Ganhos:
- Capacidade de interpretar cartas de controle (X-bar/R, p, c) e índices de capacidade de processo (Cp, Cpk)
- Capacidade de acelerar a varredura e a geração de relatórios de sinais fora de controle (regras da Western Electric) com IA
- Capacidade de validar a interpretação estatística da IA com dados brutos e realidade do processo físico
A qualidade não é “classificada” pela inspeção, ela é “produzida” pelo processo. O Controle Estatístico de Processo (SPC) visa fazer exatamente isso: monitorar o processo em tempo real e capturar sinais antes que os erros se tornem produtos. A força do SPC reside em distinguir a variabilidade natural (causa comum) da variabilidade anormal (causa especial). Nesta área, a IA acelera a interpretação de gráficos de controle, verificação de regras e relatórios de proficiência; mas é função do ser humano combinar a interpretação estatística com a realidade do processo físico. Nesta unidade, abordaremos cartas de controle, índices de proficiência Cp/Cpk e o papel adequado da IA no SPC.
Duas Faces da Variabilidade
Todo processo envolve variabilidade. O SPC divide essa variabilidade em duas:
- Causa comum: Flutuação aleatória e previsível inerente ao processo. O processo está "sob controle".
- Causa especial: Um evento externo atribuível (quebra de ferramenta, mudança de lote de matéria-prima, mudança de configuração). O processo está “fora de controle”.
O único propósito do gráfico de controle é separar os dois. Responder à flutuação de causa comum (ajuste excessivo/"adulteração") na verdade aumenta a variabilidade. O clássico “experimento do funil” de Deming mostra isso: intervir a cada desvio piora as coisas.
Dica: Nunca confunda limites de controle (UCL/LCL) com limites de tolerância (especificação). Os limites de controle são a “voz” do processo (calculados a partir dos dados); os limites de tolerância são a “voz” do cliente (vem do design). A IA às vezes confunde isso; Deixe claro de qual deles você está falando em cada comentário.
Tipos de gráfico de controle
O gráfico é selecionado de acordo com o tipo de dados.
Gráficos
Tipo de dados
exemplo
Barra X/R
Contínuo (medição), subgrupo
Média do diâmetro do eixo e folga
Barra X/S
Subgrupo grande e contínuo
Peso de enchimento
I-RM
Medição contínua e única
Medição única por dia
p/np
Taxa/número discreto e defeituoso
Taxa de peças defeituosas
c/você
Discreto, número de defeitos
Defeitos por unidade
Em um gráfico X-bar/R, os limites de controle são calculados a partir de médias e amplitudes de subgrupos:
UCL_xbar = X-barra dupla + A2 × R-barLCL_xbar =
Sinais fora de controle (regras da Western Electric)
Um ponto saindo de campo não é o único sinal. As regras da Western Electric (Nelson) também capturam padrões:
- Um ponto está fora de 3σ (fora dos limites).
- 2/3 pontos consecutivos além de 2σ (do mesmo lado).
- 4/5 pontos consecutivos além de 1σ.
- 8 pontos consecutivos do mesmo lado da linha central (deslocamento).
- 6 pontos aumentando/diminuindo constantemente (tendência).
Função: Você é um engenheiro de qualidade com experiência em SPC. Tarefa: Digitalize os seguintes valores da barra X com as regras da Western Electric de acordo com o UCL/LCL e a linha central fornecidos. Para cada sinal fora de controle: número da regra, quais pontos, possível interpretação física e sugestão de etapa de investigação. Centro=50,2 UCL=52,1 LCL=48,3 σ=0,63Dados (ordenados): {{ valores }}Regra: Não gerar sinal espúrio; Marcação de pontos que não atendem totalmente à regra. Apresente possíveis razões como “hipóteses”, não escreva em linguagem precisa.
A IA torna essa triagem rápida, mas lembre-se: o fornecimento de regras é um alerta estatístico; A investigação de campo encontra a causa real. A IA pode dizer “provavelmente desgaste da ferramenta”; É a medição da ferramenta que confirma isso.
Capacidade de processo: Cp e Cpk
Mesmo que o processo esteja sob controle, ele atende às tolerâncias do cliente? Os índices de suficiência dizem isso.
Cp = (USL − LSL) / (6σ) → mede apenas o spreadCpk = min[ (USL − μ)/(3σ) , (μ − LSL)/(3σ) ] → inclui centralização
Exemplo: 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 indica um bom spread, mas Cpk = 1,33 nos diz que o processo está descentralizado (média 10,1, mais próximo do USL do que da meta 10,0). Cpk < Cp sempre indica um problema de centralização. Mesmo um processo com boa dispersão produzirá um produto defeituoso se for centralizado incorretamente.
Alerta Fraco/Prompt Forte
Alerta fraco:
Esse processo é bom?
Não existe critério para “bom”; A IA apenas faz uma suposição geral.
Alerta poderoso:
Calcule Cp e Cpk com os seguintes dados de medição (USL=10,5, LSL=9,5). Calcule σ e média a partir dos dados, mostre a fórmula e cada etapa. Se Cpk < Cp, pergunte se está centralizando ou espalhando, comente. Estime também a taxa de erro aproximada (ppm) do processo e anote suas suposições. Dados: {{ ... }}
Mini Case: Bom CP, Produto Ruim
Em uma linha de envase, a maioria das garrafas sai das especificações, mas o processo parece “estável” no gráfico de controle. O engenheiro industrial Yağmur fornece os dados à IA e faz com que ela calcule Cp e Cpk: Cp = 1,5 (bom spread), mas Cpk = 0,7 (insuficiente). A diferença é que a média se deslocou significativamente em relação à meta. AI aponta o problema de centralização; Ele verifica a configuração da válvula de abastecimento de chuva e realmente encontra um deslocamento. Quando você corrige a configuração, o Cpk aumenta para 1,4 e o desperdício diminui. Lição crítica: o processo pode ser “estável” (sob controle), mas ainda assim ser “deficiente” (não atender às especificações). A IA demonstrou esta distinção numericamente; Foi Yağmur quem encontrou a causa raiz em campo.
Erros Comuns
- Confundir controle e limite de tolerância: Igualar limites de controle com tolerância do cliente.
- Adulteração de causa comum: Ajuste para cada flutuação e aumento da variabilidade.
- Ignorando Cpk: Basta olhar para Cp e perder o problema de centralização.
- Confundir sinais de IA com evidências: Não verificar a causa do sinal da Western Electric em campo.
- Seleção errada de gráfico: aplicação de um gráfico de dados contínuo (barra X) aos dados de taxa de defeito.
Em resumo
- A essência do SPC é separar a variabilidade de causa comum e especial; Interferir na causa comum é prejudicial.
- Os limites de controle vêm do processo, os limites de tolerância vêm do projeto; Os dois nunca devem ser confundidos.
- Selecione o gráfico apropriado ao tipo de dados (X-bar/R, p, c...) e procure padrões com regras da Western Electric.
- Cp mede spread e Cpk mede centralização; Cpk < Cp indica um problema de centralização.
- AI gera sinal estatístico rapidamente; A inspeção de campo confirma o motivo, a decisão cabe ao engenheiro.
Tarefa de aplicativo
Faça pelo menos 20 medições contínuas de um processo (real ou fictício) e determine os valores USL/LSL. Faça com que a IA calcule Cp e Cpk com esses dados; Tenha σ e média calculados a partir dos dados e mostrados cada etapa. Verificação crítica: recalcule você mesmo os valores σ, Cp e Cpk no Excel ou Python e compare com a saída da IA. Em seguida, escaneie os dados com as regras da Western Electric e pergunte "como faço para verificar isso em campo?" para cada sinal encontrado. Responda à pergunta. Finalmente, se Cpk < Cp, decida se a centralização ou o espalhamento devem ser corrigidos primeiro.