गुणवत्ता नियंत्रण आणि सांख्यिकी प्रक्रिया नियंत्रण (SPC)

नफा:

• नियंत्रण चार्ट (X-bar/R, p, c) आणि प्रक्रिया क्षमता निर्देशांक (Cp, Cpk) ची व्याख्या करण्याची क्षमता
• AI सह नियंत्रणाबाहेरील सिग्नल (वेस्टर्न इलेक्ट्रिक नियम) स्कॅनिंग आणि रिपोर्टिंगला गती देण्याची क्षमता
• कच्चा डेटा आणि भौतिक प्रक्रिया वास्तविकतेसह AI चे सांख्यिकीय व्याख्या प्रमाणित करण्याची क्षमता

गुणवत्तेची तपासणी करून "क्रमवारी" केली जात नाही, ती प्रक्रियेद्वारे "उत्पादन" केली जाते. सांख्यिकी प्रक्रिया नियंत्रण (SPC) चे उद्दिष्ट फक्त तेच करणे आहे: रिअल टाइममध्ये प्रक्रियेचे निरीक्षण करणे आणि त्रुटी उत्पादित होण्यापूर्वी सिग्नल पकडणे. SPC ची ताकद नैसर्गिक (सामान्य कारण) परिवर्तनशीलता आणि असामान्य (विशेष कारण) परिवर्तनशीलता वेगळे करण्यात आहे. या क्षेत्रात, AI नियंत्रण चार्ट व्याख्या, नियम स्कॅनिंग आणि प्रवीणता अहवालाला गती देते; परंतु भौतिक प्रक्रियेच्या वास्तविकतेशी सांख्यिकीय व्याख्येचे मिश्रण करणे हे मानवाचे काम आहे. या युनिटमध्ये, आम्ही नियंत्रण चार्ट, Cp/Cpk प्रवीणता निर्देशांक आणि SPC मध्ये AI ची योग्य भूमिका समाविष्ट करू.

परिवर्तनशीलतेचे दोन चेहरे

प्रत्येक प्रक्रियेत परिवर्तनशीलता असते. SPC या परिवर्तनशीलतेचे दोन भागांमध्ये विभाजन करते:

• सामान्य कारण: यादृच्छिक, प्रक्रियेत अंतर्भूत अंदाजे चढ-उतार. प्रक्रिया "नियंत्रणाखाली" आहे.
• विशेष कारण: एक बाह्य, नियुक्त करण्यायोग्य घटना (टूल ब्रेकेज, कच्च्या मालाची बॅच बदल, सेटिंग शिफ्ट). प्रक्रिया "नियंत्रणाबाहेर" आहे.

नियंत्रण चार्टचा एकमेव उद्देश दोन वेगळे करणे आहे. सामान्य-कारण चढ-उतार (अति-समायोजन / "छेडछाड") ला प्रतिसाद देणे प्रत्यक्षात परिवर्तनशीलता वाढवते. डेमिंगचा क्लासिक "फनेल प्रयोग" हे दर्शवितो: प्रत्येक विचलनात हस्तक्षेप केल्याने गोष्टी आणखी वाईट होतात.

टीप: नियंत्रण मर्यादा (UCL/LCL) सहिष्णुता (स्पेसिफिकेशन) मर्यादांसह कधीही गोंधळात टाकू नका. नियंत्रण मर्यादा ही प्रक्रियेची "आवाज" आहे (डेटामधून गणना केली जाते); सहिष्णुता मर्यादा ग्राहकाचा "आवाज" आहे (डिझाइनमधून येते). एआय कधीकधी या गोंधळात टाकते; प्रत्येक कमेंटमध्ये तुम्ही कोणाबद्दल बोलत आहात ते स्पष्ट करा.

चार्ट प्रकार नियंत्रित करा

डेटा प्रकारानुसार चार्ट निवडला जातो.

ग्राफिक्स

डेटा प्रकार

उदाहरण

एक्स-बार/आर

सतत (मापन), उपसमूह

शाफ्ट व्यास सरासरी आणि मंजुरी

एक्स-बार/एस

सतत, मोठा उपसमूह

वजन भरणे

I-MRI

सतत, एकल मापन

दररोज एकच मापन

p/np

स्वतंत्र, सदोष दर/संख्या

सदोष भाग दर

c/u

स्वतंत्र, दोषांची संख्या

प्रति युनिट दोष

एक्स-बार/आर चार्टवर, उपसमूह सरासरी आणि स्पॅन्सवरून नियंत्रण मर्यादा मोजल्या जातात:

UCL_xbar = X-डबल-बार + A2 × R-barLCL_xbar =

नियंत्रणाबाहेरचे सिग्नल (वेस्टर्न इलेक्ट्रिक नियम)

मर्यादेबाहेर जाणारा बिंदू हा एकमेव सिग्नल नाही. वेस्टर्न इलेक्ट्रिक (नेल्सन) नियम देखील नमुने कॅप्चर करतात:

1. एक बिंदू 3σ च्या बाहेर आहे (सीमेच्या बाहेर).
2. 2σ च्या पुढे सलग 2/3 गुण (त्याच बाजूला).
3. 1σ च्या पुढे 4/5 सलग गुण.
4. मध्य रेषेच्या एकाच बाजूला 8 सलग बिंदू (शिफ्ट).
5. 6 ठिपके सतत वाढत/कमी होत आहेत (ट्रेंड).

भूमिका: तुम्ही SPC मध्ये अनुभवी दर्जेदार अभियंता आहात. कार्य: दिलेल्या UCL/LCL आणि मध्य रेषेनुसार वेस्टर्न इलेक्ट्रिक नियमांसह खालील X-बार मूल्ये स्कॅन करा. प्रत्येक नियंत्रणाबाहेरील सिग्नलसाठी: नियम क्रमांक, कोणता बिंदू, संभाव्य भौतिक व्याख्या आणि सुचवलेली तपासणी पायरी. केंद्र=50.2 UCL=52.1 LCL=48.3 σ=0.63डेटा (ऑर्डर): {{ values ​​}}नियम: बनावट सिग्नल तयार करू नका; नियमाचे पूर्णपणे समाधान न करणारे बिंदू चिन्हांकित करणे. संभाव्य कारणे "पोथीसिस" म्हणून सादर करा, अचूक भाषेत लिहू नका.

AI हे स्क्रीनिंग जलद करते, परंतु लक्षात ठेवा: नियम तरतूद एक सांख्यिकीय सूचना आहे; क्षेत्रीय तपासणीत खरे कारण सापडते. AI कदाचित "कदाचित टूल वेअर" म्हणू शकते; हे साधन मोजमाप आहे जे याची पुष्टी करते.

प्रक्रिया क्षमता: Cp आणि Cpk

प्रक्रिया नियंत्रणात असली तरी ती ग्राहकांच्या सहनशीलतेची पूर्तता करते का? पुरेसे निर्देशांक हे सांगतात.

Cp = (USL − LSL) / (6σ) → फक्त स्प्रेड सीपीके = मिनिट मोजते

उदाहरण: USL = 10.5; LSL = 9.5; μ = 10.1; σ = ०.१.

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 = 0.4/0.] मि[१.३३ , २.०] = १.३३

Cp = 1.67 चांगला प्रसार दर्शवितो, परंतु Cpk = 1.33 आम्हाला सांगते की प्रक्रिया केंद्राबाहेर आहे (सरासरी 10.1, लक्ष्य 10.0 पेक्षा USL च्या जवळ). Cpk < Cp नेहमी मध्यभागी समस्या दर्शवते. चांगली फैलाव असलेली प्रक्रिया देखील चुकीच्या पद्धतीने केंद्रीत असल्यास दोषपूर्ण उत्पादन तयार करेल.

कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट

कमकुवत प्रॉम्प्ट:

ही प्रक्रिया चांगली आहे का?

"चांगले" हा निकष नाही; एआय फक्त एक सामान्य अंदाज लावते.

शक्तिशाली सूचना:

खालील मापन डेटासह Cp आणि Cpk ची गणना करा (USL=10.5, LSL=9.5). डेटावरून σ आणि सरासरीची गणना करा, सूत्र आणि प्रत्येक चरण दर्शवा. जर Cpk < Cp, विचारा की ते मध्यभागी आहे की पसरत आहे, टिप्पणी द्या. तसेच प्रक्रियेच्या अंदाजे त्रुटी दर (ppm) चा अंदाज लावा आणि तुमचे अनुमान लिहा. डेटा: {{ ... }}

मिनी केस: चांगले CP, खराब उत्पादन

फिलिंग लाइनवर, बहुतेक बाटल्या विनिर्देशानुसार बाहेर येतात, परंतु नियंत्रण चार्टवर प्रक्रिया "स्थिर" दिसते. औद्योगिक अभियंता Yağmur AI ला डेटा देतात आणि Cp आणि Cpk ची गणना करतात: Cp = 1.5 (चांगला प्रसार) परंतु Cpk = 0.7 (अपुरा). फरक असा आहे की सरासरी लक्ष्यापेक्षा लक्षणीयरीत्या बदलली आहे. एआय सेंटरिंग समस्या दर्शवते; तो रेन फिल व्हॉल्व्हची सेटिंग तपासतो आणि खरंच ऑफसेट सापडतो. तुम्ही सेटिंग दुरुस्त केल्यावर, Cpk 1.4 पर्यंत वाढते आणि कचरा कमी होतो. गंभीर धडा: प्रक्रिया "स्थिर" (नियंत्रणाखाली) असू शकते परंतु तरीही "कमतर" असू शकते (विशिष्टता पूर्ण करत नाही). AI ने हा फरक संख्यात्मकरित्या दाखवला; यागमुरलाच मैदानात मूळ कारण सापडले.

सामान्य चुका

• गोंधळात टाकणारे नियंत्रण आणि सहिष्णुता मर्यादा: ग्राहक सहिष्णुतेसह नियंत्रण मर्यादा समान करणे.
• सामान्य कारण छेडछाड: प्रत्येक चढ-उतारासाठी समायोजित करणे आणि परिवर्तनशीलता वाढवणे.
• Cpk कडे दुर्लक्ष करणे: फक्त Cp कडे पाहणे आणि केंद्रस्थानी समस्या गहाळ आहे.
• पुराव्यासाठी AI सिग्नल चुकणे: फील्डमध्ये वेस्टर्न इलेक्ट्रिक सिग्नलचे कारण पडताळत नाही.
• चुकीचा चार्ट निवड: दोष दर डेटासाठी सतत डेटा चार्ट (X-बार) लागू करणे.

सारांशात

• SPC चे सार सामान्य आणि विशेष कारण परिवर्तनशीलता वेगळे करणे आहे; सामान्य कारणामध्ये हस्तक्षेप करणे हानिकारक आहे.
• नियंत्रण मर्यादा प्रक्रियेतून येतात, सहिष्णुतेच्या मर्यादा डिझाइनमधून येतात; दोघांनी कधीही गोंधळून जाऊ नये.
• डेटा प्रकारासाठी योग्य चार्ट निवडा (X-bar/R, p, c...) आणि वेस्टर्न इलेक्ट्रिक नियमांसह पॅटर्न शोधा.
• Cp प्रसार आणि Cpk उपाय केंद्रीकरण; Cpk < Cp मध्यभागी समस्या दर्शवते.
• AI सांख्यिकीय सिग्नल जलद व्युत्पन्न करते; फील्ड तपासणी कारणाची पुष्टी करते, निर्णय अभियंत्यावर अवलंबून असतो.

अर्ज कार्य

प्रक्रियेतून (वास्तविक किंवा काल्पनिक) किमान 20 सतत मोजमाप घ्या आणि USL/LSL मूल्ये निर्धारित करा. AI ला या डेटासह Cp आणि Cpk ची गणना करा; डेटावरून σ आणि मीन मोजले आणि प्रत्येक पायरी दाखवली. गंभीर पडताळणी: Excel किंवा Python मध्ये σ, Cp आणि Cpk मूल्यांची स्वतःची पुनर्गणना करा आणि AI आउटपुटशी तुलना करा. नंतर वेस्टर्न इलेक्ट्रिक नियमांसह डेटा स्कॅन करा आणि "मी हे फील्डमध्ये कसे सत्यापित करू?" सापडलेल्या प्रत्येक सिग्नलसाठी. प्रश्नाचे उत्तर द्या. शेवटी, Cpk < Cp असल्यास, आधी मध्यभागी किंवा पसरवणे हे ठरवावे.