ക്വാളിറ്റി കൺട്രോൾ, ഡിഫെക്റ്റ് ഡിറ്റക്ഷൻ, സ്റ്റാറ്റിസ്റ്റിക്കൽ പ്രോസസ് കൺട്രോൾ

നേട്ടങ്ങൾ:

• AI ഉപയോഗിച്ച് പ്രൊഡക്ഷൻ, ഇൻസ്പെക്ഷൻ ഡാറ്റ നിരീക്ഷിക്കാനും വൈകല്യവും വ്യതിയാനവും നേരത്തേ കണ്ടെത്താനുമുള്ള കഴിവ്
• AI പിന്തുണയോടെ സ്റ്റാറ്റിസ്റ്റിക്കൽ പ്രോസസ് കൺട്രോൾ (SPC), Cpk, കൺട്രോൾ ചാർട്ടുകൾ എന്നിവ സജ്ജീകരിക്കാനും വ്യാഖ്യാനിക്കാനും ഉള്ള കഴിവ്
• NDT ഫലം, സ്വീകാര്യത മാനദണ്ഡം, അംഗീകൃത പരിശോധന സ്ഥിരീകരണം എന്നിവ ഉപയോഗിച്ച് AI യുടെ വൈകല്യ വർഗ്ഗീകരണം പരിശോധിക്കാനുള്ള കഴിവ്

ഒരു പ്രൊഡക്ഷൻ ലൈനിലൂടെ കടന്നുപോകുന്ന ആയിരക്കണക്കിന് ഭാഗങ്ങളിൽ ഏതാണ് തകരാറുള്ളതെന്നും ഏത് നിമിഷത്തിലാണ് പ്രക്രിയ സ്ലിപ്പ് ചെയ്യാൻ തുടങ്ങുന്നതെന്നും ശ്രദ്ധിക്കേണ്ടത് മെറ്റലർജിക്കൽ, ക്വാളിറ്റി എഞ്ചിനീയറുടെ നിരന്തരമായ കടമയാണ്. ഗുണനിലവാര നിയന്ത്രണം, ഉൽപ്പന്നം നിർദ്ദിഷ്ട ആവശ്യകതകൾ പാലിക്കുന്നുണ്ടോയെന്ന് പരിശോധിക്കുന്നു; വൈകല്യം കണ്ടെത്തൽ, ഉൽപ്പന്നത്തിലെ പിശകുകൾ പിടിച്ചെടുക്കൽ (പോറലുകൾ, സുഷിരങ്ങൾ, വിള്ളലുകൾ, ഡൈമൻഷണൽ വ്യതിയാനങ്ങൾ); സ്റ്റാറ്റിസ്റ്റിക്കൽ പ്രോസസ് കൺട്രോൾ (SPC) എന്നത് പ്രൊഡക്ഷൻ ഡാറ്റ സ്റ്റാറ്റിസ്റ്റിക്കലായി നിരീക്ഷിച്ച് പ്രക്രിയ നിയന്ത്രണത്തിലാണോ എന്ന് മനസ്സിലാക്കുന്നതിനുള്ള ഒരു രീതിയാണ്. ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ചിത്രങ്ങളിൽ നിന്നുള്ള ഓട്ടോമാറ്റിക് ഡിഫെക്റ്റ് വർഗ്ഗീകരണം, വലിയ അളവെടുപ്പ് ഡാറ്റയിലെ പാറ്റേൺ ക്യാപ്‌ചർ, SPC ഗ്രാഫുകളുടെ നിർമ്മാണവും വ്യാഖ്യാനവും എന്നിവ ത്വരിതപ്പെടുത്തുന്നു. എന്നാൽ ഒരു അലാറം ഒരു യാന്ത്രിക തീരുമാനമല്ല; ഓരോ AI ഔട്ട്‌പുട്ടും NDT ഫലം, സ്വീകാര്യത മാനദണ്ഡം, അംഗീകൃത പരിശോധന അംഗീകാരം എന്നിവയിലൂടെ സ്ഥിരീകരിക്കണം.

SPC യുടെ അടിസ്ഥാന ആശയങ്ങളും AI യുടെ പങ്കും

• നിയന്ത്രണ ചാർട്ട്: ഒരു കേന്ദ്രരേഖയും നിയന്ത്രണ പരിധികളും (സാധാരണയായി ±3 സ്റ്റാൻഡേർഡ് ഡീവിയേഷനുകൾ) ഉപയോഗിച്ച് കാലക്രമേണ ഒരു അളവിൻ്റെ മാറ്റം (ഉദാ. വ്യാസം, കാഠിന്യം) കാണിക്കുന്ന ഒരു ഗ്രാഫ്. ലിമിറ്റ് ക്രോസിംഗ് പ്രക്രിയ മാറിയതിൻ്റെ സൂചനയാണ്.
• നിയന്ത്രണ പരിധി മുതലായവ. സഹിഷ്ണുത: നിയന്ത്രണ പരിധികൾ പ്രക്രിയയുടെ സ്വാഭാവിക വ്യതിയാനത്തിൽ നിന്നാണ് വരുന്നത്; സഹിഷ്ണുത (സ്പെസിഫിക്കേഷൻ പരിധി) ആണ് ഉപഭോക്താവ് ആഗ്രഹിക്കുന്നത്. രണ്ടും ആശയക്കുഴപ്പത്തിലാകരുത്.
• Cp, Cpk (പ്രോസസ് ശേഷി സൂചികകൾ): സഹിഷ്ണുതയ്ക്കുള്ളിൽ പ്രോസസ്സ് എത്ര എളുപ്പത്തിൽ യോജിക്കുന്നുവെന്ന് അളക്കുന്നു. Cp വ്യാപനത്തെ വിലയിരുത്തുന്നു, Cpk വ്യാപനം + വികേന്ദ്രീകരണം ഒരുമിച്ച് വിലയിരുത്തുന്നു. Cpk ≥ 1.33 പൊതുവെ മതിയാകും.
• സ്വകാര്യവും പൊതുകാരണവും: സാധാരണ കാരണം പ്രക്രിയയുടെ അന്തർലീനമായ ശബ്ദമാണ്; പ്രത്യേക കാരണം (ഉദാ. ടൂൾ വെയർ, തെറ്റായ ബാച്ച്) ഇടപെടൽ ആവശ്യമായ ഒരു വ്യതിയാനമാണ്. രണ്ടിനെയും വേർതിരിക്കലാണ് എസ്പിസിയുടെ ലക്ഷ്യം.

ഈ ആശയങ്ങൾ പഠിപ്പിക്കുന്നതിലും ഒരു ഡാറ്റയിൽ നിന്ന് ഒരു നിയന്ത്രണ ചാർട്ട്/സിപികെ കണക്കാക്കുന്ന കോഡ് സൃഷ്ടിക്കുന്നതിലും ചാർട്ട് പാറ്റേണുകൾ വ്യാഖ്യാനിക്കുന്നതിലും (ട്രെൻഡ്, ഡ്രിഫ്റ്റ്, ആനുകാലികത) AI ശക്തമാണ്. എന്നാൽ പരിധി കവിഞ്ഞതിൻ്റെ കാരണവും ശരിയായ ഇടപെടലും എഞ്ചിനീയർ നിർണ്ണയിക്കുന്നു.

ശ്രദ്ധിക്കുക: "ഒരു അലാറം തടയുന്നതിന്" നിയന്ത്രണ പരിധികൾ വികസിപ്പിക്കുന്നത് ഏറ്റവും അപകടകരമായ തെറ്റുകളിൽ ഒന്നാണ്. പ്രക്രിയയുടെ യഥാർത്ഥ വ്യതിയാനത്തിൽ നിന്നാണ് പരിധികൾ കണക്കാക്കുന്നത്; അവ ഏകപക്ഷീയമായി വിപുലീകരിക്കുന്നത് യഥാർത്ഥ വ്യതിയാനങ്ങൾ അദൃശ്യമാക്കുകയും വികലമായ ഉൽപ്പന്നം ഉപഭോക്താവിലേക്ക് മാറ്റുകയും ചെയ്യുന്നു.

ഘട്ടം ഘട്ടമായി: AI- പവർ ചെയ്യുന്ന ഗുണനിലവാര നിരീക്ഷണം

1. സ്വഭാവം തിരഞ്ഞെടുക്കുക: ഏത് നിർണായക മെട്രിക് നിരീക്ഷിക്കും (CQ: ക്രിട്ടിക്കൽ ക്വാളിറ്റി സ്വഭാവം)? അളക്കൽ സംവിധാനം വിശ്വസനീയമാണോ (ഗേജ് ആർ&ആർ)?
2. ഡാറ്റ ശേഖരിക്കുക: ഉപഗ്രൂപ്പുകളിലെ പതിവ് സാമ്പിൾ. മീറ്റർ കാലിബ്രേറ്റ് ചെയ്തിട്ടുണ്ടോ?
3. ചാർട്ട് സജ്ജീകരിക്കുക: ഉചിതമായ നിയന്ത്രണ ചാർട്ട് (എക്സ്-ബാർ/ആർ, വ്യക്തിഗത-ചലിക്കുന്ന ശ്രേണി) തരവും കോഡും AI-യോട് ആവശ്യപ്പെടുക.
4. അഭിപ്രായം: എന്തെങ്കിലും ഓവർഷൂട്ട്, ട്രെൻഡ്, ബാച്ച് നിയമങ്ങൾ (ഉദാ. പാശ്ചാത്യ ഇലക്ട്രിക് നിയമങ്ങൾ) ഉണ്ടോ?
5. മൂലകാരണം തിരയുക: അലാറം ഒരു ട്രിഗർ ആണ്; അളവ് സ്ഥിരീകരിക്കുക, അവലോകന പ്രക്രിയ.
6. തീരുമാനിക്കുക: സ്വീകാര്യത മാനദണ്ഡവും NDT ഫലവും അടിസ്ഥാനമാക്കി; വ്യതിചലിച്ച ബാച്ച് വേർതിരിച്ച് തിരുത്തൽ നടപടി പ്രയോഗിക്കുക.

പിഴവുകൾ കണ്ടെത്തലും വിനാശകരമല്ലാത്ത പരിശോധനയും

ഇമേജ് അടിസ്ഥാനമാക്കിയുള്ള AI (ഡീപ് ലേണിംഗ് ക്ലാസിഫയറുകൾ) ഉപരിതല വൈകല്യങ്ങൾ (സ്ക്രാച്ചുകൾ, ബർറുകൾ, ഓക്സൈഡുകൾ, സുഷിരങ്ങൾ) വേഗത്തിൽ വേർതിരിച്ചെടുക്കാൻ കഴിയും. ആന്തരിക വൈകല്യങ്ങൾക്ക് നോൺ-ഡിസ്ട്രക്റ്റീവ് ടെസ്റ്റിംഗ് (NDT) ആവശ്യമാണ്: റേഡിയോഗ്രാഫി (RT), അൾട്രാസോണിക് (UT), കാന്തിക കണിക (MT), പെനട്രൻ്റ് (PT). ആർടി/യുടി ചിത്രങ്ങൾ AI പ്രീ-സ്ക്രീൻ ചെയ്തേക്കാം, എന്നാൽ അന്തിമ മൂല്യനിർണ്ണയം സാക്ഷ്യപ്പെടുത്തിയ NDT ഉദ്യോഗസ്ഥരും സ്റ്റാൻഡേർഡ് സ്വീകാര്യത മാനദണ്ഡവുമാണ്.

വൈകല്യത്തിൻ്റെ തരം

സാധാരണ രീതി

AI സംഭാവന

അന്തിമ തീരുമാനം

ഉപരിതല സ്ക്രാച്ച്/ബർർ

ഒപ്റ്റിക്കൽ ചിത്രം

യാന്ത്രിക വർഗ്ഗീകരണം

സ്വീകാര്യത മാനദണ്ഡം + ഓപ്പറേറ്റർ

ആന്തരിക സുഷിരം / വിള്ളൽ

RT/UT

ചിത്രത്തിൻ്റെ പ്രീ-സ്ക്രീനിംഗ്

സാക്ഷ്യപ്പെടുത്തിയ NDT+ നിലവാരം

വിള്ളൽ (ഉപരിതലത്തിലേക്ക് തുറക്കുക)

MT/PT

സൂചന അടയാളപ്പെടുത്തൽ

NDT ലെവൽ II/III അംഗീകാരം

വലിപ്പം വ്യതിയാനം

CMM / അളവ്

SPC ഉപയോഗിച്ച് ട്രെൻഡ് ട്രാക്കിംഗ്

സഹിഷ്ണുത + തീരുമാനം

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - ബോർഡർ എക്സ്പാൻഷൻ ട്രാപ്പ്. ഒരു ലൈനിൽ വ്യാസം അളക്കുമ്പോൾ മുകളിലെ നിയന്ത്രണ പരിധി പലപ്പോഴും കവിയുന്നു. അലേർട്ടുകൾ കുറയ്ക്കുന്നതിന് പരിധികൾ വിപുലീകരിക്കാൻ ഓപ്പറേറ്റർ ശുപാർശ ചെയ്യുന്നു. ഗുണനിലവാരമുള്ള എഞ്ചിനീയർ ഇതിനെ എതിർക്കുന്നു; SPC ഡാറ്റ വിശകലനം ചെയ്യാൻ AI ഉണ്ട്, ഉച്ചകഴിഞ്ഞുള്ള ഷിഫ്റ്റിൽ ഒരു വ്യവസ്ഥാപിത ഷിഫ്റ്റ് (പ്രത്യേക കാരണം) ഉണ്ടെന്ന് അദ്ദേഹം കണ്ടെത്തുന്നു, ഒരുപക്ഷേ ടൂൾ വെയർ കാരണം. ഉപകരണം മാറ്റുന്ന കാലയളവ് ചുരുക്കുമ്പോൾ, പ്രക്രിയ പരിധിക്കുള്ളിൽ തിരിച്ചെത്തുന്നു. പാഠം: അലാറം വിവരങ്ങളുടെ ഉറവിടമാണ്; അവനെ നിശബ്ദനാക്കരുത്, പക്ഷേ കാരണം കണ്ടെത്തേണ്ടത് ആവശ്യമാണ്.

കേസ് 2 - തെറ്റായ Cpk വ്യാഖ്യാനം. പ്രക്രിയ "Cpk = 1.8, പെർഫെക്റ്റ്" ആണെന്ന് ഒരു റിപ്പോർട്ട് പറയുന്നു, എന്നാൽ ഭാഗങ്ങൾ ഉപഭോക്താവിന് പ്രശ്നങ്ങൾ നൽകുന്നു. എഞ്ചിനീയർക്ക് ഡാറ്റ പരിശോധിക്കാൻ AI ഉണ്ട്; മെഷർമെൻ്റ് സിസ്റ്റത്തിൻ്റെ റെസല്യൂഷൻ അപര്യാപ്തമായതിനാൽ യഥാർത്ഥ മാറ്റം മറഞ്ഞിരിക്കുന്നുവെന്ന് അദ്ദേഹം കണ്ടെത്തുന്നു (ഗേജ് ആർ&ആർ മോശമാണ്), ഉയർന്ന സിപികെ മെഷർമെൻ്റ് അന്ധതയിൽ നിന്നാണ് വരുന്നത്. ആദ്യം, മെഷർമെൻ്റ് സിസ്റ്റം ശരിയാക്കുകയും യഥാർത്ഥ Cpk 1.1 ആണ്. പാഠം: തെറ്റായ അളവെടുപ്പ് സംവിധാനത്തെ അടിസ്ഥാനമാക്കിയുള്ള ഏതൊരു സ്ഥിതിവിവരക്കണക്കും തെറ്റിദ്ധരിപ്പിക്കുന്നതാണ്; ആദ്യം അളവ് പരിശോധിക്കുക.

കേസ് 3 - ശരിയായ NDT ഉന്മൂലനം. ഒരു നിർമ്മാതാവ് കാസ്റ്റിംഗുകളിൽ AI- പവർഡ് RT പ്രീ-ക്വാളിഫയിംഗ് ഉപയോഗിക്കുന്നു; സംശയാസ്പദമായ ഭാഗങ്ങൾ ഫ്ലാഗുചെയ്യുകയും അവ സാക്ഷ്യപ്പെടുത്തിയ NDT ഉദ്യോഗസ്ഥർക്ക് നിർദ്ദേശിക്കുകയും ചെയ്യുന്നു. സ്റ്റാഫ് അടയാളപ്പെടുത്തിയവയിൽ മാത്രം ശ്രദ്ധ കേന്ദ്രീകരിക്കുന്നതിനാൽ AI വൃത്തിയുള്ള മിക്ക ഭാഗങ്ങളിലൂടെയും വേഗത്തിൽ കടന്നുപോകുന്നു. എന്നിരുന്നാലും, ഒരു സുരക്ഷാ-നിർണ്ണായക ശ്രേണിയിൽ, AI "ക്ലീൻ" എന്ന് വിളിക്കുന്ന ഭാഗങ്ങളും സാമ്പിൾ ചെയ്യുകയും NDT ഉപയോഗിച്ച് പരിശോധിക്കുകയും ചെയ്യുന്നു; കാരണം AI ഒരു സ്‌ക്രീനിംഗ് ഉപകരണമാണ്, പ്രവേശന അതോറിറ്റിയല്ല. പാഠം: AI കാര്യക്ഷമത മെച്ചപ്പെടുത്തുന്നു, എന്നാൽ അന്തിമ സ്വീകാര്യത സ്റ്റാൻഡേർഡ് NDT-യും അംഗീകൃത അംഗീകാരവും നൽകുന്നു.

പകർത്താവുന്ന പ്രോംപ്റ്റ് ടെംപ്ലേറ്റുകൾ

കൺട്രോൾ ചാർട്ട് സജ്ജീകരണ ടെംപ്ലേറ്റ് "റോൾ: നിങ്ങൾ SPC / ഗുണനിലവാര സഹായിയാണ്. എനിക്ക് ഇനിപ്പറയുന്ന അളവെടുപ്പ് ഡാറ്റയുണ്ട്: [ഉപഗ്രൂപ്പ് ഡാറ്റ]. സ്വഭാവം: [വ്യാസം/കാഠിന്യം]. ന്യായീകരണത്തോടുകൂടിയ ഉചിതമായ തരത്തിലുള്ള നിയന്ത്രണ ചാർട്ട് (എക്സ്-ബാർ/ആർ അല്ലെങ്കിൽ I-MR) എനിക്ക് ശുപാർശ ചെയ്യുക, കൂടാതെ എംപിഎയിലെ വ്യത്യസ്ത നിയന്ത്രണ കോഡുകളിൽ നിന്ന് എംപിഎ നിയന്ത്രണ പരിധിയിൽ നിന്ന് വ്യത്യസ്ത നിയന്ത്രണ കോഡുകൾ കണക്കാക്കുക. ടോളറൻസ് പരിധി കവിയുന്നതിനെ കുറിച്ച് അഭിപ്രായം പറയുക, എന്നാൽ കാരണം അന്വേഷിക്കണം.

Cpk COMMENT TEMPLATE "Cp = [...], Cpk = [...], സഹിഷ്ണുത = [...], അളന്ന വിതരണം = [...]. ഈ മൂല്യങ്ങൾ വ്യാഖ്യാനിക്കുക: പ്രക്രിയ പര്യാപ്തമാണോ, വികേന്ദ്രീകരണമുണ്ടോ? അളക്കൽ സംവിധാനം വിശ്വസനീയമാണോ എന്ന് ആദ്യം ചോദിക്കാൻ എന്നെ ഓർമ്മിപ്പിക്കുക (Gage R&R). 'അന്ധത' എന്ന ദൃഢമായ പരീക്ഷണത്തിൽ നിന്ന് ഉയർന്ന Cpk-യ്ക്ക് വരാവുന്ന അപകടത്തെക്കുറിച്ച് വിശദീകരിക്കുക.

ഡിഫെക്റ്റ് ക്ലാസിഫിക്കേഷൻ ഇവാലുവേഷൻ ടെംപ്ലേറ്റ് "AI ഇമേജ് മോഡൽ ഇനിപ്പറയുന്ന തകരാറുകൾ അടയാളപ്പെടുത്തി: [ലിസ്റ്റ്]. ഓരോന്നിനും: ഏത് സ്വീകാര്യത മാനദണ്ഡം (സ്റ്റാൻഡേർഡ്) പ്രകാരമാണ് ഇത് വിലയിരുത്തേണ്ടത്, സ്ഥിരീകരണത്തിന് ഏത് NDT രീതിയാണ് വേണ്ടത്, തെറ്റായ പോസിറ്റീവ്/നെഗറ്റീവുകളുടെ അപകടസാധ്യത എന്താണ്. പോസിറ്റീവ്/നെഗറ്റീവിൻറെ അപകടസാധ്യത എന്താണ്? 'പ്രീ-സ്‌ക്രീനിംഗ്' ആയി AI ഔട്ട്‌പുട്ട്."

SPC പാറ്റേൺ വിശകലന ടെംപ്ലേറ്റ് "ഇനിപ്പറയുന്ന കൺട്രോൾ ചാർട്ട് ഡാറ്റ പരിശോധിക്കുക: [ഡാറ്റ/ടൈം സീരീസ്]. ഒരു ട്രെൻഡ്, ഡ്രിഫ്റ്റ്, പീരിയോഡിസിറ്റി അല്ലെങ്കിൽ സീരീസ് റൂൾ ലംഘനം (വെസ്റ്റേൺ ഇലക്ട്രിക്) ഉണ്ടോ? ഓരോ പാറ്റേണിനും, സാധ്യമായ പ്രോസസ് കാരണം ലിസ്റ്റ് ചെയ്യുക (ടൂൾ വെയ്‌സ്, ബാച്ച് മാറ്റം, താപനില) ഒരു ഹൈപ്പോഥെസിസായി പ്രഖ്യാപിക്കുകയും എഴുതുകയും ചെയ്യുക."

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ നിർദ്ദേശം: "ഈ ഡാറ്റയുടെ ഗുണനിലവാരം നല്ലതാണോ?"

ശക്തമായ നിർദ്ദേശം: "റോൾ: നിങ്ങളാണ് SPC അസിസ്റ്റൻ്റ്. എനിക്ക് ഇനിപ്പറയുന്ന ഷാഫ്റ്റ് വ്യാസമുള്ള ഡാറ്റയുണ്ട് (25 ഉപഗ്രൂപ്പുകൾ, n=5): [ഡാറ്റ]. സഹിഷ്ണുത 20.00 ± 0.05 മില്ലിമീറ്റർ ആണ്. എന്നോട് പറയൂ: (1) റിസൾട്ട് സ്വീകാര്യത മാനദണ്ഡവുമായി താരതമ്യപ്പെടുത്തുന്നതിനുള്ള കേന്ദ്രവും നിയന്ത്രണ പരിധികളും കണക്കാക്കുക, എന്നാൽ R&അളവ് സിസ്റ്റം ആവശ്യമാണ്.

ദുർബലമായ പ്രോംപ്റ്റ് അവ്യക്തവും അഭിപ്രായമില്ലാത്തതുമായ ഒരു ഉത്തരം നൽകുന്നു. ശക്തമായ പ്രോംപ്റ്റ് വ്യക്തമായ ഡാറ്റയും സഹിഷ്ണുതയും ആവശ്യമുള്ള ഔട്ട്പുട്ടുകളും നൽകുന്നു; ഇത് നിയന്ത്രണ പരിധി/സഹിഷ്ണുത വ്യത്യാസം, ഗേജ് R&R നിയന്ത്രണം എന്നിവ വ്യവസ്ഥ ചെയ്യുന്നു, അന്തിമ തീരുമാനം എഞ്ചിനീയറുടെ പക്കലാണ്.

സാധാരണ തെറ്റുകൾ

• നിയന്ത്രണ പരിധികളെ സഹിഷ്ണുതയുമായി ആശയക്കുഴപ്പത്തിലാക്കുക അല്ലെങ്കിൽ അലാറം ഉണ്ടാകാതിരിക്കാൻ വിപുലീകരിക്കുക.
• മെഷർമെൻ്റ് സിസ്റ്റം (ഗേജ് ആർ&ആർ) പരിശോധിക്കാതെ സിപികെയെ ആശ്രയിക്കുന്നു.
• പരിധി കവിയുന്നത് സ്വയമേവയുള്ള "മൂലകാരണമായി" കണക്കാക്കുകയും അളവ് സ്ഥിരീകരിക്കാതെ സ്ക്രാപ്പ് ചെയ്യാൻ തീരുമാനിക്കുകയും ചെയ്യുന്നു.
• അന്തിമ സ്വീകാര്യത തീരുമാനമായി AI വൈകല്യ വർഗ്ഗീകരണം പരിഗണിക്കുക; എൻഡിടിയും അംഗീകൃത അംഗീകാരവും മറികടന്ന്.
• പൊതുവായ കാരണവും നിർദ്ദിഷ്ട കാരണവും (ഓവർ അഡ്ജസ്റ്റ്മെൻ്റ്) വേർതിരിച്ചറിയാതെ എല്ലാ ഏറ്റക്കുറച്ചിലുകളിലും ഇടപെടുന്നു.
• ഒരു സുരക്ഷാ-നിർണ്ണായക ശ്രേണിയിൽ, AI പറയുന്നത് "വൃത്തിയുള്ളത്" എന്ന് പൂർണ്ണമായി വിശ്വസിക്കുകയും സാമ്പിൾ പരിശോധന നടത്താതിരിക്കുകയും ചെയ്യുന്നു.

ചുരുക്കത്തിൽ

ഗുണനിലവാര നിയന്ത്രണത്തിലെ AI, വൈകല്യ വർഗ്ഗീകരണം, വലിയ ഡാറ്റയിലെ പാറ്റേൺ ക്യാപ്‌ചർ, SPC ഗ്രാഫ്/Cpk കണക്കുകൂട്ടൽ എന്നിവ ഉപയോഗിച്ച് ഗുണനിലവാരമുള്ള എഞ്ചിനീയറുടെ കണ്ണും വേഗതയും വർദ്ധിപ്പിക്കുന്നു. എന്നിരുന്നാലും, നിയന്ത്രണ പരിധി-സഹിഷ്ണുത വ്യത്യാസം, മെഷർമെൻ്റ് സിസ്റ്റത്തിൻ്റെ വിശ്വാസ്യത, പ്രത്യേക/പൊതുവായ കാരണ വ്യത്യാസം എന്നിവ ശരിയായില്ലെങ്കിൽ, സ്ഥിതിവിവരക്കണക്കുകൾ തെറ്റിദ്ധരിപ്പിക്കുന്നതാണ്. ഓരോ അലാറവും ഒരു ട്രിഗറായി പരിഗണിക്കുക, അളവ് സ്ഥിരീകരിക്കുക, മൂലകാരണം അന്വേഷിക്കുക, അന്തിമ സ്വീകാര്യതയെ സ്വീകാര്യത മാനദണ്ഡം, സ്റ്റാൻഡേർഡ് NDT, അംഗീകൃത അംഗീകാരം എന്നിവയുമായി ബന്ധിപ്പിക്കുക. AI ഒരു പ്രാഥമിക തിരഞ്ഞെടുപ്പ് നടത്തുന്നു, എഞ്ചിനീയർ തീരുമാനമെടുക്കുന്നു.

ആപ്ലിക്കേഷൻ ടാസ്ക്

അളവുകളുടെ ഒരു യഥാർത്ഥ അല്ലെങ്കിൽ സാങ്കൽപ്പിക ശ്രേണിയും (ഉദാ. വ്യാസം/കാഠിന്യം ഡാറ്റയുടെ 20-25 ഉപഗ്രൂപ്പുകൾ) ഒരു ടോളറൻസും വ്യക്തമാക്കുക. "സെറ്റപ്പ് കൺട്രോൾ ചാർട്ട്" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച്, ഉചിതമായ ചാർട്ട് തരത്തിനും കണക്കുകൂട്ടൽ കോഡിനും AI-യോട് ആവശ്യപ്പെടുകയും നിയന്ത്രണ പരിധികൾ കണക്കാക്കുകയും ചെയ്യുക. തുടർന്ന് "Cpk COMMENT" ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് പ്രോസസ്സ് പര്യാപ്തത കമൻ്റ് ചെയ്യുക കൂടാതെ ഗേജ് R&R ചെക്ക് ശ്രദ്ധിക്കുക. അവസാനമായി, പരിധിക്കപ്പുറമുള്ള ഒരു സാഹചര്യം സൃഷ്ടിച്ച് ഒരു ഖണ്ഡികയിൽ എഴുതുക, ഏത് ഘട്ടങ്ങളാണ് നിങ്ങൾ തീരുമാനിക്കേണ്ടത് (അളവ് സ്ഥിരീകരണം, മൂലകാരണം, സ്വീകാര്യത മാനദണ്ഡം).

ചെക്ക്ലിസ്റ്റ്

• [ ] നിരീക്ഷിക്കേണ്ട നിർണ്ണായക ഗുണനിലവാര ആട്രിബ്യൂട്ടും അളക്കൽ സംവിധാനത്തിൻ്റെ വിശ്വാസ്യതയും ഞാൻ തിരിച്ചറിഞ്ഞു.
• [ ] ഞാൻ ഉചിതമായ നിയന്ത്രണ ചാർട്ട് തരം തിരഞ്ഞെടുക്കുകയും പ്രക്രിയയിൽ നിന്ന് പരിധികൾ കണക്കാക്കുകയും ചെയ്തു.
• [ ] ഞാൻ നിയന്ത്രണ പരിധിയും സഹിഷ്ണുതയും വേർതിരിച്ചു; ഞാൻ അതിരുകൾ ഏകപക്ഷീയമായി വികസിപ്പിച്ചില്ല.
• [ ] ഞാൻ സിപികെയെ മെഷർമെൻ്റ് സിസ്റ്റത്തിൻ്റെ വിശ്വാസ്യതയ്‌ക്കൊപ്പം വ്യാഖ്യാനിച്ചു.
• [ ] ഞാൻ അലാറത്തെ ഒരു ട്രിഗറായി കണക്കാക്കി, അളവ് സ്ഥിരീകരിക്കുകയും മൂലകാരണം അന്വേഷിക്കുകയും ചെയ്തു.
• [ ] സ്വീകാര്യത മാനദണ്ഡം, സ്റ്റാൻഡേർഡ് NDT, അംഗീകൃത അംഗീകാരം എന്നിവയെ അടിസ്ഥാനമാക്കിയുള്ള അന്തിമ സ്വീകാര്യത എനിക്കുണ്ട്.