക്ക് വ്യാഖ്യാനം കൂട്ടിച്ചേർക്കുക എന്നത് മനുഷ്യൻ്റെ ജോലിയാണ്. ഈ യൂണിറ്റിൽ, ഞങ്ങൾ നിയന്ത്രണ ചാർട്ടുകൾ, Cp/Cpk പ്രാവീണ്യം സൂചികകൾ, SPC-യിൽ AI-യുടെ ശരിയായ പങ്ക് എന്നിവ ഉൾക്കൊള്ളുന്നു.
വ്യതിയാനത്തിൻ്റെ രണ്ട് മുഖങ്ങൾ
ഓരോ പ്രക്രിയയിലും വ്യതിയാനം ഉൾപ്പെടുന്നു. SPC ഈ വ്യതിയാനത്തെ രണ്ടായി വിഭജിക്കുന്നു:
- സാധാരണ കാരണം: പ്രക്രിയയിൽ അന്തർലീനമായ ക്രമരഹിതമായ, പ്രവചിക്കാവുന്ന ഏറ്റക്കുറച്ചിലുകൾ. പ്രക്രിയ "നിയന്ത്രണത്തിലാണ്".
- പ്രത്യേക കാരണം: ഒരു ബാഹ്യ, അസൈൻ ചെയ്യാവുന്ന ഇവൻ്റ് (ടൂൾ ബ്രേക്കേജ്, അസംസ്കൃത വസ്തുക്കളുടെ ബാച്ച് മാറ്റം, ക്രമീകരണ ഷിഫ്റ്റ്). പ്രക്രിയ "നിയന്ത്രണത്തിന് പുറത്താണ്".
കൺട്രോൾ ചാർട്ടിൻ്റെ ഏക ഉദ്ദേശം രണ്ടിനെയും വേർതിരിക്കുക എന്നതാണ്. പൊതുവായ കാരണങ്ങളോടുള്ള ഏറ്റക്കുറച്ചിലുകളോട് പ്രതികരിക്കുന്നത് (ഓവർ-അഡ്ജസ്റ്റ്മെൻ്റ് / "ടാമ്പറിംഗ്") യഥാർത്ഥത്തിൽ വേരിയബിളിറ്റി വർദ്ധിപ്പിക്കുന്നു. ഡെമിങ്ങിൻ്റെ ക്ലാസിക് "ഫണൽ പരീക്ഷണം" ഇത് കാണിക്കുന്നു: ഓരോ വ്യതിയാനത്തിലും ഇടപെടുന്നത് കാര്യങ്ങൾ കൂടുതൽ വഷളാക്കുന്നു.
നുറുങ്ങ്: നിയന്ത്രണ പരിധികൾ (UCL/LCL) ടോളറൻസ് (സ്പെസിഫിക്കേഷൻ) പരിധികളുമായി ഒരിക്കലും ആശയക്കുഴപ്പത്തിലാക്കരുത്. നിയന്ത്രണ പരിധികൾ പ്രക്രിയയുടെ "ശബ്ദം" ആണ് (ഡാറ്റയിൽ നിന്ന് കണക്കാക്കുന്നത്); സഹിഷ്ണുത പരിധികൾ ഉപഭോക്താവിൻ്റെ "ശബ്ദം" ആണ് (രൂപകൽപ്പനയിൽ നിന്നാണ് വരുന്നത്). AI ചിലപ്പോൾ ഇവയെ ആശയക്കുഴപ്പത്തിലാക്കുന്നു; ഓരോ കമൻ്റിലും നിങ്ങൾ ഏതിനെക്കുറിച്ചാണ് സംസാരിക്കുന്നതെന്ന് വ്യക്തമാക്കുക.
നിയന്ത്രണ ചാർട്ട് തരങ്ങൾ
ഡാറ്റ തരം അനുസരിച്ച് ചാർട്ട് തിരഞ്ഞെടുത്തു.
ഗ്രാഫിക്സ്
ഡാറ്റ തരം
ഉദാഹരണം
എക്സ്-ബാർ/ആർ
തുടർച്ചയായ (അളവ്), ഉപഗ്രൂപ്പ്
ഷാഫ്റ്റിൻ്റെ വ്യാസം ശരാശരിയും ക്ലിയറൻസും
എക്സ്-ബാർ/എസ്
തുടർച്ചയായ, വലിയ ഉപഗ്രൂപ്പ്
ഭാരം നിറയ്ക്കുന്നു
ഐ-എംആർഐ
തുടർച്ചയായ, ഒറ്റ അളവ്
പ്രതിദിനം ഒരൊറ്റ അളവ്
p/np
വ്യതിരിക്തമായ, വികലമായ നിരക്ക്/സംഖ്യ
തെറ്റായ ഭാഗങ്ങളുടെ നിരക്ക്
c/u
ഡിസ്ക്രീറ്റ്, വൈകല്യങ്ങളുടെ എണ്ണം
ഓരോ യൂണിറ്റിനും തകരാറുകൾ
ഒരു എക്സ്-ബാർ/ആർ ചാർട്ടിൽ, ഉപഗ്രൂപ്പ് ശരാശരിയിൽ നിന്നും സ്പാനുകളിൽ നിന്നും നിയന്ത്രണ പരിധികൾ കണക്കാക്കുന്നു:
UCL_xbar = X-double-bar + A2 × R-barLCL_xbar =
നിയന്ത്രണാതീതമായ സിഗ്നലുകൾ (പാശ്ചാത്യ വൈദ്യുത നിയമങ്ങൾ)
ഒരു പോയിൻ്റ് പരിധിക്കപ്പുറത്തേക്ക് പോകുന്നത് മാത്രമല്ല സിഗ്നൽ. വെസ്റ്റേൺ ഇലക്ട്രിക് (നെൽസൺ) നിയമങ്ങളും പാറ്റേണുകൾ ക്യാപ്ചർ ചെയ്യുന്നു:
- ഒരു പോയിൻ്റ് 3σ പുറത്താണ് (പരിധിക്ക് പുറത്ത്).
- 2σ-നപ്പുറം തുടർച്ചയായി 2/3 പോയിൻ്റുകൾ (ഒരേ വശത്ത്).
- 1σ-നപ്പുറം തുടർച്ചയായി 4/5 പോയിൻ്റുകൾ.
- മധ്യരേഖയുടെ അതേ വശത്ത് (ഷിഫ്റ്റ്) തുടർച്ചയായി 8 പോയിൻ്റുകൾ.
- 6 ഡോട്ടുകൾ നിരന്തരം വർദ്ധിക്കുന്നു/കുറയുന്നു (ട്രെൻഡ്).
റോൾ: നിങ്ങൾ SPC-യിൽ പരിചയസമ്പന്നനായ ഒരു ഗുണനിലവാരമുള്ള എഞ്ചിനീയറാണ്. ടാസ്ക്: നൽകിയിരിക്കുന്ന UCL/LCL, സെൻ്റർ ലൈനിന് അനുസരിച്ച് വെസ്റ്റേൺ ഇലക്ട്രിക് നിയമങ്ങൾ ഉപയോഗിച്ച് ഇനിപ്പറയുന്ന X-ബാർ മൂല്യങ്ങൾ സ്കാൻ ചെയ്യുക. നിയന്ത്രണാതീതമായ ഓരോ സിഗ്നലിനും: റൂൾ നമ്പർ, ഏത് പോയിൻ്റുകൾ, സാധ്യമായ ശാരീരിക വ്യാഖ്യാനം, നിർദ്ദേശിച്ച അന്വേഷണ ഘട്ടം. കേന്ദ്രം=50.2 UCL=52.1 LCL=48.3 σ=0.63ഡാറ്റ (ഓർഡർ ചെയ്തത്): {{ മൂല്യങ്ങൾ }}നിയമം: വ്യാജ സിഗ്നൽ സൃഷ്ടിക്കരുത്; നിയമം പൂർണ്ണമായും തൃപ്തിപ്പെടുത്താത്ത പോയിൻ്റുകൾ അടയാളപ്പെടുത്തുന്നു. സാധ്യമായ കാരണങ്ങൾ "അനുമാനം" ആയി അവതരിപ്പിക്കുക, കൃത്യമായ ഭാഷയിൽ എഴുതരുത്.
AI ഈ സ്ക്രീനിംഗ് വേഗത്തിലാക്കുന്നു, എന്നാൽ ഓർക്കുക: റൂൾ പ്രൊവിഷൻ ഒരു സ്റ്റാറ്റിസ്റ്റിക്കൽ അലേർട്ടാണ്; ഫീൽഡ് അന്വേഷണത്തിൽ യഥാർത്ഥ കാരണം കണ്ടെത്തി. "ഒരുപക്ഷേ ടൂൾ വെയർ" എന്ന് AI പറഞ്ഞേക്കാം; ഇത് സ്ഥിരീകരിക്കുന്ന ഉപകരണത്തിൻ്റെ അളവാണ്.
പ്രോസസ്സ് ശേഷി: Cp, Cpk
പ്രക്രിയ നിയന്ത്രണത്തിലാണെങ്കിലും, അത് ഉപഭോക്തൃ സഹിഷ്ണുത പാലിക്കുന്നുണ്ടോ? പര്യാപ്തത സൂചികകൾ ഇത് പറയുന്നു.
Cp = (USL - LSL) / (6σ) → SpreadCpk = മിനിറ്റ് മാത്രം അളക്കുന്നു[ (USL - μ)/(3σ) , (μ - LSL)/(3σ) ] → കേന്ദ്രീകരണം ഉൾപ്പെടുന്നു
ഉദാഹരണം: 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 = മിനിറ്റ്[ (10.5 - 10.1)/0.3 , (10.1 − 9.5) / 0.3 ]. 4 മിനിറ്റ്. ] = മിനിറ്റ്[1.33, 2.0] = 1.33
Cp = 1.67 ഒരു നല്ല വ്യാപനത്തെ സൂചിപ്പിക്കുന്നു, എന്നാൽ Cpk = 1.33 നമ്മോട് പറയുന്നത് ഈ പ്രക്രിയ ഓഫ് സെൻ്റർ ആണെന്നാണ് (ശരാശരി 10.1, ടാർഗെറ്റ് 10.0 നേക്കാൾ USL-ന് അടുത്ത്). Cpk < Cp എപ്പോഴും ഒരു കേന്ദ്രീകൃത പ്രശ്നത്തെ സൂചിപ്പിക്കുന്നു. നല്ല വിസർജ്ജനമുള്ള ഒരു പ്രക്രിയ പോലും തെറ്റായി കേന്ദ്രീകരിച്ചാൽ ഒരു തെറ്റായ ഉൽപ്പന്നം ഉണ്ടാക്കും.
ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്
ദുർബലമായ പ്രോംപ്റ്റ്:
ഈ പ്രക്രിയ നല്ലതാണോ?
"നല്ലത്" എന്നതിന് ഒരു മാനദണ്ഡവുമില്ല; AI ഒരു പൊതു ഊഹം മാത്രമാണ് ഉണ്ടാക്കുന്നത്.
ശക്തമായ നിർദ്ദേശം:
ഇനിപ്പറയുന്ന അളവെടുപ്പ് ഡാറ്റ ഉപയോഗിച്ച് Cp, Cpk എന്നിവ കണക്കാക്കുക (USL=10.5, LSL=9.5). ഡാറ്റയിൽ നിന്ന് σയും അർത്ഥവും കണക്കാക്കുക, ഫോർമുലയും ഓരോ ഘട്ടവും കാണിക്കുക. Cpk < Cp ആണെങ്കിൽ, അത് കേന്ദ്രീകരിക്കുന്നതാണോ പ്രചരിപ്പിക്കുന്നതാണോ എന്ന് ചോദിക്കുക, കമൻ്റ് ചെയ്യുക. പ്രക്രിയയുടെ ഏകദേശ പിശക് നിരക്ക് (പിപിഎം) കണക്കാക്കുകയും നിങ്ങളുടെ അനുമാനങ്ങൾ എഴുതുകയും ചെയ്യുക. ഡാറ്റ: {{ ... }}
മിനി കേസ്: നല്ല സിപി, മോശം ഉൽപ്പന്നം
ഒരു ഫില്ലിംഗ് ലൈനിൽ, ഭൂരിഭാഗം കുപ്പികളും സ്പെസിഫിക്കേഷനിൽ നിന്ന് പുറത്തുവരുന്നു, എന്നാൽ ഈ പ്രക്രിയ നിയന്ത്രണ ചാർട്ടിൽ "സ്ഥിരമായി" ദൃശ്യമാകുന്നു. വ്യാവസായിക എഞ്ചിനീയർ Yağmur AI-ക്ക് ഡാറ്റ നൽകുകയും Cp, Cpk എന്നിവ കണക്കാക്കുകയും ചെയ്യുന്നു: Cp = 1.5 (നല്ല വ്യാപനം) എന്നാൽ Cpk = 0.7 (അപര്യാപ്തമാണ്). ശരാശരി ലക്ഷ്യത്തിൽ നിന്ന് ഗണ്യമായി മാറി എന്നതാണ് വ്യത്യാസം. കേന്ദ്രീകൃത പ്രശ്നം AI ചൂണ്ടിക്കാണിക്കുന്നു; അവൻ റെയിൻ ഫിൽ വാൽവിൻ്റെ ക്രമീകരണം പരിശോധിക്കുകയും തീർച്ചയായും ഒരു ഓഫ്സെറ്റ് കണ്ടെത്തുകയും ചെയ്യുന്നു. നിങ്ങൾ ക്രമീകരണം ശരിയാക്കുമ്പോൾ, Cpk 1.4 ആയി വർദ്ധിക്കുകയും മാലിന്യങ്ങൾ കുറയുകയും ചെയ്യുന്നു. നിർണ്ണായക പാഠം: പ്രക്രിയ "സ്ഥിരത" (നിയന്ത്രണത്തിൽ) ആയിരിക്കാം, പക്ഷേ ഇപ്പോഴും "കമ്മി" (സ്പെസിഫിക്കേഷൻ പാലിക്കുന്നില്ല). AI ഈ വ്യത്യാസം സംഖ്യാപരമായി പ്രകടമാക്കി; മൈതാനത്ത് മൂലകാരണം കണ്ടെത്തിയത് യാഗ്മൂർ ആയിരുന്നു.
സാധാരണ തെറ്റുകൾ
- ആശയക്കുഴപ്പത്തിലാക്കുന്ന നിയന്ത്രണവും സഹിഷ്ണുത പരിധിയും: ഉപഭോക്തൃ സഹിഷ്ണുതയുമായി നിയന്ത്രണ പരിധികൾ തുല്യമാക്കുന്നു.
- സാധാരണ കാരണം കൃത്രിമത്വം: ഓരോ ഏറ്റക്കുറച്ചിലുകൾക്കും ക്രമീകരിക്കുകയും വ്യതിയാനം വർദ്ധിപ്പിക്കുകയും ചെയ്യുന്നു.
- Cpk അവഗണിക്കുന്നു: Cp നോക്കുക, കേന്ദ്രീകൃത പ്രശ്നം കാണാതെ പോകുന്നു.
- തെളിവുകൾക്കായി AI സിഗ്നലുകൾ തെറ്റിദ്ധരിപ്പിക്കുന്നു: ഫീൽഡിലെ വെസ്റ്റേൺ ഇലക്ട്രിക് സിഗ്നലിൻ്റെ കാരണം പരിശോധിക്കുന്നില്ല.
- തെറ്റായ ചാർട്ട് തിരഞ്ഞെടുക്കൽ: നിരക്ക് ഡാറ്റ ഡിഫക്റ്റ് ചെയ്യുന്നതിന് തുടർച്ചയായ ഡാറ്റ ചാർട്ട് (എക്സ്-ബാർ) പ്രയോഗിക്കുന്നു.
ചുരുക്കത്തിൽ
- SPC യുടെ സാരാംശം പൊതുവായതും പ്രത്യേകവുമായ കാരണ വേരിയബിളിറ്റി വേർതിരിക്കുക എന്നതാണ്; പൊതുവായ കാരണത്തിൽ ഇടപെടുന്നത് ദോഷകരമാണ്.
- നിയന്ത്രണ പരിധികൾ പ്രക്രിയയിൽ നിന്നാണ് വരുന്നത്, സഹിഷ്ണുത പരിധി രൂപകൽപ്പനയിൽ നിന്നാണ്; രണ്ടും ഒരിക്കലും ആശയക്കുഴപ്പത്തിലാകരുത്.
- ഡാറ്റാ തരത്തിന് (എക്സ്-ബാർ/ആർ, പി, സി...) അനുയോജ്യമായ ചാർട്ട് തിരഞ്ഞെടുത്ത് വെസ്റ്റേൺ ഇലക്ട്രിക് നിയമങ്ങളുള്ള പാറ്റേണുകൾക്കായി നോക്കുക.
- Cp വ്യാപനവും Cpk കേന്ദ്രീകരണവും അളക്കുന്നു; Cpk < Cp ഒരു കേന്ദ്രീകൃത പ്രശ്നത്തെ സൂചിപ്പിക്കുന്നു.
- AI സ്റ്റാറ്റിസ്റ്റിക്കൽ സിഗ്നൽ വേഗത്തിൽ സൃഷ്ടിക്കുന്നു; ഫീൽഡ് പരിശോധന കാരണം സ്ഥിരീകരിക്കുന്നു, തീരുമാനം എഞ്ചിനീയറുടെതാണ്.
ആപ്ലിക്കേഷൻ ടാസ്ക്
ഒരു പ്രക്രിയയിൽ നിന്ന് കുറഞ്ഞത് 20 തുടർച്ചയായ അളവുകളെങ്കിലും എടുക്കുക (യഥാർത്ഥമോ സാങ്കൽപ്പികമോ) കൂടാതെ USL/LSL മൂല്യങ്ങൾ നിർണ്ണയിക്കുക. AI ഈ ഡാറ്റ ഉപയോഗിച്ച് Cp, Cpk എന്നിവ കണക്കാക്കുക; ഡാറ്റയിൽ നിന്ന് σയും ശരാശരിയും കണക്കാക്കി ഓരോ ഘട്ടവും കാണിക്കുക. നിർണ്ണായക പരിശോധന: Excel അല്ലെങ്കിൽ Python-ൽ σ, Cp, Cpk മൂല്യങ്ങൾ സ്വയം വീണ്ടും കണക്കാക്കി AI ഔട്ട്പുട്ടുമായി താരതമ്യം ചെയ്യുക. തുടർന്ന് വെസ്റ്റേൺ ഇലക്ട്രിക് നിയമങ്ങൾ ഉപയോഗിച്ച് ഡാറ്റ സ്കാൻ ചെയ്ത് "ഫീൽഡിൽ ഇത് എങ്ങനെ പരിശോധിക്കാം?" കണ്ടെത്തിയ ഓരോ സിഗ്നലിനും. ചോദ്യത്തിന് ഉത്തരം നൽകുക. അവസാനമായി, Cpk < Cp ആണെങ്കിൽ, ആദ്യം കേന്ദ്രീകരിക്കണോ പ്രചരിപ്പിക്കണോ എന്ന് തീരുമാനിക്കുക.