నాణ్యత నియంత్రణ మరియు గణాంక ప్రక్రియ నియంత్రణ (SPC)

లాభాలు:

• నియంత్రణ చార్ట్‌లను (X-bar/R, p, c) మరియు ప్రాసెస్ సామర్థ్య సూచికలను (Cp, Cpk) అన్వయించగల సామర్థ్యం
• AIతో నియంత్రణ లేని సిగ్నల్స్ (వెస్ట్రన్ ఎలక్ట్రిక్ రూల్స్) స్కానింగ్ మరియు రిపోర్టింగ్‌ని వేగవంతం చేయగల సామర్థ్యం
• ముడి డేటా మరియు భౌతిక ప్రక్రియ వాస్తవికతతో AI యొక్క గణాంక వివరణను ధృవీకరించగల సామర్థ్యం

నాణ్యత తనిఖీ ద్వారా "క్రమబద్ధీకరించబడదు", ఇది ప్రక్రియ ద్వారా "ఉత్పత్తి చేయబడుతుంది". స్టాటిస్టికల్ ప్రాసెస్ కంట్రోల్ (SPC) కేవలం ఆ పనిని చేయడమే లక్ష్యంగా పెట్టుకుంది: ప్రక్రియను నిజ సమయంలో పర్యవేక్షించడం మరియు లోపాలు ఉత్పత్తులుగా మారడానికి ముందు సంకేతాలను పట్టుకోవడం. SPC యొక్క బలం సహజమైన (సాధారణ కారణం) వైవిధ్యాన్ని అసాధారణ (ప్రత్యేక కారణం) వైవిధ్యం నుండి వేరు చేయడంలో ఉంది. ఈ ప్రాంతంలో, AI నియంత్రణ చార్ట్ ఇంటర్‌ప్రిటేషన్, రూల్ స్కానింగ్ మరియు ప్రొఫిషియన్సీ రిపోర్టింగ్‌ను వేగవంతం చేస్తుంది; కానీ భౌతిక ప్రక్రియ యొక్క వాస్తవికతతో గణాంక వివరణను కలపడం మానవుని పని. ఈ యూనిట్‌లో, మేము నియంత్రణ చార్ట్‌లు, Cp/Cpk ప్రావీణ్యం సూచికలు మరియు SPCలో AI యొక్క సరైన పాత్రను కవర్ చేస్తాము.

వైవిధ్యం యొక్క రెండు ముఖాలు

ప్రతి ప్రక్రియలో వైవిధ్యం ఉంటుంది. SPC ఈ వైవిధ్యాన్ని రెండుగా విభజిస్తుంది:

• సాధారణ కారణం: ప్రక్రియలో అంతర్లీనంగా ఉండే యాదృచ్ఛిక, ఊహాజనిత హెచ్చుతగ్గులు. ప్రక్రియ "నియంత్రణలో ఉంది".
• ప్రత్యేక కారణం: బాహ్య, కేటాయించదగిన ఈవెంట్ (సాధనం విచ్ఛిన్నం, ముడి పదార్థాల బ్యాచ్ మార్పు, సెట్టింగ్ షిఫ్ట్). ప్రక్రియ "నియంత్రణ లేదు".

నియంత్రణ చార్ట్ యొక్క ఏకైక ఉద్దేశ్యం రెండింటినీ వేరు చేయడం. సాధారణ-కారణ హెచ్చుతగ్గులకు ప్రతిస్పందించడం (అతిగా సర్దుబాటు / "టాంపరింగ్") వాస్తవానికి వైవిధ్యాన్ని పెంచుతుంది. డెమింగ్ యొక్క క్లాసిక్ "గరాటు ప్రయోగం" దీనిని చూపుతుంది: ప్రతి విచలనం వద్ద జోక్యం చేసుకోవడం పరిస్థితిని మరింత దిగజార్చుతుంది.

చిట్కా: నియంత్రణ పరిమితులను (UCL/LCL) సహనం (స్పెసిఫికేషన్) పరిమితులతో ఎప్పుడూ కంగారు పెట్టవద్దు. నియంత్రణ పరిమితులు ప్రక్రియ యొక్క "వాయిస్" (డేటా నుండి లెక్కించబడుతుంది); సహనం పరిమితులు కస్టమర్ యొక్క "వాయిస్" (డిజైన్ నుండి వచ్చింది). AI కొన్నిసార్లు వీటిని గందరగోళానికి గురి చేస్తుంది; ప్రతి కామెంట్‌లో మీరు దేని గురించి మాట్లాడుతున్నారో స్పష్టంగా చెప్పండి.

నియంత్రణ చార్ట్ రకాలు

డేటా రకాన్ని బట్టి చార్ట్ ఎంచుకోబడుతుంది.

గ్రాఫిక్స్

డేటా రకం

ఉదాహరణ

X-బార్/R

నిరంతర (కొలత), ఉప సమూహం

షాఫ్ట్ వ్యాసం సగటు మరియు క్లియరెన్స్

X-బార్/S

నిరంతర, పెద్ద ఉప సమూహం

బరువు నింపడం

I-MRI

నిరంతర, ఒకే కొలత

రోజుకు ఒకే కొలత

p/np

వివిక్త, లోపభూయిష్ట రేటు/సంఖ్య

తప్పు భాగాలు రేటు

c/u

వివిక్త, లోపాల సంఖ్య

యూనిట్‌కు లోపాలు

X-bar/R చార్ట్‌లో, నియంత్రణ పరిమితులు ఉప సమూహ సగటులు మరియు పరిధుల నుండి లెక్కించబడతాయి:

UCL_xbar = X-డబుల్-బార్ + A2 × R-barLCL_xbar =

నియంత్రణలో లేని సంకేతాలు (పాశ్చాత్య విద్యుత్ నియమాలు)

ఒక పాయింట్ హద్దులు దాటి వెళ్లడం ఒక్కటే సంకేతం కాదు. వెస్ట్రన్ ఎలక్ట్రిక్ (నెల్సన్) నియమాలు కూడా నమూనాలను సంగ్రహిస్తాయి:

1. ఒక పాయింట్ 3σ వెలుపల ఉంది (హద్దులు దాటి).
2. 2σ దాటి వరుసగా 2/3 పాయింట్లు (అదే వైపు).
3. 1σ దాటి 4/5 వరుస పాయింట్లు.
4. మధ్య రేఖ (షిఫ్ట్) యొక్క ఒకే వైపు 8 వరుస పాయింట్లు.
5. 6 చుక్కలు నిరంతరం పెరుగుతూ/తగ్గుతూ ఉంటాయి (ట్రెండ్).

పాత్ర: మీరు SPCలో అనుభవం ఉన్న నాణ్యమైన ఇంజనీర్. టాస్క్: ఇచ్చిన UCL/LCL మరియు సెంటర్ లైన్ ప్రకారం వెస్ట్రన్ ఎలక్ట్రిక్ నియమాలతో క్రింది X-బార్ విలువలను స్కాన్ చేయండి. నియంత్రణ లేని ప్రతి సిగ్నల్ కోసం: నియమం సంఖ్య, ఏ పాయింట్లు, సాధ్యమయ్యే భౌతిక వివరణ మరియు సూచించిన దర్యాప్తు దశ. కేంద్రం=50.2 UCL=52.1 LCL=48.3 σ=0.63డేటా (ఆర్డర్ చేయబడింది): {{ విలువలు }}నియమం: నకిలీ సిగ్నల్‌ను రూపొందించవద్దు; నియమాన్ని పూర్తిగా సంతృప్తిపరచని మార్కింగ్ పాయింట్లు. సాధ్యమయ్యే కారణాలను "పరికల్పన"గా ప్రదర్శించండి, ఖచ్చితమైన భాషలో వ్రాయవద్దు.

AI ఈ స్క్రీనింగ్‌ని వేగవంతం చేస్తుంది, అయితే గుర్తుంచుకోండి: నియమ నిబంధన అనేది గణాంక హెచ్చరిక; క్షేత్రస్థాయి విచారణలో అసలు కారణాన్ని గుర్తించారు. AI "బహుశా టూల్ వేర్" అని చెప్పవచ్చు; ఇది నిర్ధారించే సాధనం కొలత.

ప్రక్రియ సామర్థ్యం: Cp మరియు Cpk

ప్రక్రియ నియంత్రణలో ఉన్నప్పటికీ, అది కస్టమర్ సహనానికి అనుగుణంగా ఉందా? సమృద్ధి సూచికలు దీనిని తెలియజేస్తాయి.

Cp = (USL - LSL) / (6σ) → స్ప్రెడ్‌సిపికె = నిమి[ (USL - μ)/(3σ) , (μ - LSL)/(3σ) ] → కేంద్రీకరణను కలిగి ఉంటుంది

ఉదాహరణ: 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 = నిమి[ (10.5 - 10.1)/0.3 , (10.1 − 9.5)/0.3 ]. 4. 4. = ] = నిమి[1.33 , 2.0] = 1.33

Cp = 1.67 మంచి స్ప్రెడ్‌ని సూచిస్తుంది, అయితే Cpk = 1.33 ప్రక్రియ ఆఫ్-సెంటర్‌గా ఉందని మాకు చెబుతుంది (సగటు 10.1, లక్ష్యం 10.0 కంటే USLకి దగ్గరగా ఉంటుంది). Cpk < Cp ఎల్లప్పుడూ కేంద్రీకృత సమస్యను సూచిస్తుంది. మంచి వ్యాప్తితో కూడిన ప్రక్రియ కూడా తప్పుగా కేంద్రీకృతమై ఉన్నట్లయితే, అది తప్పు ఉత్పత్తిని ఉత్పత్తి చేస్తుంది.

బలహీనమైన ప్రాంప్ట్ / బలమైన ప్రాంప్ట్

బలహీనమైన ప్రాంప్ట్:

ఈ ప్రక్రియ మంచిదేనా?

"మంచి"కి ప్రమాణం లేదు; AI సాధారణ అంచనాను మాత్రమే చేస్తుంది.

శక్తివంతమైన ప్రాంప్ట్:

కింది కొలత డేటాతో Cp మరియు Cpkని లెక్కించండి (USL=10.5, LSL=9.5). డేటా నుండి σ మరియు మీన్‌ను లెక్కించండి, ఫార్ములా మరియు ప్రతి దశను చూపండి. Cpk < Cp అయితే, అది కేంద్రీకృతమై ఉందా లేదా వ్యాప్తి చెందుతుందా అని అడగండి, వ్యాఖ్యానించండి. ప్రక్రియ యొక్క ఉజ్జాయింపు లోపం రేటు (ppm)ని కూడా అంచనా వేయండి మరియు మీ అంచనాలను వ్రాయండి. డేటా: {{ ... }}

మినీ కేస్: మంచి CP, చెడు ఉత్పత్తి

ఫిల్లింగ్ లైన్‌లో, చాలా సీసాలు స్పెసిఫికేషన్ నుండి బయటకు వస్తాయి, అయితే ఈ ప్రక్రియ కంట్రోల్ చార్ట్‌లో "స్థిరంగా" కనిపిస్తుంది. ఇండస్ట్రియల్ ఇంజనీర్ Yağmur AIకి డేటాను అందజేస్తుంది మరియు అది Cp మరియు Cpkని లెక్కించేలా చేస్తుంది: Cp = 1.5 (మంచి వ్యాప్తి) కానీ Cpk = 0.7 (తగనిది). వ్యత్యాసం ఏమిటంటే, సగటు లక్ష్యం నుండి గణనీయంగా మారింది. AI కేంద్రీకృత సమస్యను ఎత్తి చూపుతుంది; అతను రెయిన్ ఫిల్ వాల్వ్ సెట్టింగ్‌ని తనిఖీ చేస్తాడు మరియు నిజానికి ఆఫ్‌సెట్‌ను కనుగొంటాడు. మీరు సెట్టింగ్‌ని సరిచేసినప్పుడు, Cpk 1.4కి పెరుగుతుంది మరియు వ్యర్థాలు తగ్గుతాయి. క్లిష్టమైన పాఠం: ప్రక్రియ “స్థిరంగా” (నియంత్రణలో) ఉండవచ్చు కానీ ఇప్పటికీ “లోపం” (స్పెసిఫికేషన్‌కు అనుగుణంగా లేదు). AI ఈ వ్యత్యాసాన్ని సంఖ్యాపరంగా ప్రదర్శించింది; మైదానంలో మూలకారణాన్ని కనుగొన్నది యగ్మూర్.

సాధారణ తప్పులు

• గందరగోళ నియంత్రణ మరియు సహనం పరిమితి: కస్టమర్ సహనంతో నియంత్రణ పరిమితులను సమం చేయడం.
• సాధారణ కారణం ట్యాంపరింగ్: ప్రతి హెచ్చుతగ్గులకు సర్దుబాటు చేయడం మరియు వైవిధ్యాన్ని పెంచడం.
• Cpkని విస్మరించడం: కేవలం Cpని చూడటం మరియు కేంద్రీకృత సమస్యను కోల్పోవడం.
• సాక్ష్యం కోసం AI సంకేతాలను తప్పుగా అర్థం చేసుకోవడం: ఫీల్డ్‌లో వెస్ట్రన్ ఎలక్ట్రిక్ సిగ్నల్ యొక్క కారణాన్ని ధృవీకరించడం లేదు.
• తప్పు చార్ట్ ఎంపిక: రేట్ డేటాను డిఫెక్ట్ చేయడానికి నిరంతర డేటా చార్ట్ (X-బార్)ని వర్తింపజేయడం.

సారాంశంలో

• SPC యొక్క సారాంశం సాధారణ మరియు ప్రత్యేక కారణ వైవిధ్యాన్ని వేరు చేయడం; సాధారణ కారణంతో జోక్యం చేసుకోవడం హానికరం.
• నియంత్రణ పరిమితులు ప్రక్రియ నుండి వస్తాయి, సహనం పరిమితులు డిజైన్ నుండి వస్తాయి; రెండూ ఎప్పుడూ గందరగోళానికి గురికాకూడదు.
• డేటా రకానికి తగిన చార్ట్‌ను ఎంచుకోండి (X-bar/R, p, c...) మరియు వెస్ట్రన్ ఎలక్ట్రిక్ నియమాలతో కూడిన నమూనాల కోసం చూడండి.
• Cp వ్యాప్తిని కొలుస్తుంది మరియు Cpk కేంద్రీకరణను కొలుస్తుంది; Cpk < Cp కేంద్రీకరణ సమస్యను సూచిస్తుంది.
• AI గణాంక సంకేతాన్ని వేగంగా ఉత్పత్తి చేస్తుంది; క్షేత్ర పరిశీలన కారణాన్ని నిర్ధారిస్తుంది, నిర్ణయం ఇంజనీర్‌పై ఆధారపడి ఉంటుంది.

అప్లికేషన్ టాస్క్

ప్రక్రియ నుండి కనీసం 20 నిరంతర కొలతలు తీసుకోండి (వాస్తవమైన లేదా కల్పితం) మరియు USL/LSL విలువలను నిర్ణయించండి. AI ఈ డేటాతో Cp మరియు Cpkని లెక్కించండి; డేటా నుండి σ మరియు సగటును లెక్కించి, ప్రతి దశను చూపండి. క్లిష్టమైన ధృవీకరణ: ఎక్సెల్ లేదా పైథాన్‌లో σ, Cp మరియు Cpk విలువలను మీరే తిరిగి లెక్కించండి మరియు AI అవుట్‌పుట్‌తో సరిపోల్చండి. ఆపై వెస్ట్రన్ ఎలక్ట్రిక్ నియమాలతో డేటాను స్కాన్ చేసి, "నేను ఫీల్డ్‌లో దీన్ని ఎలా ధృవీకరించాలి?" కనుగొనబడిన ప్రతి సిగ్నల్ కోసం. ప్రశ్నకు సమాధానం చెప్పండి. చివరగా, Cpk < Cp అయితే, ముందుగా కేంద్రీకరించడం లేదా విస్తరించడం సరిచేయాలా అని నిర్ణయించుకోండి.