गुणस्तर नियन्त्रण र सांख्यिकीय प्रक्रिया नियन्त्रण (SPC)

लाभ:

• नियन्त्रण चार्टहरू व्याख्या गर्ने क्षमता (X-bar/R, p, c) र प्रक्रिया क्षमता सूचकांकहरू (Cp, Cpk)
• AI को साथ बाहिर-अफ-नियन्त्रण संकेतहरू (वेस्टर्न इलेक्ट्रिक नियमहरू) को स्क्यानिङ र रिपोर्टिङलाई गति दिने क्षमता
• कच्चा डाटा र भौतिक प्रक्रिया वास्तविकता संग AI को सांख्यिकीय व्याख्या मान्य गर्न क्षमता

गुणस्तर निरीक्षण द्वारा "क्रमबद्ध" छैन, यो प्रक्रिया द्वारा "उत्पादन" छ। तथ्याङ्कीय प्रक्रिया नियन्त्रण (SPC) ले त्यसै गर्ने लक्ष्य राख्छ: वास्तविक समयमा प्रक्रियाको अनुगमन गर्ने र त्रुटिहरू उत्पादन हुनु अघि संकेतहरू समात्ने। SPC को बल प्राकृतिक (सामान्य कारण) परिवर्तनशीलतालाई असामान्य (विशेष कारण) परिवर्तनशीलताबाट छुट्याउनमा निहित छ। यस क्षेत्रमा, AI ले नियन्त्रण चार्ट व्याख्या, नियम स्क्यानिङ, र दक्षता रिपोर्टिङलाई गति दिन्छ; तर भौतिक प्रक्रियाको वास्तविकतासँग सांख्यिकीय व्याख्याको मिश्रण गर्नु मानवको काम हो। यस इकाईमा, हामी नियन्त्रण चार्टहरू, Cp/Cpk प्रवीणता सूचकाङ्कहरू र SPC मा AI को उचित भूमिकालाई कभर गर्नेछौं।

परिवर्तनशीलताका दुई अनुहारहरू

प्रत्येक प्रक्रियामा परिवर्तनशीलता समावेश छ। SPC ले यो परिवर्तनशीलतालाई दुई भागमा विभाजन गर्दछ:

• सामान्य कारण: प्रक्रियामा निहित अनियमित, अनुमानित उतार चढाव। प्रक्रिया "नियन्त्रणमा" छ।
• विशेष कारण: बाह्य, असाइन गर्न मिल्ने घटना (उपकरण बिच्छेद, कच्चा माल ब्याच परिवर्तन, सेटिङ शिफ्ट)। प्रक्रिया "नियन्त्रण बाहिर" छ।

नियन्त्रण चार्टको एकमात्र उद्देश्य दुई अलग गर्नु हो। सामान्य कारणको उतार-चढाव (अधिक-समायोजन / "छेड़छाड") लाई प्रतिक्रियाले वास्तवमा परिवर्तनशीलता बढाउँछ। डेमिङको क्लासिक "फनेल प्रयोग" ले यो देखाउँछ: हरेक विचलनमा हस्तक्षेप गर्नाले चीजहरू खराब बनाउँछ।

सुझाव: सहिष्णुता (विशिष्टता) सीमाहरूसँग नियन्त्रण सीमाहरू (UCL/LCL) कहिल्यै भ्रमित नगर्नुहोस्। नियन्त्रण सीमाहरू प्रक्रियाको "आवाज" हुन् (डेटाबाट गणना गरिएको); सहिष्णुता सीमा ग्राहकको "आवाज" हो (डिजाइनबाट आउँछ)। AI ले कहिलेकाहीं यी भ्रममा पार्छ; प्रत्येक टिप्पणीमा तपाइँ कुन बारे कुरा गर्दै हुनुहुन्छ स्पष्ट गर्नुहोस्।

चार्ट प्रकारहरू नियन्त्रण गर्नुहोस्

चार्ट डाटा प्रकार अनुसार चयन गरिएको छ।

ग्राफिक्स

डाटा प्रकार

उदाहरण

X-bar/R

निरन्तर (मापन), उपसमूह

शाफ्ट व्यास औसत र निकासी

X-bar/S

निरन्तर, ठूलो उपसमूह

वजन भर्ने

I-MRI

निरन्तर, एकल मापन

प्रति दिन एकल मापन

p/np

अलग, दोषपूर्ण दर/संख्या

दोषपूर्ण भाग दर

c/u

अलग, दोषहरूको संख्या

प्रति एकाइ दोषहरू

X-bar/R चार्टमा, नियन्त्रण सीमाहरू उपसमूह औसत र स्प्यान्सबाट गणना गरिन्छ:

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

नियन्त्रण बाहिर सिग्नलहरू (पश्चिमी विद्युत नियमहरू)

सीमा बाहिर जाने बिन्दु मात्र संकेत होइन। पश्चिमी इलेक्ट्रिक (नेल्सन) नियमहरू पनि ढाँचाहरू कब्जा:

1. एउटा बिन्दु 3σ (सीमा बाहिर) बाहिर छ।
2. लगातार 2/3 अंक 2σ भन्दा पर (उही तर्फ)।
3. 1σ भन्दा 4/5 लगातार अंकहरू।
4. केन्द्र रेखाको एउटै छेउमा 8 लगातार बिन्दुहरू (शिफ्ट)।
5. 6 बिन्दुहरू लगातार बढ्दै/घट्दै (प्रवृत्ति)।

भूमिका: तपाईं SPC मा अनुभवी एक गुणस्तर इन्जिनियर हुनुहुन्छ। कार्य: दिइएको UCL/LCL र केन्द्र रेखा अनुसार पश्चिमी इलेक्ट्रिक नियमहरूसँग निम्न X-पट्टी मानहरू स्क्यान गर्नुहोस्। प्रत्येक आउट-अफ-नियन्त्रण संकेतको लागि: नियम नम्बर, कुन अंक, सम्भावित भौतिक व्याख्या, र सुझाव गरिएको अनुसन्धान चरण। केन्द्र=50.2 UCL=52.1 LCL=48.3 σ=0.63डेटा (अर्डर गरिएको): {{ values}}नियम: नक्कली संकेत उत्पन्न नगर्नुहोस्; नियमलाई पूर्ण रूपमा सन्तुष्ट नगर्ने बिन्दुहरू चिन्ह लगाउने। सम्भावित कारणहरूलाई "परिकल्पना" को रूपमा प्रस्तुत गर्नुहोस्, सटीक भाषामा नलेख्नुहोस्।

AI ले यो स्क्रीनिंग छिटो बनाउँछ, तर याद गर्नुहोस्: नियम प्रावधान एक सांख्यिकीय चेतावनी हो; क्षेत्रीय अनुसन्धानले वास्तविक कारण पत्ता लगाउँछ। AI ले "सम्भवतः उपकरण पहिरन" भन्न सक्छ; यो उपकरण मापन हो जसले यो पुष्टि गर्दछ।

प्रक्रिया क्षमता: Cp र Cpk

यदि प्रक्रिया नियन्त्रणमा छ भने, के यसले ग्राहक सहिष्णुताहरू पूरा गर्छ? पर्याप्तता सूचकांकले यो बताउँछ।

Cp = (USL − LSL) / (6σ) → केवल स्प्रेड मापन गर्दछ

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 [0.4/0.30 = 0.4/0] न्यूनतम [१.३३, २.०] = १.३३

Cp = 1.67 ले राम्रो स्प्रेडलाई संकेत गर्छ, तर Cpk = 1.33 ले हामीलाई प्रक्रिया अफ-सेन्टर भएको बताउँछ (औसत 10.1, लक्ष्य 10.0 भन्दा USL नजिक)। Cpk < Cp ले सधैं केन्द्रित समस्यालाई संकेत गर्दछ। राम्रो फैलावट भएको प्रक्रियाले पनि त्रुटिपूर्ण उत्पादन उत्पादन गर्नेछ यदि यो गलत रूपमा केन्द्रित छ।

कमजोर प्रम्प्ट / बलियो प्रम्प्ट

कमजोर प्रम्प्ट:

के यो प्रक्रिया राम्रो छ?

"राम्रो" को लागि कुनै मापदण्ड छैन; AI ले सामान्य अनुमान मात्र गर्छ।

शक्तिशाली प्रम्प्ट:

निम्न मापन डेटा (USL=10.5, LSL=9.5) को साथ Cp र Cpk गणना गर्नुहोस्। डेटाबाट σ र मतलब गणना गर्नुहोस्, सूत्र र प्रत्येक चरण देखाउनुहोस्। यदि Cpk < Cp, सोध्नुहोस् कि यो केन्द्रित वा फैलिरहेको छ, टिप्पणी गर्नुहोस्। साथै प्रक्रियाको अनुमानित त्रुटि दर (ppm) अनुमान गर्नुहोस् र आफ्नो अनुमानहरू लेख्नुहोस्। डाटा: {{ ... }}

मिनी केस: राम्रो CP, खराब उत्पादन

फिलिंग लाइनमा, धेरैजसो बोतलहरू विनिर्देशबाट बाहिर आउँछन्, तर प्रक्रिया नियन्त्रण चार्टमा "स्थिर" देखिन्छ। औद्योगिक इन्जिनियर Yağmur ले AI लाई डाटा दिन्छ र यसलाई Cp र Cpk गणना गर्दछ: Cp = 1.5 (राम्रो स्प्रेड) तर Cpk = 0.7 (अपर्याप्त)। फरक यो हो कि औसत लक्ष्यबाट उल्लेखनीय रूपमा सरेको छ। एआई केन्द्रीकरण समस्या औंल्याउँछ; उसले रेन फिल भल्भको सेटिङ जाँच गर्छ र वास्तवमा अफसेट फेला पार्छ। जब तपाइँ सेटिङ ठीक गर्नुहुन्छ, Cpk 1.4 मा बढ्छ र बर्बाद घट्छ। आलोचनात्मक पाठ: प्रक्रिया "स्थिर" (नियन्त्रणमा) हुन सक्छ तर अझै पनि "कम" हुन सक्छ (विशिष्टता पूरा नगर्ने)। AI ले यो भिन्नता संख्यात्मक रूपमा देखाएको छ; यो यामुर थियो जसले मैदानमा मूल कारण फेला पार्यो।

सामान्य गल्तीहरू

• भ्रामक नियन्त्रण र सहिष्णुता सीमा: ग्राहक सहिष्णुता संग नियन्त्रण सीमा बराबर।
• सामान्य कारण छेडछाड: प्रत्येक उतार-चढ़ावको लागि समायोजन र परिवर्तनशीलता बढ्दै।
• Cpk लाई बेवास्ता गर्दै: Cp हेरेर केन्द्रित मुद्दा छुटेको छ।
• प्रमाणको लागि AI संकेतहरू गलत गर्दै: क्षेत्रमा पश्चिमी इलेक्ट्रिक सिग्नलको कारण प्रमाणित गर्दैन।
• गलत चार्ट चयन: त्रुटि दर डेटामा निरन्तर डेटा चार्ट (X-बार) लागू गर्दै।

संक्षेपमा

• SPC को सार सामान्य र विशेष कारण परिवर्तनशीलता अलग गर्नु हो; सामान्य कारणमा हस्तक्षेप गर्नु हानिकारक छ।
• नियन्त्रण सीमा प्रक्रियाबाट आउँछ, सहिष्णुता सीमा डिजाइनबाट आउँछ; दुईजना कहिल्यै भ्रमित हुनुहुँदैन।
• डेटा प्रकार (X-bar/R, p, c...) को लागि उपयुक्त चार्ट चयन गर्नुहोस् र पश्चिमी इलेक्ट्रिक नियमहरूसँग ढाँचाहरू हेर्नुहोस्।
• Cp मापन फैलाउने र Cpk मापन केन्द्रीकरण; Cpk < Cp ले केन्द्रित समस्यालाई संकेत गर्छ।
• AI ले सांख्यिकीय संकेत छिटो उत्पन्न गर्दछ; फिल्ड निरीक्षणले कारण पुष्टि गर्छ, निर्णय इन्जिनियरमा निर्भर छ।

आवेदन कार्य

एक प्रक्रिया (वास्तविक वा काल्पनिक) बाट कम्तिमा 20 निरन्तर मापन लिनुहोस् र USL/LSL मानहरू निर्धारण गर्नुहोस्। यस डाटाको साथ AI सँग Cp र Cpk गणना गर्नुहोस्; डेटाबाट σ र मतलब गणना गर्नुहोस् र प्रत्येक चरण देखाउनुहोस्। महत्वपूर्ण प्रमाणीकरण: Excel वा Python मा σ, Cp, र Cpk मानहरू पुन: गणना गर्नुहोस् र AI आउटपुटसँग तुलना गर्नुहोस्। त्यसपछि वेस्टर्न इलेक्ट्रिक नियमहरूसँग डाटा स्क्यान गर्नुहोस् र सोध्नुहोस् "मैले यसलाई फिल्डमा कसरी प्रमाणित गर्ने?" फेला परेको प्रत्येक संकेतको लागि। प्रश्नको जवाफ दिनुहोस्। अन्तमा, यदि Cpk < Cp, निर्णय गर्नुहोस् कि केन्द्रित वा फैलाउने पहिले सच्याउनुपर्छ।