การควบคุมคุณภาพและการควบคุมกระบวนการทางสถิติ (SPC)

กำไร:

• ความสามารถในการตีความแผนภูมิควบคุม (X-bar/R, p, c) และดัชนีความสามารถในการประมวลผล (Cp, Cpk)
• ความสามารถในการเร่งการสแกนและการรายงานสัญญาณที่อยู่นอกการควบคุม (กฎของ Western Electric) ด้วย AI
• ความสามารถในการตรวจสอบการตีความทางสถิติของ AI ด้วยข้อมูลดิบและความเป็นจริงของกระบวนการทางกายภาพ

คุณภาพไม่ได้ "เรียงลำดับ" โดยการตรวจสอบ แต่เป็น "ผลิต" โดยกระบวนการ การควบคุมกระบวนการทางสถิติ (SPC) มุ่งหวังที่จะทำเช่นนั้น: การตรวจสอบกระบวนการแบบเรียลไทม์ และการจับสัญญาณก่อนที่ข้อผิดพลาดจะกลายเป็นผลิตภัณฑ์ จุดแข็งของ SPC อยู่ที่การแยกความแตกต่างระหว่างความแปรปรวนตามธรรมชาติ (สาเหตุทั่วไป) และความแปรปรวนที่ผิดปกติ (สาเหตุพิเศษ) ในพื้นที่นี้ AI จะเร่งการตีความแผนภูมิควบคุม การสแกนกฎ และการรายงานความเชี่ยวชาญ แต่เป็นหน้าที่ของมนุษย์ที่จะผสมผสานการตีความทางสถิติกับความเป็นจริงของกระบวนการทางกายภาพ ในหน่วยนี้ เราจะครอบคลุมแผนภูมิควบคุม ดัชนีความสามารถ Cp/Cpk และบทบาทที่เหมาะสมของ AI ใน SPC

สองหน้าแห่งความแปรปรวน

ทุกกระบวนการเกี่ยวข้องกับความแปรปรวน SPC แบ่งความแปรปรวนนี้เป็นสอง:

• สาเหตุทั่วไป: ความผันผวนแบบสุ่มและคาดการณ์ได้ที่มีอยู่ในกระบวนการ กระบวนการนี้ "อยู่ภายใต้การควบคุม"
• สาเหตุพิเศษ: เหตุการณ์ภายนอกที่สามารถมอบหมายได้ (การแตกหักของเครื่องมือ การเปลี่ยนชุดวัตถุดิบ การเปลี่ยนแปลงการตั้งค่า) กระบวนการนี้ "อยู่นอกการควบคุม"

จุดประสงค์เดียวของแผนภูมิควบคุมคือการแยกทั้งสองออกจากกัน การตอบสนองต่อความผันผวนที่เกิดจากสาเหตุทั่วไป (การปรับเปลี่ยนมากเกินไป / "การงัดแงะ") จะเพิ่มความแปรปรวนอย่างแท้จริง "การทดลองช่องทาง" แบบคลาสสิกของเดมิงแสดงให้เห็นสิ่งนี้: การแทรกแซงในทุก ๆ การเบี่ยงเบนจะทำให้สิ่งต่าง ๆ แย่ลง

เคล็ดลับ: อย่าสับสนระหว่างขีดจำกัดการควบคุม (UCL/LCL) กับขีดจำกัดความคลาดเคลื่อน (ข้อกำหนด) ขีดจำกัดการควบคุมคือ “เสียง” ของกระบวนการ (คำนวณจากข้อมูล) ขีดจำกัดความคลาดเคลื่อนคือ "เสียง" ของลูกค้า (มาจากการออกแบบ) บางครั้ง AI ก็สร้างความสับสนให้กับสิ่งเหล่านี้ ทำให้ชัดเจนว่าคุณกำลังพูดถึงเรื่องไหนในแต่ละความคิดเห็น

ประเภทแผนภูมิควบคุม

แผนภูมิจะถูกเลือกตามประเภทข้อมูล

กราฟิก

ชนิดข้อมูล

ตัวอย่าง

X-บาร์/R

ต่อเนื่อง (การวัด) กลุ่มย่อย

เส้นผ่านศูนย์กลางเพลาเฉลี่ยและระยะห่าง

เอ็กซ์บาร์/เอส

กลุ่มย่อยขนาดใหญ่อย่างต่อเนื่อง

เติมน้ำหนัก

ฉัน-MRI

การวัดครั้งเดียวอย่างต่อเนื่อง

วัดเดี่ยวต่อวัน

หน้า/หน้า

อัตรา/จำนวนที่มีข้อบกพร่องไม่ต่อเนื่อง

อัตราชิ้นส่วนผิดพลาด

คุณ

ไม่ต่อเนื่อง จำนวนข้อบกพร่อง

ข้อบกพร่องต่อหน่วย

บนแผนภูมิ X-bar/R ขีดจำกัดการควบคุมจะคำนวณจากค่าเฉลี่ยกลุ่มย่อยและช่วง:

UCL_xbar = X-ดับเบิ้ลบาร์ + A2 × R-barLCL_xbar =

สัญญาณอยู่นอกการควบคุม (กฎไฟฟ้าตะวันตก)

จุดที่ออกนอกขอบเขตไม่ใช่สัญญาณเดียว กฎของ Western Electric (Nelson) ยังจับรูปแบบ:

1. จุดอยู่นอก3σ (อยู่นอกขอบเขต)
2. 2/3 คะแนนติดต่อกันเกิน2σ (ด้านเดียวกัน)
3. 4/5 คะแนนติดต่อกันเกิน1σ
4. 8 จุดติดต่อกันบนฝั่งเดียวกันของเส้นกึ่งกลาง (กะ)
5. 6 จุดเพิ่มขึ้น/ลดลงอย่างต่อเนื่อง (แนวโน้ม)

บทบาท: คุณเป็นวิศวกรคุณภาพที่มีประสบการณ์ใน SPC งาน: สแกนค่า X-bar ต่อไปนี้ด้วยกฎของ Western Electric ตามกฎ UCL/LCL และเส้นกึ่งกลางที่กำหนด สำหรับสัญญาณที่อยู่นอกการควบคุมแต่ละรายการ: หมายเลขกฎ ซึ่งชี้ การตีความทางกายภาพที่เป็นไปได้ และขั้นตอนการสืบสวนที่แนะนำ Center=50.2 UCL=52.1 LCL=48.3 σ=0.63ข้อมูล (เรียงลำดับ): {{ ค่า }}กฎ: อย่าสร้างสัญญาณปลอม การทำเครื่องหมายจุดที่ไม่เป็นไปตามกฎอย่างสมบูรณ์ นำเสนอเหตุผลที่เป็นไปได้เป็น "สมมุติฐาน" อย่าเขียนเป็นภาษาที่เจาะจง

AI ทำให้การคัดกรองนี้รวดเร็ว แต่โปรดจำไว้ว่า การกำหนดกฎคือการแจ้งเตือนทางสถิติ การสอบสวนภาคสนามพบสาเหตุที่แท้จริง AI อาจพูดว่า "อาจเป็นการสึกหรอของเครื่องมือ"; มันคือการวัดเครื่องมือที่ยืนยันสิ่งนี้

ความสามารถของกระบวนการ: Cp และ Cpk

แม้ว่ากระบวนการจะอยู่ภายใต้การควบคุม แต่จะเป็นไปตามเกณฑ์ความคลาดเคลื่อนของลูกค้าหรือไม่ ดัชนีความพอเพียงบอกสิ่งนี้

Cp = (USL − LSL) / (6σ) → วัดเฉพาะสเปรดCpk = min[ (USL − μ)/(3σ) , (μ − LSL)/(3σ) ] → รวมจุดศูนย์กลาง

ตัวอย่าง: USL = 10.5; LSL = 9.5; ไมโคร = 10.1; ซิ = 0.1

Cp = (10.5 − 9.5) / (6 × 0.1) = 1.0 / 0.6 data 1.67Cpk = นาที[ (10.5 − 10.1)/0.3 , (10.1 − 9.5)/0.3 ] = นาที[ 0.4/0.3 , 0.6/0.3 ] = นาที[1.33 , 2.0] = 1.33

Cp = 1.67 บ่งชี้ถึงสเปรดที่ดี แต่ Cpk = 1.33 บอกเราว่ากระบวนการอยู่นอกศูนย์กลาง (เฉลี่ย 10.1 ใกล้กับ USL มากกว่าเป้าหมาย 10.0) Cpk < Cp บ่งบอกถึงปัญหาที่อยู่ตรงกลางเสมอ แม้แต่กระบวนการที่มีการกระจายตัวที่ดีก็ยังทำให้เกิดผลิตภัณฑ์ที่มีข้อบกพร่องได้หากตั้งศูนย์กลางไว้อย่างไม่ถูกต้อง

พรอมต์ที่อ่อนแอ / พรอมต์ที่แข็งแกร่ง

พรอมต์ที่อ่อนแอ:

กระบวนการนี้ดีหรือไม่?

ไม่มีเกณฑ์สำหรับ "ดี"; AI เป็นเพียงการคาดเดาทั่วไปเท่านั้น

พรอมต์อันทรงพลัง:

คำนวณ Cp และ Cpk ด้วยข้อมูลการวัดต่อไปนี้ (USL=10.5, LSL=9.5) คำนวณ σ และค่าเฉลี่ยจากข้อมูล แสดงสูตรและแต่ละขั้นตอน ถ้า Cpk < Cp ถามว่าอยู่กึ่งกลางหรือกระจาย แสดงความคิดเห็น ประเมินอัตราข้อผิดพลาดโดยประมาณ (ppm) ของกระบวนการและจดบันทึกสมมติฐานของคุณ ข้อมูล: {{ ... }}

Mini Case: CP ดี สินค้าไม่ดี

ในสายการบรรจุ ขวดส่วนใหญ่ไม่ตรงตามข้อกำหนด แต่กระบวนการปรากฏว่า "เสถียร" บนแผนผังควบคุม วิศวกรอุตสาหกรรมYağmurให้ข้อมูลแก่ AI และคำนวณ Cp และ Cpk: Cp = 1.5 (สเปรดที่ดี) แต่ Cpk = 0.7 (ไม่เพียงพอ) ความแตกต่างก็คือค่าเฉลี่ยเปลี่ยนแปลงไปจากเป้าหมายอย่างมาก AI ชี้ให้เห็นถึงปัญหาการมีศูนย์กลาง เขาตรวจสอบการตั้งค่าของวาล์วเติมฝนและพบค่าชดเชยจริงๆ เมื่อคุณแก้ไขการตั้งค่า Cpk จะเพิ่มขึ้นเป็น 1.4 และของเสียลดลง บทเรียนที่สำคัญ: กระบวนการสามารถ "เสถียร" (อยู่ภายใต้การควบคุม) แต่ยังคง "บกพร่อง" (ไม่เป็นไปตามข้อกำหนด) AI แสดงให้เห็นความแตกต่างนี้เป็นตัวเลข Yağmur คือผู้ค้นพบสาเหตุที่แท้จริงในสนาม

ข้อผิดพลาดทั่วไป

• การควบคุมที่สับสนและขีดจำกัดความอดทน: การปรับขีดจำกัดการควบคุมให้เท่ากันกับความอดทนของลูกค้า
• การปลอมแปลงสาเหตุทั่วไป: การปรับเปลี่ยนตามความผันผวนและการเพิ่มความแปรปรวน
• การเพิกเฉยต่อ Cpk: แค่ดูที่ Cp แล้วพลาดปัญหาเรื่องศูนย์กลาง
• สัญญาณ AI ผิดพลาดเพื่อเป็นหลักฐาน: ไม่ตรวจสอบสาเหตุของสัญญาณ Western Electric ในสนาม
• การเลือกแผนภูมิไม่ถูกต้อง: การใช้แผนภูมิข้อมูลต่อเนื่อง (X-bar) กับข้อมูลอัตราข้อบกพร่อง

โดยสรุป

• สาระสำคัญของ SPC คือการแยกความแปรปรวนของสาเหตุทั่วไปและสาเหตุพิเศษออกจากกัน การแทรกแซงสาเหตุทั่วไปเป็นอันตราย
• ขีดจำกัดการควบคุมมาจากกระบวนการ ขีดจำกัดความคลาดเคลื่อนมาจากการออกแบบ ทั้งสองไม่ควรสับสน
• เลือกแผนภูมิที่เหมาะสมกับประเภทข้อมูล (X-bar/R, p, c...) และค้นหารูปแบบตามกฎของ Western Electric
• Cp วัดการแพร่กระจาย และ Cpk วัดศูนย์กลาง Cpk < Cp บ่งชี้ปัญหาการอยู่ตรงกลาง
• AI สร้างสัญญาณทางสถิติอย่างรวดเร็ว การตรวจสอบภาคสนามยืนยันเหตุผล การตัดสินใจขึ้นอยู่กับวิศวกร

งานสมัคร

ทำการวัดอย่างต่อเนื่องอย่างน้อย 20 ครั้งจากกระบวนการ (ของจริงหรือตัวละคร) และกำหนดค่า USL/LSL ให้ AI คำนวณ Cp และ Cpk ด้วยข้อมูลนี้ ให้ σ และค่าเฉลี่ยคำนวณจากข้อมูลและแสดงแต่ละขั้นตอน การตรวจสอบที่สำคัญ: คำนวณค่า σ, Cp และ Cpk อีกครั้งใน Excel หรือ Python และเปรียบเทียบกับเอาต์พุต AI จากนั้นสแกนข้อมูลตามกฎของ Western Electric และถามว่า "ฉันจะตรวจสอบสิ่งนี้ในภาคสนามได้อย่างไร" สำหรับแต่ละสัญญาณที่พบ ตอบคำถาม. สุดท้าย หาก Cpk < Cp ให้ตัดสินใจว่าควรแก้ไขการวางศูนย์กลางหรือการแพร่กระจายก่อน