Dobički:
- Sposobnost interpretacije kontrolnih diagramov (X-bar/R, p, c) in indeksov zmogljivosti procesa (Cp, Cpk)
- Zmožnost pospeševanja skeniranja in poročanja o signalih izven nadzora (pravila Western Electric) z AI
- Sposobnost potrjevanja statistične interpretacije umetne inteligence z neobdelanimi podatki in realnostjo fizičnega procesa
Kakovost se ne "razvršča" s pregledom, "proizvaja" jo proces. Cilj statističnega nadzora procesov (SPC) je prav to: spremljanje procesa v realnem času in lovljenje signalov, preden napake postanejo proizvodi. Moč SPC je v razlikovanju naravne variabilnosti (pogostega vzroka) od nenormalne variabilnosti (posebnega vzroka). Na tem področju umetna inteligenca pospeši razlago kontrolnih kart, skeniranje pravil in poročanje o strokovnosti; vendar je človeška naloga, da statistično interpretacijo združi z realnostjo fizičnega procesa. V tej enoti bomo obravnavali kontrolne karte, indekse usposobljenosti Cp/Cpk in pravilno vlogo umetne inteligence v SPC.
Dva obraza spremenljivosti
Vsak proces vključuje variabilnost. SPC to spremenljivost deli na dvoje:
- Pogost vzrok: naključna, predvidljiva nihanja, ki so del procesa. Proces je "pod nadzorom".
- Poseben vzrok: Zunanji dogodek, ki ga je mogoče dodeliti (lom orodja, sprememba serije surovin, premik nastavitve). Proces je "izpod nadzora".
Edini namen kontrolne karte je ločiti to dvoje. Odzivanje na nihanje iz običajnega vzroka (prekomerno prilagajanje / "nedovoljeno poseganje") dejansko poveča variabilnost. Demingov klasični "lijakasti eksperiment" to kaže: posredovanje pri vsakem odstopanju stvari poslabša.
Namig: Nikoli ne zamenjujte kontrolnih meja (UCL/LCL) z mejami tolerance (specifikacije). Kontrolne meje so "glas" procesa (izračunano iz podatkov); tolerančne meje so "glas" stranke (izhaja iz dizajna). AI jih včasih zamenja; V vsakem komentarju jasno povejte, o katerem govorite.
Vrste kontrolnih kart
Grafikon je izbran glede na vrsto podatkov.
Grafika
Vrsta podatkov
primer
X-bar/R
Kontinuirano (merjenje), podskupina
Povprečni premer gredi in razdalja
X-bar/S
Neprekinjena, velika podskupina
Teža polnjenja
I-MRI
Neprekinjeno, enkratno merjenje
Enkratna meritev na dan
p/np
Diskretna, pomanjkljiva stopnja/številka
Stopnja okvarjenih delov
c/u
Diskretno, število napak
Napake na enoto
Na diagramu X-bar/R so kontrolne meje izračunane iz povprečij in razponov podskupin:
UCL_xbar = X-dvojni-bar + A2 × R-barLCL_xbar =
Signali izven nadzora (zahodna električna pravila)
Točka, ki gre izven igrišča, ni edini signal. Pravila Western Electric (Nelson) zajemajo tudi vzorce:
- Točka je zunaj 3σ (zunaj meja).
- Zaporednih 2/3 točk nad 2σ (na isti strani).
- 4/5 zaporednih točk nad 1σ.
- 8 zaporednih točk na isti strani središčne črte (premik).
- 6 pik nenehno narašča/pada (trend).
Vloga: Ste inženir kakovosti z izkušnjami v SPC. Naloga: Skenirajte naslednje vrednosti palice X s pravili Western Electric v skladu z danim UCL/LCL in sredinsko črto. Za vsak signal izven nadzora: številka pravila, katere točke, možna fizična razlaga in predlagani korak preiskave. Center=50,2 UCL=52,1 LCL=48,3 σ=0,63 Podatki (urejeni): {{ values }}Pravilo: Ne ustvarjajte lažnega signala; Označevanje točk, ki ne izpolnjujejo v celoti pravila. Možne razloge predstavite kot "hipotezo", ne pišite v natančnem jeziku.
Umetna inteligenca omogoča hiter pregled, vendar ne pozabite: določba pravila je statistično opozorilo; Preiskava na terenu najde pravi vzrok. AI bi lahko rekel "verjetno obraba orodja"; To potrjuje meritev orodja.
Zmogljivost procesa: Cp in Cpk
Tudi če je proces pod nadzorom, ali izpolnjuje tolerance strank? To povedo indeksi zadostnosti.
Cp = (USL − LSL) / (6σ) → meri le širjenje Cpk = min[ (USL − μ)/(3σ) , (μ − LSL)/(3σ) ] → vključuje centriranje
Primer: 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 kaže na dober razpon, Cpk = 1,33 pa nam pove, da je proces izven središča (povprečje 10,1, bližje USL kot cilj 10,0). Cpk < Cp vedno kaže na težavo s centriranjem. Tudi postopek z dobro disperzijo bo proizvedel napačen izdelek, če je nepravilno centriran.
Šibek poziv / močan poziv
Šibek poziv:
Je ta postopek dober?
Za "dobro" ni merila; Umetna inteligenca naredi le splošno ugibanje.
Močan poziv:
Izračunajte Cp in Cpk z naslednjimi merilnimi podatki (USL=10,5, LSL=9,5). Izračunajte σ in srednjo vrednost iz podatkov, pokažite formulo in vsak korak. Če je Cpk < Cp, vprašajte, ali gre za centriranje ali širjenje, komentirajte. Ocenite tudi približno stopnjo napake (ppm) postopka in zapišite svoje domneve. Podatki: {{ ... }}
Mini kovček: dober CP, slab izdelek
Na polnilni liniji večina steklenic ne ustreza specifikaciji, vendar je postopek na kontrolni karti videti "stabilen". Industrijski inženir Yağmur posreduje podatke umetni inteligenci in ta izračuna Cp in Cpk: Cp = 1,5 (dober razpon), vendar Cpk = 0,7 (nezadosten). Razlika je v tem, da se je povprečje močno premaknilo od cilja. AI opozarja na problem centriranja; Preveri nastavitev ventila za polnjenje dežja in res najde odmik. Ko popravite nastavitev, se Cpk poveča na 1,4 in izguba se zmanjša. Kritična lekcija: proces je lahko »stabilen« (pod nadzorom), vendar je še vedno »pomanjkljiv« (ne izpolnjuje specifikacij). AI je to razliko številčno pokazal; Yağmur je bil tisti, ki je na igrišču našel vzrok.
Pogoste napake
- Zmeda nadzora in meje tolerance: enačenje meja nadzora s toleranco kupca.
- Sprememba pogostega vzroka: prilagajanje za vsako nihanje in povečanje variabilnosti.
- Ignoriranje Cpk: samo gledam Cp in pogrešam težavo s centriranjem.
- Zamenjavanje signalov umetne inteligence z dokazi: Nepreverjanje vzroka signala Western Electric na terenu.
- Napačna izbira grafikona: uporaba neprekinjenega podatkovnega grafikona (X-bar) za podatke o stopnji napak.
Če povzamem
- Bistvo SPC je ločiti variabilnost skupnega in posebnega vzroka; Vmešavanje v skupno stvar je škodljivo.
- Kontrolne meje izhajajo iz procesa, tolerančne meje izhajajo iz zasnove; Nikoli ne smemo zamenjevati teh dveh.
- Izberite grafikon, ki ustreza vrsti podatkov (X-bar/R, p, c...) in poiščite vzorce s pravili Western Electric.
- Cp meri širjenje in Cpk meri centriranje; Cpk < Cp kaže na težavo s centriranjem.
- AI hitro ustvari statistični signal; Ogled na terenu potrdi razlog, odločitev je na inženirju.
Aplikacijska naloga
Izvedite vsaj 20 neprekinjenih meritev iz procesa (resničnega ali izmišljenega) in določite vrednosti USL/LSL. Naj AI izračuna Cp in Cpk s temi podatki; Iz podatkov izračunajte σ in povprečje ter prikažite vsak korak. Kritično preverjanje: Sami znova izračunajte vrednosti σ, Cp in Cpk v Excelu ali Pythonu in jih primerjajte z izhodom AI. Nato skenirajte podatke s pravili Western Electric in vprašajte "kako to preverim na terenu?" za vsak najden signal. Odgovorite na vprašanje. Nazadnje, če je Cpk < Cp, se odločite, ali je treba najprej popraviti centriranje ali širjenje.