Câștiguri:
- Abilitatea de a interpreta diagrame de control (X-bar/R, p, c) și indici de capacitate de proces (Cp, Cpk)
- Abilitatea de a accelera scanarea și raportarea semnalelor scăpate de control (reguli Western Electric) cu AI
- Abilitatea de a valida interpretarea statistică a AI cu date brute și realitatea procesului fizic
Calitatea nu este „sortată” prin inspecție, este „produsă” prin proces. Controlul statistic al proceselor (SPC) își propune să facă exact asta: monitorizarea procesului în timp real și captarea semnalelor înainte ca erorile să devină produse. Puterea SPC constă în a distinge variabilitatea naturală (cauză comună) de variabilitatea anormală (cauza specială). În acest domeniu, AI accelerează interpretarea diagramelor de control, scanarea regulilor și raportarea competențelor; dar este datoria omului să îmbine interpretarea statistică cu realitatea procesului fizic. În această unitate, vom acoperi diagramele de control, indicii de competență Cp/Cpk și rolul adecvat al AI în SPC.
Două fețe ale variabilității
Fiecare proces implică variabilitate. SPC împarte această variabilitate în două:
- Cauză comună: fluctuație aleatorie, previzibilă inerentă procesului. Procesul este „sub control”.
- Cauză specială: Un eveniment extern, atribuibil (ruperea sculei, schimbarea lotului de materii prime, schimbarea setărilor). Procesul este „scăpat de sub control”.
Singurul scop al diagramei de control este separarea celor două. Răspunsul la fluctuația cauzată obișnuită (supraajustare / „modificare”) crește de fapt variabilitatea. „Experimentul pâlnie” clasic al lui Deming arată acest lucru: intervenția la fiecare abatere înrăutățește lucrurile.
Sfat: Nu confundați niciodată limitele de control (UCL/LCL) cu limitele de toleranță (specificații). Limitele de control sunt „vocea” procesului (calculate din date); limitele de toleranță sunt „vocea” clientului (provine din design). AI le confundă uneori; Spuneți clar despre care vorbiți în fiecare comentariu.
Tipuri de diagrame de control
Graficul este selectat în funcție de tipul de date.
Grafică
Tip de date
exemplu
X-bar/R
Continuu (măsurare), subgrup
Diametrul arborelui mediu și joc
X-bar/S
Subgrup mare, continuu
Greutate de umplere
I-RMN
Măsurare continuă, unică
O singură măsurătoare pe zi
p/np
Rată/număr discretă, defecte
Rata piese defecte
c/u
Discret, număr de defecte
Defecte pe unitate
Pe o diagramă X-bar/R, limitele de control sunt calculate din mediile și intervalele de subgrup:
UCL_xbar = X-bară dublă + A2 × R-barLCL_xbar =
Semnale scăpate de sub control (reguli Western Electric)
Un punct care iese din limite nu este singurul semnal. Regulile Western Electric (Nelson) captează și modele:
- Un punct este în afara 3σ (în afara limitelor).
- 2/3 puncte consecutive dincolo de 2σ (pe aceeași parte).
- 4/5 puncte consecutive dincolo de 1σ.
- 8 puncte consecutive pe aceeași parte a liniei centrale (schift).
- 6 puncte în continuă creștere/scădere (tendință).
Rol: Sunteți un inginer de calitate cu experiență în SPC. Sarcină: Scanați următoarele valori X-bar cu reguli Western Electric în conformitate cu UCL/LCL și linia centrală dată. Pentru fiecare semnal necontrolat: numărul regulii, care puncte, posibila interpretare fizică și pasul de investigare sugerat. Centru=50,2 UCL=52,1 LCL=48,3 σ=0,63Date (ordonate): {{ values }}Regulă: Nu generați semnal fals; Marcarea punctelor care nu îndeplinesc pe deplin regula. Prezentați posibile motive ca „ipoteză”, nu scrieți într-un limbaj precis.
AI face acest screening rapid, dar rețineți: furnizarea regulilor este o alertă statistică; Investigațiile pe teren găsesc adevărata cauză. AI ar putea spune „probabil uzura sculei”; Măsurarea instrumentului este cea care confirmă acest lucru.
Capacitate de proces: Cp și Cpk
Chiar dacă procesul este sub control, respectă toleranțele clienților? Indicii de suficiență spun asta.
Cp = (USL − LSL) / (6σ) → măsoară doar spreadCpk = min[ (USL − μ)/(3σ) , (μ − LSL)/(3σ) ] → include centrarea
Exemplu: 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 min [ 0,4/0,3 ]/0,3 , 2,0] = 1,33
Cp = 1,67 indică un spread bun, dar Cpk = 1,33 ne spune că procesul este decentrat (în medie 10,1, mai aproape de USL decât ținta 10,0). Cpk < Cp indică întotdeauna o problemă de centrare. Chiar și un proces cu dispersie bună va produce un produs defect dacă este centrat incorect.
Solicitare slabă / Solicitare puternică
Prompt slab:
Este bun acest proces?
Nu există un criteriu pentru „bun”; AI face doar o presupunere generală.
Solicitare puternică:
Calculați Cp și Cpk cu următoarele date de măsurare (USL=10,5, LSL=9,5). Calculați σ și media din date, afișați formula și fiecare pas. Dacă Cpk < Cp, întrebați dacă este centrat sau răspândit, comentați. De asemenea, estimați rata aproximativă de eroare (ppm) a procesului și notați-vă ipotezele. Date: {{ ... }}
Mini carcasă: CP bun, produs prost
Pe o linie de umplere, majoritatea sticlelor ies din specificație, dar procesul apare „stabil” pe diagrama de control. Inginerul industrial Yağmur dă datele AI și îi pune să calculeze Cp și Cpk: Cp = 1,5 (răspândire bună), dar Cpk = 0,7 (insuficient). Diferența este că media s-a deplasat semnificativ de la țintă. AI subliniază problema de centrare; El verifică setarea supapei de umplere de ploaie și într-adevăr găsește o compensare. Când corectați setarea, Cpk crește la 1,4 și deșeurile scade. Lecție critică: procesul poate fi „stabil” (sub control) dar totuși „deficient” (nu îndeplinește specificațiile). AI a demonstrat această distincție numeric; Yağmur a fost cel care a găsit cauza principală pe teren.
Greșeli comune
- Controlul confuz și limita de toleranță: Echivalarea limitelor de control cu toleranța clientului.
- Falsificarea cauzelor comune: ajustarea pentru fiecare fluctuație și creșterea variabilității.
- Ignorarea Cpk: Privind doar Cp și ratând problema de centrare.
- Confundarea semnalelor AI cu dovezi: Nu se verifică cauza semnalului Western Electric pe teren.
- Selectare greșită a diagramei: aplicarea unei diagrame de date continue (bară X) la datele privind rata defectelor.
Pe scurt
- Esența SPC este de a separa variabilitatea cauzelor comune și speciale; Interferența cu cauza comună este dăunătoare.
- Limitele de control provin din proces, limitele de toleranță provin din proiectare; Cele două nu trebuie niciodată confundate.
- Selectați diagrama potrivită tipului de date (X-bar/R, p, c...) și căutați modele cu reguli Western Electric.
- Cp măsoară răspândirea și Cpk măsoară centrarea; Cpk < Cp indică o problemă de centrare.
- AI generează semnal statistic rapid; Inspecția pe teren confirmă motivul, decizia este la latitudinea inginerului.
Sarcina de aplicare
Luați cel puțin 20 de măsurători continue dintr-un proces (real sau fictiv) și determinați valorile USL/LSL. Puneți AI să calculeze Cp și Cpk cu aceste date; Aveți σ și media calculate din date și prezentate fiecare pas. Verificare critică: Recalculați singur valorile σ, Cp și Cpk în Excel sau Python și comparați cu ieșirea AI. Apoi scanați datele cu regulile Western Electric și întrebați „cum verific acest lucru pe teren?” pentru fiecare semnal găsit. Răspunde la întrebare. În cele din urmă, dacă Cpk < Cp, decideți dacă centrarea sau împrăștierea trebuie corectată mai întâi.