Vinster:
- Förmåga att tolka kontrolldiagram (X-bar/R, p, c) och processkapacitetsindex (Cp, Cpk)
- Möjlighet att accelerera skanning och rapportering av utomkontrollerade signaler (Western Electric-regler) med AI
- Förmåga att validera AI:s statistiska tolkning med rådata och fysisk processverklighet
Kvalitet "sorteras" inte genom inspektion, den "produceras" av processen. Statistical Process Control (SPC) syftar till att göra just det: övervaka processen i realtid och fånga upp signaler innan fel blir produkter. Styrkan hos SPC ligger i att skilja naturlig (vanlig orsak) variabilitet från onormal (särskild orsak) variation. Inom detta område accelererar AI tolkning av kontrolldiagram, regelskanning och kompetensrapportering; men det är människans uppgift att blanda statistisk tolkning med den fysiska processens verklighet. I den här enheten kommer vi att täcka kontrolldiagram, Cp/Cpk-färdighetsindex och den korrekta rollen för AI i SPC.
Två ansikten av variation
Varje process innebär variation. SPC delar upp denna variation i två:
- Vanlig orsak: Slumpmässig, förutsägbar fluktuation som är inneboende i processen. Processen är "under kontroll".
- Särskild orsak: En extern, överlåtbar händelse (verktygsbrott, byte av råmaterialsats, inställningsskift). Processen är "utom kontroll".
Det enda syftet med kontrolldiagrammet är att skilja de två åt. Att reagera på fluktuationer av vanliga orsaker (överjustering / "manipulering") ökar faktiskt variabiliteten. Demings klassiska "trattexperiment" visar detta: att ingripa vid varje avvikelse gör saken värre.
Tips: Blanda aldrig ihop kontrollgränser (UCL/LCL) med toleransgränser (specifikationer). Kontrollgränser är processens "röst" (beräknat från data); toleransgränser är kundens "röst" (kommer från designen). AI blandar ibland ihop dessa; Gör det tydligt vilken du pratar om i varje kommentar.
Kontrolldiagramtyper
Diagrammet väljs enligt datatypen.
Grafik
Datatyp
exempel
X-bar/R
Kontinuerlig (mätning), undergrupp
Axeldiameter genomsnitt och spel
X-bar/S
Kontinuerlig, stor undergrupp
Fyllnadsvikt
I-MRI
Kontinuerlig, enkel mätning
Enstaka mätning per dag
p/np
Diskret, defekt kurs/nummer
Felaktig reservdelspris
c/u
Diskret, antal defekter
Defekter per enhet
På ett X-bar/R-diagram beräknas kontrollgränser från undergruppsmedelvärden och spann:
UCL_xbar = X-dubbelstapel + A2 × R-barLCL_xbar =
Utom kontrollsignaler (Western Electric Rules)
En punkt som går utanför ramarna är inte den enda signalen. Western Electric (Nelson) regler fångar också mönster:
- En punkt är utanför 3σ (out of bounds).
- På varandra följande 2/3 punkter bortom 2σ (på samma sida).
- 4/5 på varandra följande punkter bortom 1σ.
- 8 på varandra följande punkter på samma sida av mittlinjen (skift).
- 6 punkter ökar/minskar konstant (trend).
Roll: Du är en kvalitetsingenjör med erfarenhet av SPC. Uppgift: Skanna följande X-bar-värden med Western Electric-regler enligt den givna UCL/LCL och mittlinjen. För varje utomkontrollsignal: regelnummer, vilka punkter, möjlig fysisk tolkning och föreslagna utredningssteg. Center=50.2 UCL=52.1 LCL=48.3 σ=0.63Data (ordnad): {{ värden }}Regel: Generera inte falsk signal; Markera punkter som inte helt uppfyller regeln. Presentera möjliga skäl som "hypotes", skriv inte i exakt språk.
AI gör denna screening snabb, men kom ihåg: regelförsörjning är en statistisk varning; Fältundersökning hittar den verkliga orsaken. AI kan säga "förmodligen verktygsslitage"; Det är verktygsmätningen som bekräftar detta.
Processkapacitet: Cp och Cpk
Även om processen är under kontroll, uppfyller den kundtoleranser? Tillräcklighetsindex talar om detta.
Cp = (USL − LSL) / (6σ) → mäter endast spridningenCpk = min[ (USL − μ)/(3σ) , (μ − LSL)/(3σ) ] → inkluderar centrering
Exempel: 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[ 0,4/03] = min[ 0,4/03] . 2,0] = 1,33
Cp = 1,67 indikerar en bra spridning, men Cpk = 1,33 talar om för oss att processen är off-center (genomsnitt 10,1, närmare USL än målet 10,0). Cpk < Cp indikerar alltid ett centreringsproblem. Även en process med god spridning ger en felaktig produkt om den är felaktigt centrerad.
Svag prompt / Stark prompt
Svag uppmaning:
Är denna process bra?
Det finns inget kriterium för "bra"; AI gör bara en allmän gissning.
Kraftfull uppmaning:
Beräkna Cp och Cpk med följande mätdata (USL=10,5, LSL=9,5). Beräkna σ och medelvärde från data, visa formel och varje steg. Om Cpk < Cp, fråga om det är centrering eller spridning, kommentera. Uppskatta också processens ungefärliga felfrekvens (ppm) och skriv ner dina antaganden. Data: {{ ... }}
Minifodral: Bra CP, dålig produkt
På en påfyllningslinje kommer de flesta flaskorna utanför specifikation, men processen verkar "stabil" på kontrolldiagrammet. Industriingenjör Yağmur ger data till AI och låter den beräkna Cp och Cpk: Cp = 1,5 (bra spridning) men Cpk = 0,7 (otillräcklig). Skillnaden är att genomsnittet har skiftat avsevärt från målet. AI påpekar centreringsproblemet; Han kontrollerar inställningen av regnpåfyllningsventilen och hittar verkligen en offset. När du korrigerar inställningen ökar Cpk till 1,4 och avfallet minskar. Kritisk lärdom: processen kan vara "stabil" (under kontroll) men fortfarande vara "brist" (inte uppfylla specifikation). AI visade denna distinktion numeriskt; Det var Yağmur som hittade grundorsaken på planen.
Vanliga misstag
- Förvirrande kontroll- och toleransgräns: Likställande av kontrollgränser med kundtolerans.
- Vanlig orsak manipulering: Justering för varje fluktuation och ökande variation.
- Ignorerar Cpk: Tittar bara på Cp och missar centreringsproblemet.
- Misstag AI-signaler som bevis: Inte verifierar orsaken till Western Electric-signalen i fält.
- Felaktigt diagramval: Använder ett kontinuerligt datadiagram (X-stapel) på defekthastighetsdata.
Sammanfattningsvis
- Kärnan i SPC är att separera vanlig och speciell orsaksvariabilitet; Att störa den vanliga orsaken är skadligt.
- Kontrollgränser kommer från processen, toleransgränser kommer från designen; De två ska aldrig förväxlas.
- Välj det diagram som passar datatypen (X-bar/R, p, c...) och leta efter mönster med Western Electric-regler.
- Cp mäter spridning och Cpk mäter centrering; Cpk < Cp indikerar ett centreringsproblem.
- AI genererar statistisk signal snabbt; Fältbesiktning bekräftar orsaken, beslutet är upp till ingenjören.
Applikationsuppgift
Ta minst 20 kontinuerliga mätningar från en process (verklig eller fiktiv) och bestäm USL/LSL-värden. Låt AI beräkna Cp och Cpk med dessa data; Låt σ och medelvärde beräknas från data och visa varje steg. Kritisk verifiering: Beräkna om σ-, Cp- och Cpk-värdena själv i Excel eller Python och jämför med AI-utgången. Skanna sedan data med Western Electrics regler och fråga "hur verifierar jag detta i fält?" för varje hittad signal. Svara på frågan. Slutligen, om Cpk < Cp, besluta om centrering eller spridning ska korrigeras först.