Gevinster:
- Evne til å tolke kontrolldiagrammer (X-bar/R, p, c) og prosesskapasitetsindekser (Cp, Cpk)
- Evne til å akselerere skanning og rapportering av ut-av-kontroll-signaler (Western Electric-regler) med AI
- Evne til å validere AIs statistiske tolkning med rådata og fysisk prosessvirkelighet
Kvalitet «sorteres» ikke ved inspeksjon, den «produseres» av prosessen. Statistical Process Control (SPC) har som mål å gjøre nettopp det: overvåke prosessen i sanntid og fange opp signaler før feil blir produkter. Styrken til SPC ligger i å skille naturlig (vanlig årsak) variabilitet fra unormal (spesiell årsak) variabilitet. På dette området akselererer AI tolkning av kontrollkart, regelskanning og ferdighetsrapportering; men det er menneskets jobb å blande statistisk tolkning med virkeligheten til den fysiske prosessen. I denne enheten vil vi dekke kontrolldiagrammer, Cp/Cpk-ferdighetsindekser og den riktige rollen til AI i SPC.
To ansikter av variasjon
Hver prosess innebærer variasjon. SPC deler denne variasjonen i to:
- Vanlig årsak: Tilfeldig, forutsigbar fluktuasjon som er iboende i prosessen. Prosessen er "under kontroll".
- Spesiell årsak: En ekstern hendelse som kan tilordnes (verktøybrudd, bytte av råmateriale, innstillingsskift). Prosessen er «ute av kontroll».
Det eneste formålet med kontrolldiagrammet er å skille de to. Å reagere på fluktuasjoner av vanlige årsaker (overjustering / "tukling") øker faktisk variabiliteten. Demings klassiske «trakteksperiment» viser dette: Å gripe inn ved hvert avvik gjør ting verre.
Tips: Forveksle aldri kontrollgrenser (UCL/LCL) med toleransegrenser (spesifikasjoner). Kontrollgrenser er prosessens "stemme" (beregnet ut fra data); toleransegrenser er "stemmen" til kunden (kommer fra designet). AI forvirrer noen ganger disse; Gjør det klart hvilken du snakker om i hver kommentar.
Kontrollkarttyper
Diagrammet velges i henhold til datatypen.
Grafikk
Datatype
eksempel
X-bar/R
Kontinuerlig (måling), undergruppe
Akseldiameter gjennomsnitt og klaring
X-bar/S
Kontinuerlig, stor undergruppe
Fyllingsvekt
I-MRI
Kontinuerlig enkeltmåling
Enkel måling per dag
p/np
Diskret, defekt rate/tall
Feil pris på deler
c/u
Diskret, antall defekter
Feil per enhet
På et X-bar/R-diagram beregnes kontrollgrenser fra undergruppegjennomsnitt og spenn:
UCL_xbar = X-dobbeltstang + A2 × R-barLCL_xbar =
Ute av kontrollsignaler (Western Electric Rules)
Et poeng å gå utenfor grensene er ikke det eneste signalet. Western Electric (Nelson)-regler fanger også opp mønstre:
- Et punkt er utenfor 3σ (utenfor grensene).
- Påfølgende 2/3 poeng utover 2σ (på samme side).
- 4/5 poeng etter hverandre utover 1σ.
- 8 påfølgende punkter på samme side av midtlinjen (shift).
- 6 prikker øker/minker stadig (trend).
Rolle: Du er en kvalitetsingeniør med erfaring innen SPC. Oppgave: Skann følgende X-bar-verdier med Western Electric-regler i henhold til gitt UCL/LCL og midtlinje. For hvert ut-av-kontroll-signal: regelnummer, hvilke punkter, mulig fysisk tolkning og foreslått etterforskningstrinn. Center=50.2 UCL=52.1 LCL=48.3 σ=0.63Data (ordnet): {{ values}}Regel: Ikke generer falske signaler; Merke punkter som ikke fullt ut tilfredsstiller regelen. Presenter mulige årsaker som "hypotese", ikke skriv i presist språk.
AI gjør denne screeningen rask, men husk: regelbestemmelse er et statistisk varsel; Feltundersøkelse finner den virkelige årsaken. AI kan si "sannsynligvis verktøyslitasje"; Det er verktøymålingen som bekrefter dette.
Prosessevne: Cp og Cpk
Selv om prosessen er under kontroll, oppfyller den kundetoleranser? Tilstrekkelighetsindekser forteller dette.
Cp = (USL − LSL) / (6σ) → måler kun spredningen Cpk = min[ (USL − μ)/(3σ) , (μ − LSL)/(3σ) ] → inkluderer sentrering
Eksempel: USL = 10,5; LSL = 9,5; μ = 10,1; σ = 0,1.
Cp = (10,5 - 9,5) / (6 × 0,1) = 1,0 / 0,6 ≈ 1,67 Cpk = min[ (10,5 - 10,1)/0,3, (10,1 - 9,5)/0,3] = min[ 0,4/03] min. , 2,0] = 1,33
Cp = 1,67 indikerer en god spredning, men Cpk = 1,33 forteller oss at prosessen er utenfor sentrum (gjennomsnittlig 10,1, nærmere USL enn mål 10,0). Cpk < Cp indikerer alltid et sentreringsproblem. Selv en prosess med god spredning vil produsere et defekt produkt hvis det er feil sentrert.
Svak forespørsel / sterk forespørsel
Svak melding:
Er denne prosessen god?
Det er ikke noe kriterium for "god"; AI gjør bare en generell gjetning.
Kraftig ledetekst:
Beregn Cp og Cpk med følgende måledata (USL=10,5, LSL=9,5). Beregn σ og gjennomsnitt fra data, vis formel og hvert trinn. Hvis Cpk < Cp, spør om det er sentrering eller spredning, kommenter. Anslå også den omtrentlige feilraten (ppm) for prosessen og skriv ned dine antakelser. Data: {{ ... }}
Miniveske: God CP, dårlig produkt
På en påfyllingslinje kommer de fleste flaskene ut av spesifikasjonen, men prosessen fremstår som "stabil" på kontrollskjemaet. Industriingeniør Yağmur gir dataene til AI og lar den beregne Cp og Cpk: Cp = 1,5 (god spredning), men Cpk = 0,7 (utilstrekkelig). Forskjellen er at gjennomsnittet har forskjøvet seg betydelig fra målet. AI påpeker sentreringsproblemet; Han sjekker innstillingen til regnpåfyllingsventilen og finner faktisk en forskyvning. Når du korrigerer innstillingen, øker Cpk til 1,4 og avfallet reduseres. Kritisk lærdom: prosessen kan være "stabil" (under kontroll), men fortsatt være "mangelfull" (ikke oppfyller spesifikasjonene). AI demonstrerte denne forskjellen numerisk; Det var Yağmur som fant årsaken på banen.
Vanlige feil
- Forvirrende kontroll- og toleransegrense: Likestiller kontrollgrenser med kundetoleranse.
- Vanlig årsak tukling: Justering for hver fluktuasjon og økende variasjon.
- Ignorerer Cpk: Bare ser på Cp og mangler sentreringsproblemet.
- Ta feil av AI-signaler for bevis: Ikke bekreftet årsaken til Western Electric-signalet i felten.
- Feil diagramvalg: Bruk av et kontinuerlig datadiagram (X-bar) på defekthastighetsdata.
Oppsummert
- Essensen av SPC er å skille vanlige og spesielle årsaker; Å forstyrre den vanlige årsaken er skadelig.
- Kontrollgrenser kommer fra prosessen, toleransegrenser kommer fra designet; De to bør aldri forveksles.
- Velg diagrammet som passer til datatypen (X-bar/R, p, c...) og se etter mønstre med Western Electric-regler.
- Cp måler spredning og Cpk måler sentrering; Cpk < Cp indikerer et sentreringsproblem.
- AI genererer statistisk signal raskt; Feltbefaring bekrefter årsaken, avgjørelsen er opp til ingeniøren.
Søknadsoppgave
Ta minst 20 kontinuerlige målinger fra en prosess (ekte eller fiktive) og bestem USL/LSL-verdier. Få AI til å beregne Cp og Cpk med disse dataene; La σ og gjennomsnitt beregnet fra dataene og vist hvert trinn. Kritisk verifisering: Beregn σ-, Cp- og Cpk-verdiene på nytt i Excel eller Python og sammenlign med AI-utdata. Skann deretter dataene med Western Electric-regler og spør "hvordan verifiserer jeg dette i felten?" for hvert signal som er funnet. Svar på spørsmålet. Til slutt, hvis Cpk < Cp, avgjør om sentrering eller spredning skal korrigeres først.