Zyski:
- Umiejętność interpretacji wykresów kontrolnych (X-bar/R, p, c) i wskaźników zdolności procesu (Cp, Cpk)
- Możliwość przyspieszenia skanowania i raportowania sygnałów wymykających się spod kontroli (zasady Western Electric) za pomocą sztucznej inteligencji
- Możliwość sprawdzenia interpretacji statystycznej sztucznej inteligencji na podstawie surowych danych i rzeczywistości procesów fizycznych
Jakość nie jest „sortowana” poprzez kontrolę, lecz „wytwarzana” w procesie. Statystyczna kontrola procesu (SPC) ma właśnie na celu: monitorowanie procesu w czasie rzeczywistym i wychwytywanie sygnałów, zanim błędy staną się produktami. Siła SPC polega na odróżnieniu zmienności naturalnej (powszechnej przyczyny) od zmienności nieprawidłowej (przyczyny szczególnej). W tym obszarze sztuczna inteligencja przyspiesza interpretację kart kontrolnych, skanowanie reguł i raportowanie biegłości; ale zadaniem człowieka jest połączenie interpretacji statystycznej z rzeczywistością procesu fizycznego. W tej części omówimy karty kontrolne, wskaźniki biegłości Cp/Cpk oraz właściwą rolę AI w SPC.
Dwa oblicza zmienności
Każdy proces wiąże się ze zmiennością. SPC dzieli tę zmienność na dwie części:
- Częsta przyczyna: Losowe, przewidywalne wahania nieodłącznie związane z procesem. Proces jest „pod kontrolą”.
- Specjalna przyczyna: Zewnętrzne, możliwe do przypisania zdarzenie (pęknięcie narzędzia, zmiana partii surowca, zmiana ustawień). Proces jest „wymknięty spod kontroli”.
Jedynym celem karty kontrolnej jest oddzielenie tych dwóch. Reagowanie na wahania o wspólnej przyczynie (nadmierna regulacja / „manipulowanie”) w rzeczywistości zwiększa zmienność. Klasyczny „eksperyment lejkowy” Deminga pokazuje to: interwencja przy każdym odchyleniu pogarsza sytuację.
Wskazówka: Nigdy nie myl granic kontrolnych (UCL/LCL) z granicami tolerancji (specyfikacją). Limity kontrolne są „głosem” procesu (obliczonym z danych); granice tolerancji są „głosem” klienta (pochodzi z projektu). Sztuczna inteligencja czasami je myli; W każdym komentarzu wyjaśnij, o którym z nich mówisz.
Typy wykresów kontrolnych
Wykres dobierany jest w zależności od typu danych.
Grafika
Typ danych
przykład
X-bar/R
Ciągły (pomiar), podgrupa
Średnica średnicy wału i luz
X-bar/S
Ciągła, duża podgrupa
Masa wypełnienia
I-MRI
Ciągły, pojedynczy pomiar
Pojedynczy pomiar dziennie
p/np
Dyskretna, wadliwa stawka/liczba
Wadliwa stawka części
c/ty
Dyskretny, liczba defektów
Wady na jednostkę
Na wykresie X-bar/R granice kontrolne są obliczane na podstawie średnich i rozpiętości podgrup:
UCL_xbar = X-podwójny słupek + A2 × R-barLCL_xbar =
Sygnały wymykające się spod kontroli (przepisy Western Electric)
Wyjście punktu poza boisko nie jest jedynym sygnałem. Zasady Western Electric (Nelson) również wychwytują wzorce:
- Punkt znajduje się poza obszarem 3σ (poza granicami).
- Kolejne 2/3 punktów powyżej 2σ (po tej samej stronie).
- 4/5 kolejnych punktów powyżej 1σ.
- 8 kolejnych punktów po tej samej stronie linii środkowej (przesunięcie).
- 6 kropek stale rosnących/malejących (trend).
Rola: Jesteś inżynierem jakości z doświadczeniem w SPC. Zadanie: Zeskanuj następujące wartości X-bar za pomocą reguł Western Electric zgodnie z podanym UCL/LCL i linią środkową. Dla każdego sygnału wymykającego się spod kontroli: numer reguły, która wskazuje, możliwa interpretacja fizyczna i sugerowany etap badania. Środek=50,2 UCL=52,1 LCL=48,3 σ=0,63Dane (uporządkowane): {{values }}Reguła: Nie generuj fałszywego sygnału; Zaznaczanie punktów, które nie w pełni spełniają regułę. Przedstaw możliwe przyczyny w formie „hipotezy”, nie pisz precyzyjnym językiem.
Sztuczna inteligencja sprawia, że to sprawdzanie jest szybkie, ale pamiętaj: podanie reguły to alert statystyczny; Dochodzenie terenowe pozwala znaleźć prawdziwą przyczynę. Sztuczna inteligencja może powiedzieć „prawdopodobnie zużycie narzędzia”; Potwierdza to pomiar narzędzia.
Możliwości procesu: Cp i Cpk
Nawet jeśli proces jest pod kontrolą, czy spełnia tolerancje klienta? Wskaźniki wystarczalności o tym mówią.
Cp = (USL − LSL) / (6σ) → mierzy tylko spreadCpk = min[ (USL − μ)/(3σ) , (μ − LSL)/(3σ) ] → uwzględnia centację
Przykład: 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 wskazuje na dobry spread, ale Cpk = 1,33 mówi nam, że proces jest niecentralny (średnia 10,1, bliżej USL niż docelowe 10,0). Cpk < Cp zawsze wskazuje na problem z centrowaniem. Nawet proces z dobrą dyspersją spowoduje powstanie wadliwego produktu, jeśli zostanie on nieprawidłowo wyśrodkowany.
Słaba podpowiedź/silna podpowiedź
Słaba zachęta:
Czy ten proces jest dobry?
Nie ma kryterium „dobrego”; Sztuczna inteligencja dokonuje jedynie ogólnych przypuszczeń.
Potężny monit:
Oblicz Cp i Cpk na podstawie następujących danych pomiarowych (USL=10,5, LSL=9,5). Oblicz σ i średnią z danych, pokaż wzór i każdy krok. Jeśli Cpk < Cp, zapytaj, czy jest to centrowanie, czy rozprzestrzenianie się, skomentuj. Oszacuj także przybliżony poziom błędu (ppm) procesu i zapisz swoje założenia. Dane: {{ ... }}
Mini Case: dobry CP, zły produkt
Na linii rozlewniczej większość butelek nie spełnia specyfikacji, ale na karcie kontrolnej proces wydaje się „stabilny”. Inżynier przemysłowy Yağmur przekazuje dane sztucznej inteligencji i każe jej obliczyć Cp i Cpk: Cp = 1,5 (dobry rozrzut), ale Cpk = 0,7 (niewystarczający). Różnica polega na tym, że średnia znacznie odsunęła się od wartości docelowej. AI wskazuje na problem z centrowaniem; Sprawdza ustawienie zaworu napełniania deszczem i rzeczywiście znajduje przesunięcie. Po skorygowaniu ustawienia Cpk wzrasta do 1,4, a straty zmniejszają się. Najważniejsza lekcja: proces może być „stabilny” (pod kontrolą), ale nadal „niedoskonały” (niespełniający specyfikacji). Sztuczna inteligencja wykazała to rozróżnienie liczbowo; To Yağmur znalazł przyczynę na boisku.
Typowe błędy
- Mylenie kontroli i granicy tolerancji: Zrównanie granic kontroli z tolerancją klienta.
- Manipulacja z typowych przyczyn: Korekta dla każdej fluktuacji i rosnącej zmienności.
- Ignorowanie Cpk: Patrzę tylko na Cp i brakuje mi problemu z centrowaniem.
- Mylenie sygnałów AI z dowodami: Brak weryfikacji przyczyny sygnału Western Electric w terenie.
- Zły wybór wykresu: zastosowanie wykresu danych ciągłych (pasek X) do danych dotyczących odsetka defektów.
Podsumowując
- Istotą SPC jest oddzielenie zmienności przyczyn powszechnych i specjalnych; Ingerowanie we wspólną przyczynę jest szkodliwe.
- Granice kontrolne wynikają z procesu, granice tolerancji pochodzą z projektu; Nigdy nie należy mylić tych dwóch kwestii.
- Wybierz wykres odpowiedni do typu danych (X-bar/R, p, c...) i poszukaj wzorców z regułami Western Electric.
- Cp mierzy rozproszenie, a Cpk mierzy koncentrację; Cpk < Cp oznacza problem z centrowaniem.
- AI szybko generuje sygnał statystyczny; Kontrola terenowa potwierdza przyczynę, decyzja należy do inżyniera.
Zadanie aplikacji
Wykonaj co najmniej 20 ciągłych pomiarów z procesu (rzeczywistego lub fikcyjnego) i określ wartości USL/LSL. Niech sztuczna inteligencja obliczy Cp i Cpk na podstawie tych danych; Mieć σ i średnią obliczoną na podstawie danych i pokazać każdy krok. Weryfikacja krytyczna: Przelicz samodzielnie wartości σ, Cp i Cpk w Excelu lub Pythonie i porównaj z wynikami AI. Następnie zeskanuj dane za pomocą reguł Western Electric i zapytaj „jak mogę to zweryfikować w terenie?” dla każdego znalezionego sygnału. Odpowiedz na pytanie. Na koniec, jeśli Cpk < Cp, należy zdecydować, czy najpierw należy skorygować centrowanie czy rozproszenie.