ලාභ:
- පාලන ප්රස්ථාර (X-bar/R, p, c) සහ ක්රියාවලි හැකියාවන් දර්ශක (Cp, Cpk) අර්ථකථනය කිරීමේ හැකියාව
- AI සමඟ පාලනයෙන් බැහැර සංඥා (බටහිර විදුලි නීති) ස්කෑන් කිරීම සහ වාර්තා කිරීම වේගවත් කිරීමේ හැකියාව
- අමු දත්ත සහ භෞතික ක්රියාවලි යථාර්ථය සමඟ AI හි සංඛ්යානමය අර්ථ නිරූපණය වලංගු කිරීමේ හැකියාව
ගුණාත්මකභාවය පරීක්ෂා කිරීමෙන් "වර්ගීකරණය" නොකෙරේ, එය ක්රියාවලිය මගින් "නිෂ්පාදනය" වේ. සංඛ්යාන ක්රියාවලි පාලනය (SPC) එය සිදු කිරීමට අරමුණු කරයි: ක්රියාවලිය තත්ය කාලීනව අධීක්ෂණය කිරීම සහ දෝෂ නිෂ්පාදන බවට පත්වීමට පෙර සංඥා අල්ලා ගැනීම. SPC හි ශක්තිය පවතින්නේ අසාමාන්ය (විශේෂ හේතුව) විචල්යතාවයෙන් ස්වාභාවික (පොදු හේතුව) විචල්යතාවය වෙන්කර හඳුනා ගැනීමයි. මෙම ප්රදේශය තුළ, AI පාලන ප්රස්ථාර අර්ථ නිරූපණය, රීති පරිලෝකනය සහ ප්රවීණතා වාර්තාකරණය වේගවත් කරයි; නමුත් භෞතික ක්රියාවලියේ යථාර්ථය සමඟ සංඛ්යානමය අර්ථකථනය මුසු කිරීම මිනිසාගේ කාර්යයකි. මෙම ඒකකය තුළ, අපි පාලන ප්රස්ථාර, Cp/Cpk ප්රවීණතා දර්ශක සහ SPC හි AI හි නිසි භූමිකාව ආවරණය කරන්නෙමු.
විචල්යතාවයේ මුහුණු දෙකක්
සෑම ක්රියාවලියකටම විචල්යතාව ඇතුළත් වේ. SPC මෙම විචල්යතාවය දෙකකට බෙදා ඇත:
- පොදු හේතුව: ක්රියාවලියට ආවේණික අහඹු, පුරෝකථනය කළ හැකි උච්චාවචනය. ක්රියාවලිය "පාලනය යටතේ" ඇත.
- විශේෂ හේතුව: බාහිර, පැවරිය හැකි සිදුවීමක් (මෙවලම් කැඩීම, අමුද්රව්ය කාණ්ඩ වෙනස් කිරීම, මාරුව සැකසීම). ක්රියාවලිය "පාලනයෙන් තොර" වේ.
පාලන සටහනේ එකම අරමුණ වන්නේ දෙක වෙන් කිරීමයි. පොදු හේතු උච්චාවචනයට ප්රතිචාර දැක්වීම (අධික ගැලපීම / "විකෘති කිරීම") ඇත්ත වශයෙන්ම විචල්යතාවය වැඩි කරයි. ඩෙමින්ග්ගේ සම්භාව්ය "පුනීල අත්හදා බැලීම" මෙය පෙන්නුම් කරයි: සෑම අපගමනයකදීම මැදිහත් වීම දේවල් වඩාත් නරක අතට හැරේ.
ඉඟිය: කිසිවිටෙක පාලන සීමාවන් (UCL/LCL) ඉවසීමේ (පිරිවිතර) සීමාවන් සමඟ පටලවා නොගන්න. පාලන සීමාවන් යනු ක්රියාවලියෙහි "හඬ" (දත්ත වලින් ගණනය කරනු ලැබේ); ඉවසීමේ සීමාවන් යනු පාරිභෝගිකයාගේ "හඬ" වේ (නිර්මාණයෙන් පැමිණේ). AI සමහර විට මේවා ව්යාකූල කරයි; එක් එක් අදහස් දැක්වීමේදී ඔබ කතා කරන්නේ කුමන එක ගැනද යන්න පැහැදිලි කරන්න.
පාලන ප්රස්ථාර වර්ග
දත්ත වර්ගය අනුව ප්රස්ථාරය තෝරා ගනු ලැබේ.
ග්රැෆික්ස්
දත්ත වර්ගය
උදාහරණයක්
X-බාර්/ආර්
අඛණ්ඩ (මිනුම්), උප සමූහය
පතුවළ විෂ්කම්භය සාමාන්යය සහ නිෂ්කාශනය
X-බාර්/එස්
අඛණ්ඩ, විශාල උප සමූහය
බර පිරවීම
I-MRI
අඛණ්ඩ, තනි මිනුම්
දිනකට තනි මිනුම්
p/np
විවික්ත, දෝෂ සහිත අනුපාතය/සංඛ්යාව
වැරදි කොටස් අනුපාතය
c/u
විවික්ත, දෝෂ ගණන
ඒකකයකට අඩුපාඩු
X-bar/R ප්රස්ථාරයක, පාලන සීමාවන් උප සමූහ සාමාන්යයන් සහ පරාසයන් වලින් ගණනය කෙරේ:
UCL_xbar = X-double-bar + A2 × R-barLCL_xbar =
පාලනයෙන් තොර සංඥා (බටහිර විදුලි නීති)
සීමාවෙන් පිටතට යන ලක්ෂ්යය එකම සංඥාව නොවේ. Western Electric (Nelson) නීති ද රටා අල්ලා ගනී:
- ලක්ෂ්යයක් 3σ පිටත (සීමාවෙන් පිටත) වේ.
- 2σ ඔබ්බට (එකම පැත්තේ) අඛණ්ඩව ලකුණු 2/3.
- 1σ ඔබ්බට අඛණ්ඩ ලකුණු 4/5.
- මධ්ය රේඛාවේ (මාරුව) එකම පැත්තේ අඛණ්ඩ ලකුණු 8 ක්.
- තිත් 6ක් නිරන්තරයෙන් වැඩිවන/අඩුවන (ප්රවණතාවය).
භූමිකාව: ඔබ SPC හි පළපුරුදු ගුණාත්මක ඉංජිනේරුවෙකි. කාර්යය: ලබා දී ඇති UCL/LCL සහ මධ්ය රේඛාව අනුව බටහිර විදුලි රීති සමඟ පහත X-තීරු අගයන් පරිලෝකනය කරන්න. එක් එක් පාලනයෙන් බැහැර සංඥා සඳහා: රීති අංකය, කුමන ලක්ෂ්ය, හැකි භෞතික අර්ථ නිරූපණය සහ යෝජිත විමර්ශන පියවර. මධ්යස්ථානය=50.2 UCL=52.1 LCL=48.3 σ=0.63දත්ත (ඇණවුම් කර ඇත): {{ අගයන් }}නීතිය: ව්යාජ සංඥා ජනනය නොකරන්න; රීතිය සම්පූර්ණයෙන්ම තෘප්තිමත් නොවන ලකුණු සලකුණු කිරීම. හැකි හේතු "උපකල්පනය" ලෙස ඉදිරිපත් කරන්න, නිවැරදි භාෂාවෙන් ලියන්න එපා.
AI මෙම පරීක්ෂාව වේගවත් කරයි, නමුත් මතක තබා ගන්න: රීති ප්රතිපාදනය සංඛ්යානමය ඇඟවීමකි; ක්ෂේත්ර පරීක්ෂණයෙන් සැබෑ හේතුව සොයාගන්නවා. AI "සමහර විට මෙවලම් ඇඳීම" යැයි පැවසිය හැකිය; මෙය සනාථ කරන මෙවලම් මැනීමයි.
ක්රියාවලි හැකියාව: Cp සහ Cpk
ක්රියාවලිය පාලනය යටතේ පැවතියද, එය පාරිභෝගික ඉවසීම සපුරාලන්නේද? ප්රමාණවත් දර්ශක මෙය කියයි.
Cp = (USL - LSL) / (6σ) → පැතිරීම Cpk = min[ (USL - μ)/(3σ) , (μ - LSL)/(3σ) ] → මධ්යගත කිරීම ඇතුළත් වේ
උදාහරණය: 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 ]. 4. = ] = විනාඩි [1.33 , 2.0] = 1.33
Cp = 1.67 හොඳ ව්යාප්තියක් පෙන්නුම් කරයි, නමුත් Cpk = 1.33 අපට පවසන්නේ ක්රියාවලිය මධ්යයෙන් බැහැර වන බවයි (සාමාන්ය 10.1, ඉලක්කය 10.0 ට වඩා USL ට ආසන්න). Cpk < Cp සෑම විටම කේන්ද්රගත කිරීමේ ගැටලුවක් දක්වයි. හොඳ විසරණයක් සහිත ක්රියාවලියක් පවා එය වැරදි ලෙස කේන්ද්රගත වුවහොත් දෝෂ සහිත නිෂ්පාදනයක් නිපදවයි.
දුර්වල ක්ෂණික / ශක්තිමත් ක්ෂණික
දුර්වල ක්ෂණික:
මෙම ක්රියාවලිය හොඳද?
"හොඳ" සඳහා නිර්ණායකයක් නොමැත; AI සාමාන්ය අනුමානයක් පමණක් කරයි.
බලවත් විමසුම:
පහත මිනුම් දත්ත සමඟ Cp සහ Cpk ගණනය කරන්න (USL=10.5, LSL=9.5). දත්ත වලින් σ සහ මධ්යන්යය ගණනය කරන්න, සූත්රය සහ එක් එක් පියවර පෙන්වන්න. Cpk < Cp නම්, එය මධ්යගතද නැතිනම් පැතිරීමද යන්න විමසන්න, අදහස් දක්වන්න. ක්රියාවලියේ ආසන්න දෝෂ අනුපාතය (ppm) තක්සේරු කර ඔබේ උපකල්පන ලියන්න. දත්ත: {{ ... }}
කුඩා නඩුව: හොඳ CP, නරක නිෂ්පාදනයක්
පිරවුම් රේඛාවක, බොහෝ බෝතල් පිරිවිතරයෙන් පිටතට පැමිණේ, නමුත් ක්රියාවලිය පාලන ප්රස්ථාරයේ "ස්ථායී" ලෙස පෙනේ. කාර්මික ඉංජිනේරු Yağmur AI වෙත දත්ත ලබා දෙන අතර එය Cp සහ Cpk ගණනය කර ඇත: Cp = 1.5 (හොඳ පැතිරීම) නමුත් Cpk = 0.7 (ප්රමාණවත් නොවේ). වෙනස වන්නේ ඉලක්කයෙන් සාමාන්යය සැලකිය යුතු ලෙස මාරු වී ඇති බවයි. AI කේන්ද්රගත කිරීමේ ගැටලුව පෙන්වා දෙයි; ඔහු වැසි පිරවුම් කපාටයේ සැකසුම පරීක්ෂා කරන අතර ඇත්ත වශයෙන්ම ඕෆ්සෙට් එකක් සොයා ගනී. ඔබ සැකසුම නිවැරදි කරන විට, Cpk 1.4 දක්වා වැඩි වන අතර අපද්රව්ය අඩු වේ. විවේචනාත්මක පාඩම: ක්රියාවලිය "ස්ථායී" (පාලනය යටතේ) විය හැකි නමුත් තවමත් "අඩුපාඩු" (පිරිවිතරයන්ට අනුකූල නොවේ). AI මෙම වෙනස සංඛ්යාත්මකව පෙන්නුම් කළේය; පිටියේ මූලික හේතුව සොයා ගත්තේ Yağmur ය.
පොදු වැරදි
- ව්යාකූල පාලනය සහ ඉවසීමේ සීමාව: පාරිභෝගික ඉවසීම සමඟ පාලන සීමාවන් සමාන කිරීම.
- පොදු හේතුව විකෘති කිරීම: එක් එක් උච්චාවචනය සඳහා ගැලපීම සහ විචල්යතාවය වැඩි කිරීම.
- Cpk නොසලකා හැරීම: Cp දෙස බැලීම සහ කේන්ද්රගත කිරීමේ ගැටලුව මඟ හැරේ.
- සාක්ෂි සඳහා AI සංඥා වරදවා වටහා ගැනීම: ක්ෂේත්රයේ බටහිර විද්යුත් සංඥාවේ හේතුව තහවුරු නොකිරීම.
- වැරදි ප්රස්ථාර තේරීම: අනුපාත දත්ත දෝෂ කිරීමට අඛණ්ඩ දත්ත ප්රස්ථාරයක් (X-බාර්) යෙදීම.
සාරාංශයක් ලෙස
- SPC හි සාරය වන්නේ පොදු සහ විශේෂ හේතු විචල්යතාවයන් වෙන් කිරීමයි; පොදු හේතුවට බාධා කිරීම හානිකර ය.
- පාලන සීමාවන් ක්රියාවලියෙන් පැමිණේ, ඉවසීමේ සීමාවන් නිර්මාණයෙන් පැමිණේ; මේ දෙක කිසිවිටෙක පටලවා නොගත යුතුය.
- දත්ත වර්ගයට (X-bar/R, p, c...) සුදුසු ප්රස්ථාරය තෝරන්න සහ බටහිර විදුලි රීති සහිත රටා සොයන්න.
- Cp ව්යාප්තිය සහ Cpk මධ්යගතව මැනීම; Cpk < Cp කේන්ද්රගත කිරීමේ ගැටලුවක් පෙන්නුම් කරයි.
- AI සංඛ්යානමය සංඥා වේගයෙන් ජනනය කරයි; ක්ෂේත්ර පරීක්ෂාව හේතුව තහවුරු කරයි, තීරණය ඉංජිනේරුවරයා සතුය.
යෙදුම් කාර්යය
ක්රියාවලියකින් (සැබෑ හෝ ප්රබන්ධ) අවම වශයෙන් අඛණ්ඩ මිනුම් 20 ක් ගෙන USL/LSL අගයන් තීරණය කරන්න. AI මෙම දත්ත සමඟ Cp සහ Cpk ගණනය කරන්න; දත්ත වලින් σ සහ මධ්යන්ය ගණනය කර එක් එක් පියවර පෙන්වා ඇත. විවේචනාත්මක සත්යාපනය: σ, Cp, සහ Cpk අගයන් ඔබ විසින්ම Excel හෝ Python හි නැවත ගණනය කර AI ප්රතිදානය සමඟ සසඳන්න. ඉන්පසු Western Electric නීති සමඟ දත්ත පරිලෝකනය කර "මෙය ක්ෂේත්රයේ සත්යාපනය කරන්නේ කෙසේද?" සොයාගත් එක් එක් සංඥා සඳහා. ප්රශ්නයට පිළිතුරු දෙන්න. අවසාන වශයෙන්, Cpk < Cp නම්, පළමුව කේන්ද්රගත කිරීම හෝ පැතිරීම නිවැරදි කළ යුතුද යන්න තීරණය කරන්න.