Winst:
- Mogelijkheid om controlediagrammen (X-bar/R, p, c) en procescapaciteitsindices (Cp, Cpk) te interpreteren
- Mogelijkheid om het scannen en rapporteren van uit de hand gelopen signalen (Western Electric-regels) met AI te versnellen
- Mogelijkheid om de statistische interpretatie van AI te valideren met onbewerkte gegevens en fysieke procesrealiteit
Kwaliteit wordt niet ‘gesorteerd’ door inspectie, maar ‘geproduceerd’ door het proces. Statistische procescontrole (SPC) heeft precies dat doel voor ogen: het proces in realtime monitoren en signalen opvangen voordat fouten producten worden. De kracht van de SPC ligt in het onderscheiden van natuurlijke variabiliteit (veelvoorkomende oorzaken) van abnormale variabiliteit (speciale oorzaken). Op dit gebied versnelt AI de interpretatie van controlediagrammen, het scannen van regels en het rapporteren van vaardigheden; maar het is de taak van de mens om statistische interpretatie te combineren met de realiteit van het fysieke proces. In deze unit behandelen we controlediagrammen, Cp/Cpk-vaardigheidsindices en de juiste rol van AI in SPC.
Twee gezichten van variabiliteit
Elk proces brengt variatie met zich mee. SPC verdeelt deze variabiliteit in tweeën:
- Veelvoorkomende oorzaak: willekeurige, voorspelbare fluctuaties die inherent zijn aan het proces. Het proces is ‘onder controle’.
- Bijzondere oorzaak: een externe, toewijsbare gebeurtenis (gereedschapsbreuk, wijziging van de grondstofbatch, wijziging van de instelling). Het proces is ‘uit de hand gelopen’.
Het enige doel van het controlediagram is om de twee te scheiden. Het reageren op fluctuaties die een gemeenschappelijke oorzaak hebben (overaanpassing/'manipuleren') vergroot feitelijk de variabiliteit. Het klassieke ‘trechterexperiment’ van Deming laat dit zien: ingrijpen bij elke afwijking maakt de zaken alleen maar erger.
Tip: Verwar controlelimieten (UCL/LCL) nooit met tolerantielimieten (specificatie). Controlelimieten zijn de ‘stem’ van het proces (berekend op basis van gegevens); tolerantiegrenzen zijn de "stem" van de klant (komt uit het ontwerp). AI verwart deze soms; Maak in elke reactie duidelijk over welke je het hebt.
Soorten controlediagrammen
Het diagram wordt geselecteerd op basis van het gegevenstype.
Grafisch
Gegevenstype
voorbeeld
X-balk/R
Continu (meting), subgroep
Asdiameter gemiddelde en speling
X-balk/S
Continue, grote subgroep
Vulgewicht
I-MRI
Continue, enkele meting
Eén meting per dag
p/np
Discreet, defect tarief/nummer
Tarief defecte onderdelen
c/u
Discreet, aantal defecten
Defecten per eenheid
Op een X-bar/R-diagram worden controlelimieten berekend op basis van subgroepgemiddelden en -bereiken:
UCL_xbar = X-dubbele balk + A2 × R-barLCL_xbar =
Uit de hand gelopen signalen (Western Electric Rules)
Een punt dat buiten de grenzen gaat, is niet het enige signaal. De regels van Western Electric (Nelson) leggen ook patronen vast:
- Een punt ligt buiten 3σ (buiten de grenzen).
- Opeenvolgende 2/3 punten voorbij 2σ (aan dezelfde kant).
- 4/5 opeenvolgende punten voorbij 1σ.
- 8 opeenvolgende punten aan dezelfde kant van de middenlijn (verschuiving).
- 6 stippen die voortdurend stijgen/dalen (trend).
Rol: Je bent een kwaliteitsingenieur met ervaring in SPC. Taak: Scan de volgende X-bar-waarden met Western Electric-regels volgens de gegeven UCL/LCL en middellijn. Voor elk uit de hand gelopen signaal: regelnummer, welke punten, mogelijke fysieke interpretatie en voorgestelde onderzoeksstap. Midden=50,2 UCL=52,1 LCL=48,3 σ=0,63Data (geordend): {{ waarden }}Regel: genereer geen vals signaal; Punten markeren die niet volledig aan de regel voldoen. Presenteer mogelijke redenen als ‘hypothese’, schrijf niet in precieze taal.
AI maakt deze screening snel, maar onthoud: het verstrekken van regels is een statistische waarschuwing; Veldonderzoek brengt de echte oorzaak aan het licht. AI zou kunnen zeggen: "waarschijnlijk gereedschapsslijtage"; Het is de gereedschapsmeting die dit bevestigt.
Procesmogelijkheden: Cp en Cpk
Voldoet het proces, zelfs als het onder controle is, aan de toleranties van de klant? Toereikendheidsindexen vertellen dit.
Cp = (USL − LSL) / (6σ) → meet alleen de spreidingCpk = min[ (USL − μ)/(3σ) , (μ − LSL)/(3σ) ] → omvat centrering
Voorbeeld: 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 = 1,67 duidt op een goede spreiding, maar Cpk = 1,33 vertelt ons dat het proces niet in het midden ligt (gemiddeld 10,1, dichter bij USL dan doelstelling 10,0). Cpk < Cp duidt altijd op een centreringsprobleem. Zelfs een proces met een goede dispersie zal een defect product opleveren als het verkeerd gecentreerd is.
Zwakke prompt/sterke prompt
Zwakke prompt:
Is dit proces goed?
Er bestaat geen criterium voor ‘goed’; AI doet slechts een algemene inschatting.
Krachtige prompt:
Bereken Cp en Cpk met de volgende meetgegevens (USL=10,5, LSL=9,5). Bereken σ en gemiddelde uit gegevens, toon de formule en elke stap. Als Cpk < Cp, vraag dan of het centreert of spreidt, geef commentaar. Maak ook een schatting van het geschatte foutenpercentage (ppm) van het proces en noteer uw aannames. Gegevens: {{ ... }}
Mini-hoesje: goede CP, slecht product
Op een afvullijn vallen de meeste flessen buiten de specificaties, maar op de controlekaart lijkt het proces "stabiel". Industrieel ingenieur Yağmur geeft de gegevens aan de AI en laat deze Cp en Cpk berekenen: Cp = 1,5 (goede spreiding) maar Cpk = 0,7 (onvoldoende). Het verschil is dat het gemiddelde aanzienlijk is verschoven ten opzichte van de doelstelling. AI wijst op het centreringsprobleem; Hij controleert de stand van de regenvulklep en vindt inderdaad een offset. Wanneer u de instelling corrigeert, neemt Cpk toe naar 1,4 en neemt de verspilling af. Cruciale les: het proces kan ‘stabiel’ zijn (onder controle), maar nog steeds ‘deficiënt’ (niet voldoen aan de specificaties). AI demonstreerde dit onderscheid numeriek; Het was Yağmur die de oorzaak op het veld ontdekte.
Veelvoorkomende fouten
- Controle- en tolerantielimiet verwarren: controlelimieten gelijkstellen aan klanttolerantie.
- Gemeenschappelijke oorzaak van knoeien: aanpassing voor elke fluctuatie en toenemende variabiliteit.
- Cpk negeren: alleen maar naar Cp kijken en het centreringsprobleem missen.
- AI-signalen voor bewijs verwarren: de oorzaak van het Western Electric-signaal in het veld niet verifiëren.
- Verkeerde grafiekselectie: toepassing van een continu gegevensdiagram (X-balk) op defectpercentagegegevens.
Samengevat
- De essentie van de SPC is het scheiden van de variabiliteit met algemene en bijzondere oorzaken; Het ingrijpen in de gemeenschappelijke oorzaak is schadelijk.
- Controlelimieten komen voort uit het proces, tolerantielimieten komen voort uit het ontwerp; Deze twee mogen nooit verward worden.
- Selecteer het diagram dat geschikt is voor het gegevenstype (X-bar/R, p, c...) en zoek naar patronen met de regels van Western Electric.
- Cp meet de spreiding en Cpk meet de concentratie; Cpk < Cp duidt op een centreringsprobleem.
- AI genereert snel statistische signalen; Veldinspectie bevestigt de reden, de beslissing is aan de ingenieur.
Applicatie taak
Voer minimaal 20 continue metingen uit van een proces (reëel of fictief) en bepaal de USL/LSL-waarden. Laat de AI met deze gegevens Cp en Cpk berekenen; Laat σ en het gemiddelde berekenen op basis van de gegevens en elke stap laten zien. Kritische verificatie: Bereken zelf de σ-, Cp- en Cpk-waarden in Excel of Python en vergelijk deze met de AI-uitvoer. Scan vervolgens de gegevens met de regels van Western Electric en vraag: "hoe verifieer ik dit in het veld?" voor elk gevonden signaal. Beantwoord de vraag. Tenslotte, als Cpk < Cp, beslis dan of eerst de centrering of de spreiding moet worden gecorrigeerd.