Fitimet:
- Aftësia për të interpretuar grafikët e kontrollit (X-bar/R, p, c) dhe indekset e aftësisë së procesit (Cp, Cpk)
- Aftësia për të përshpejtuar skanimin dhe raportimin e sinjaleve jashtë kontrollit (rregullat e Western Electric) me AI
- Aftësia për të vërtetuar interpretimin statistikor të AI me të dhëna të papërpunuara dhe realitetin e procesit fizik
Cilësia nuk “zgjidhet” me inspektim, ajo “prodhohet” nga procesi. Kontrolli i Procesit Statistikor (SPC) synon të bëjë pikërisht këtë: monitorimin e procesit në kohë reale dhe kapjen e sinjaleve përpara se gabimet të bëhen produkte. Fuqia e SPC qëndron në dallimin e ndryshueshmërisë natyrore (shkaku i përbashkët) nga ndryshueshmëria jonormale (shkaku i veçantë). Në këtë fushë, AI përshpejton interpretimin e grafikut të kontrollit, skanimin e rregullave dhe raportimin e aftësive; por është detyrë e njeriut të përziejë interpretimin statistikor me realitetin e procesit fizik. Në këtë njësi, ne do të mbulojmë grafikët e kontrollit, indekset e aftësisë Cp/Cpk dhe rolin e duhur të AI në SPC.
Dy fytyra të ndryshueshmërisë
Çdo proces përfshin ndryshueshmëri. SPC e ndan këtë ndryshueshmëri në dy:
- Shkaku i zakonshëm: Luhatje e rastësishme, e parashikueshme e natyrshme në proces. Procesi është "nën kontroll".
- Shkak i veçantë: Një ngjarje e jashtme, e caktuar (thyerja e veglave, ndryshimi i grupit të lëndës së parë, ndryshimi i cilësimeve). Procesi është "jashtë kontrollit".
Qëllimi i vetëm i grafikut të kontrollit është të ndajë të dyja. Përgjigjja ndaj luhatjeve të shkakut të zakonshëm (rregullimi i tepërt / "ngatërrimi") në fakt rrit ndryshueshmërinë. "Eksperimenti me gyp" klasik i Demingut tregon këtë: ndërhyrja në çdo devijim i bën gjërat më keq.
Këshillë: Asnjëherë mos ngatërroni kufijtë e kontrollit (UCL/LCL) me kufijtë e tolerancës (specifikimeve). Kufijtë e kontrollit janë "zëri" i procesit (llogaritur nga të dhënat); Kufijtë e tolerancës janë "zëri" i klientit (vjen nga dizajni). AI ndonjëherë i ngatërron këto; Tregoni të qartë se për cilin po flisni në çdo koment.
Llojet e grafikëve të kontrollit
Grafiku zgjidhet sipas llojit të të dhënave.
Grafika
Lloji i të dhënave
shembull
X-bar/R
E vazhdueshme (matje), nëngrup
Mesatarja dhe hapësira e diametrit të boshtit
X-bar/S
Nëngrup i vazhdueshëm, i madh
Pesha mbushëse
I-MRI
Matje e vazhdueshme, e vetme
Matje e vetme në ditë
p/np
Norma/numër diskrete, me defekt
Shkalla e pjesëve të gabuara
c/u
Diskret, numri i defekteve
Defektet për njësi
Në një grafik X-bar/R, kufijtë e kontrollit llogariten nga mesataret dhe shtrirjet e nëngrupeve:
UCL_xbar = X-shirit i dyfishtë + A2 × R-barLCL_xbar =
Sinjalet jashtë kontrollit (Rregullat Elektrike Perëndimore)
Një pikë që del jashtë kufijve nuk është i vetmi sinjal. Rregullat Western Electric (Nelson) gjithashtu kapin modelet:
- Një pikë është jashtë 3σ (jashtë kufijve).
- 2/3 pikë të njëpasnjëshme përtej 2σ (në të njëjtën anë).
- 4/5 pikë radhazi përtej 1σ.
- 8 pika të njëpasnjëshme në të njëjtën anë të vijës qendrore (ndërrimi).
- 6 pika vazhdimisht në rritje/ulje (trend).
Roli: Ju jeni një inxhinier cilësor me përvojë në SPC. Detyrë: Skanoni vlerat e mëposhtme të shiritit X me rregullat Western Electric sipas UCL/LCL të dhënë dhe linjës qendrore. Për çdo sinjal jashtë kontrollit: numri i rregullit, cilat pika, interpretimi i mundshëm fizik dhe hapi i sugjeruar i hetimit. Qendra=50.2 UCL=52.1 LCL=48.3 σ=0.63Të dhënat (të renditura): {{ vlerat }}Rregulli: Mos krijoni sinjal të rremë; Shënimi i pikave që nuk e përmbushin plotësisht rregullin. Paraqisni arsyet e mundshme si "hipotezë", mos shkruani me gjuhë të saktë.
AI e bën këtë kontroll të shpejtë, por mbani mend: dispozita e rregullave është një alarm statistikor; Hetimi në terren zbulon shkakun e vërtetë. AI mund të thotë "ndoshta veshja e veglave"; Është matja e mjetit që e konfirmon këtë.
Aftësia e procesit: Cp dhe Cpk
Edhe nëse procesi është nën kontroll, a përmbush tolerancat e klientëve? Indekset e mjaftueshmërisë e tregojnë këtë.
Cp = (USL − LSL) / (6σ) → mat vetëm përhapjenCpk = min[ (USL − μ)/(3σ) , (μ − LSL)/(3σ) ] → përfshin përqendrimin
Shembull: USL = 10.5; LSL = 9,5; μ = 10,1; σ = 0,1.
Cp = (10,5 − 9,5) / (6 × 0,1) = 1,0 / 0,6 ≈ 1,67 Cpk = min[ (10,5 − 10,1)/0,3, (10,1 − 9,5)/0,3 ] = min. [ 0,4/0. , 2,0] = 1,33
Cp = 1.67 tregon një përhapje të mirë, por Cpk = 1.33 na tregon se procesi është jashtë qendrës (mesatarisht 10.1, më afër USL sesa objektivi 10.0). Cpk < Cp tregon gjithmonë një problem qendrimi. Edhe një proces me shpërndarje të mirë do të prodhojë një produkt të gabuar nëse është i përqendruar gabimisht.
Prompt i dobët / Prompt i fortë
Njoftim i dobët:
A është i mirë ky proces?
Nuk ka asnjë kriter për "mirë"; AI bën vetëm një supozim të përgjithshëm.
Njoftim i fuqishëm:
Llogaritni Cp dhe Cpk me të dhënat e mëposhtme të matjes (USL=10.5, LSL=9.5). Llogaritni σ dhe mesataren nga të dhënat, tregoni formulën dhe çdo hap. Nëse Cpk < Cp, pyesni nëse është në qendër apo përhapur, komentoni. Gjithashtu vlerësoni shkallën e përafërt të gabimit (ppm) të procesit dhe shkruani supozimet tuaja. Të dhënat: {{ ... }}
Mini Rasti: CP i mirë, Produkt i keq
Në një linjë mbushjeje, shumica e shisheve dalin jashtë specifikimit, por procesi shfaqet "i qëndrueshëm" në tabelën e kontrollit. Inxhinieri industrial Yağmur i jep të dhënat AI-së dhe e kërkon atë të llogarisë Cp dhe Cpk: Cp = 1.5 (përhapje e mirë) por Cpk = 0.7 (i pamjaftueshëm). Dallimi është se mesatarja është zhvendosur ndjeshëm nga objektivi. AI vë në dukje problemin e përqendrimit; Ai kontrollon vendosjen e valvulës së mbushjes së shiut dhe vërtet gjen një kompensim. Kur korrigjoni cilësimin, Cpk rritet në 1.4 dhe humbja ulet. Mësimi kritik: procesi mund të jetë "i qëndrueshëm" (nën kontroll) por gjithsesi të jetë "i mangët" (nuk i plotëson specifikimet). AI e demonstroi këtë dallim numerikisht; Ishte Yağmur ai që gjeti shkakun rrënjësor në fushë.
Gabimet e zakonshme
- Kufiri konfuz i kontrollit dhe i tolerancës: Barazimi i kufijve të kontrollit me tolerancën e klientit.
- Shkaktari i zakonshëm ngacmimi: Rregullimi për çdo luhatje dhe rritja e ndryshueshmërisë.
- Injorimi i Cpk: Thjesht shikoni Cp dhe mungon çështja e qendrës.
- Gabimi i sinjaleve të AI për prova: Mos verifikimi i shkakut të sinjalit Western Electric në terren.
- Zgjedhja e gabuar e grafikut: Zbatimi i një grafiku të vazhdueshëm të të dhënave (X-bar) për të dhënat e shkallës së defektit.
Në përmbledhje
- Thelbi i SPC është të ndajë ndryshueshmërinë e shkakut të përbashkët dhe të veçantë; Ndërhyrja në kauzën e zakonshme është e dëmshme.
- Kufijtë e kontrollit vijnë nga procesi, kufijtë e tolerancës vijnë nga dizajni; Të dyja nuk duhet të ngatërrohen kurrë.
- Zgjidhni grafikun e përshtatshëm për llojin e të dhënave (X-bar/R, p, c...) dhe kërkoni modele me rregullat Western Electric.
- Cp mat përhapjen dhe Cpk mat përqendrimin; Cpk < Cp tregon një problem qendrimi.
- AI gjeneron shpejt sinjalin statistikor; Inspektimi në terren konfirmon arsyen, vendimi i takon inxhinierit.
Detyra e aplikimit
Merrni të paktën 20 matje të vazhdueshme nga një proces (real ose imagjinar) dhe përcaktoni vlerat USL/LSL. Bëni që AI të llogarisë Cp dhe Cpk me këto të dhëna; Të llogaritet σ dhe mesatarja nga të dhënat dhe të tregohet çdo hap. Verifikimi kritik: Rillogaritni vlerat σ, Cp dhe Cpk vetë në Excel ose Python dhe krahasojeni me daljen e AI. Më pas skanoni të dhënat me rregullat e Western Electric dhe pyesni "si mund ta verifikoj këtë në terren?" për çdo sinjal të gjetur. Përgjigjuni pyetjes. Së fundi, nëse Cpk < Cp, vendosni nëse përqendrimi ose përhapja duhet të korrigjohet fillimisht.