Lợi nhuận:
- Khả năng diễn giải biểu đồ kiểm soát (X-bar/R, p, c) và chỉ số năng lực xử lý (Cp, Cpk)
- Khả năng tăng tốc quét và báo cáo các tín hiệu ngoài tầm kiểm soát (quy định của Western Electric) bằng AI
- Khả năng xác thực diễn giải thống kê của AI với dữ liệu thô và thực tế quy trình vật lý
Chất lượng không được “sắp xếp” bằng kiểm tra, nó được “sản xuất” bằng quy trình. Kiểm soát quy trình thống kê (SPC) nhằm mục đích thực hiện điều đó: giám sát quy trình trong thời gian thực và nắm bắt các tín hiệu trước khi lỗi trở thành sản phẩm. Sức mạnh của SPC nằm ở việc phân biệt sự biến đổi tự nhiên (nguyên nhân chung) với sự biến đổi bất thường (nguyên nhân đặc biệt). Trong lĩnh vực này, AI tăng tốc việc diễn giải biểu đồ kiểm soát, quét quy tắc và báo cáo mức độ thành thạo; nhưng công việc của con người là kết hợp việc giải thích thống kê với thực tế của quá trình vật lý. Trong phần này, chúng ta sẽ đề cập đến các biểu đồ kiểm soát, chỉ số thành thạo Cp/Cpk và vai trò thích hợp của AI trong SPC.
Hai mặt của sự biến đổi
Mọi quá trình đều liên quan đến sự biến đổi. SPC chia sự biến đổi này thành hai:
- Nguyên nhân chung: Sự biến động ngẫu nhiên, có thể dự đoán được vốn có trong quá trình. Quá trình này "trong tầm kiểm soát".
- Nguyên nhân đặc biệt: Sự kiện bên ngoài có thể xác định được (hỏng dụng cụ, thay đổi lô nguyên liệu thô, thay đổi cài đặt). Quá trình này "ngoài tầm kiểm soát".
Mục đích duy nhất của biểu đồ kiểm soát là tách biệt hai điều này. Việc ứng phó với những biến động có nguyên nhân chung (điều chỉnh quá mức/"giả mạo") thực sự làm tăng tính biến động. “Thử nghiệm phễu” kinh điển của Deming cho thấy điều này: can thiệp vào mọi sai lệch sẽ khiến mọi việc trở nên tồi tệ hơn.
Mẹo: Đừng bao giờ nhầm lẫn giới hạn kiểm soát (UCL/LCL) với giới hạn dung sai (thông số kỹ thuật). Giới hạn kiểm soát là “tiếng nói” của quá trình (được tính toán từ dữ liệu); giới hạn dung sai là “tiếng nói” của khách hàng (xuất phát từ bản thiết kế). AI đôi khi nhầm lẫn những điều này; Hãy làm rõ bạn đang nói về điều gì trong mỗi bình luận.
Các loại biểu đồ kiểm soát
Biểu đồ được chọn theo kiểu dữ liệu.
đồ họa
Kiểu dữ liệu
ví dụ
Thanh X/R
Liên tục (đo lường), nhóm con
Đường kính trục trung bình và khe hở
Thanh X/S
Nhóm con lớn, liên tục
Làm đầy trọng lượng
I-MRI
Đo liên tục, đơn lẻ
Đo một lần mỗi ngày
p/np
Tỷ lệ/số rời rạc, bị lỗi
Tỷ lệ bộ phận bị lỗi
c/u
Rời rạc, số lượng lỗi
Khiếm khuyết trên mỗi đơn vị
Trên biểu đồ thanh X/R, giới hạn kiểm soát được tính từ mức trung bình và khoảng của nhóm con:
UCL_xbar = Thanh đôi X + A2 × Thanh RLCL_xbar =
Tín hiệu mất kiểm soát (Quy tắc điện phương Tây)
Một điểm vượt quá giới hạn không phải là tín hiệu duy nhất. Các quy tắc của Western Electric (Nelson) cũng nắm bắt được các mẫu hình:
- Một điểm nằm ngoài 3σ (ngoài giới hạn).
- Liên tiếp 2/3 điểm vượt quá 2σ (cùng phía).
- 4/5 điểm liên tiếp vượt quá 1σ.
- 8 điểm liên tiếp ở cùng một phía của đường trung tâm (sự dịch chuyển).
- 6 chấm tăng/giảm liên tục (xu hướng).
Vai trò: Bạn là một kỹ sư chất lượng có kinh nghiệm về SPC. Nhiệm vụ: Quét các giá trị thanh X sau bằng quy tắc Western Electric theo UCL/LCL và đường trung tâm đã cho. Đối với mỗi tín hiệu ngoài tầm kiểm soát: số quy tắc, điểm nào, diễn giải vật lý có thể có và bước điều tra được đề xuất. Center=50,2 UCL=52,1 LCL=48,3 σ=0,63Dữ liệu (đã sắp xếp): {{ giá trị }}Quy tắc: Không tạo tín hiệu giả; Đánh dấu những điểm không thỏa mãn đầy đủ quy tắc. Trình bày những lý do có thể xảy ra dưới dạng "giả thuyết", không viết bằng ngôn ngữ chính xác.
AI thực hiện quá trình sàng lọc này nhanh chóng nhưng hãy nhớ: việc cung cấp quy tắc là một cảnh báo thống kê; Điều tra hiện trường tìm ra nguyên nhân thực sự. AI có thể nói "có thể là dụng cụ bị mòn"; Chính phép đo công cụ đã xác nhận điều này.
Khả năng xử lý: Cp và Cpk
Ngay cả khi quy trình được kiểm soát, liệu nó có đáp ứng được sự chấp nhận của khách hàng không? Chỉ số đầy đủ cho biết điều này.
Cp = (USL − LSL) / (6σ) → chỉ đo mức chênh lệchCpk = min[ (USL − μ)/(3σ) , (μ − LSL)/(3σ) ] → bao gồm cả việc định tâm
Ví dụ: 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 = phút[ (10,5 − 10,1)/0,3 , (10,1 − 9,5)/0,3 ] = phút[ 0,4/0,3 , 0,6/0,3 ] = phút[1,33 , 2,0] = 1,33
Cp = 1,67 cho thấy mức chênh lệch tốt, nhưng Cpk = 1,33 cho chúng ta biết rằng quá trình này không nằm ở trung tâm (trung bình 10,1, gần USL hơn mục tiêu 10,0). Cpk < Cp luôn cho thấy có vấn đề về việc định tâm. Ngay cả một quy trình có độ phân tán tốt cũng sẽ tạo ra sản phẩm bị lỗi nếu nó được căn giữa không chính xác.
Nhắc yếu / Nhắc mạnh
Dấu nhắc yếu:
Quá trình này có tốt không?
Không có tiêu chí nào cho “tốt”; AI chỉ đưa ra phỏng đoán chung chung.
Lời nhắc mạnh mẽ:
Tính toán Cp và Cpk với dữ liệu đo lường sau (USL=10,5, LSL=9,5). Tính σ và giá trị trung bình từ dữ liệu, hiển thị công thức và từng bước. Nếu Cpk < Cp, hỏi xem nó tập trung hay lan rộng, hãy bình luận. Đồng thời ước tính tỷ lệ lỗi gần đúng (ppm) của quy trình và viết ra các giả định của bạn. Dữ liệu: {{ ... }}
Case Mini: CP Tốt, Sản Phẩm Xấu
Trên dây chuyền chiết rót, hầu hết các chai đều không đạt tiêu chuẩn kỹ thuật nhưng quy trình này có vẻ "ổn định" trên biểu đồ kiểm soát. Kỹ sư công nghiệp Yağmur cung cấp dữ liệu cho AI và yêu cầu nó tính toán Cp và Cpk: Cp = 1,5 (độ lan truyền tốt) nhưng Cpk = 0,7 (không đủ). Sự khác biệt là mức trung bình đã dịch chuyển đáng kể so với mục tiêu. AI chỉ ra vấn đề tập trung; Anh ta kiểm tra cài đặt của van nạp mưa và thực sự đã tìm thấy sự bù đắp. Khi bạn sửa cài đặt, Cpk tăng lên 1,4 và chất thải giảm. Bài học quan trọng: quy trình có thể “ổn định” (trong tầm kiểm soát) nhưng vẫn “thiếu sót” (không đáp ứng được đặc điểm kỹ thuật). AI đã chứng minh sự khác biệt này bằng số lượng; Chính Yağmur là người đã tìm ra nguyên nhân sâu xa trên sân.
Những lỗi thường gặp
- Kiểm soát khó hiểu và giới hạn dung sai: Đánh đồng giới hạn kiểm soát với dung sai của khách hàng.
- Giả mạo nguyên nhân phổ biến: Điều chỉnh theo từng biến động và tăng độ biến thiên.
- Bỏ qua Cpk: Chỉ nhìn vào Cp và bỏ sót vấn đề căn giữa.
- Nhầm tín hiệu AI làm bằng chứng: Không xác minh được nguyên nhân gây ra tín hiệu Western Electric tại hiện trường
- Lựa chọn biểu đồ sai: Áp dụng biểu đồ dữ liệu liên tục (thanh X) cho dữ liệu tỷ lệ lỗi.
Tóm lại
- Bản chất của SPC là tách biệt tính biến đổi của nguyên nhân chung và nguyên nhân đặc biệt; Can thiệp vào sự nghiệp chung là có hại.
- Giới hạn kiểm soát đến từ quy trình, giới hạn dung sai đến từ thiết kế; Cả hai không bao giờ nên nhầm lẫn.
- Chọn biểu đồ phù hợp với loại dữ liệu (X-bar/R, p, c...) và tìm kiếm các mẫu có quy tắc Western Electric.
- Cp đo độ lan rộng và Cpk đo độ tập trung; Cpk < Cp cho thấy có vấn đề về định tâm.
- AI tạo ra tín hiệu thống kê nhanh chóng; Kiểm tra hiện trường xác nhận nguyên nhân, quyết định là ở kỹ sư.
Nhiệm vụ ứng dụng
Thực hiện ít nhất 20 phép đo liên tục từ một quy trình (thực tế hoặc hư cấu) và xác định các giá trị USL/LSL. Yêu cầu AI tính toán Cp và Cpk với dữ liệu này; Có σ và giá trị trung bình được tính toán từ dữ liệu và hiển thị từng bước. Xác minh quan trọng: Tự tính toán lại các giá trị σ, Cp, Cpk trong Excel hoặc Python và so sánh với đầu ra AI. Sau đó quét dữ liệu bằng các quy tắc của Western Electric và hỏi "làm cách nào để xác minh điều này tại hiện trường?" cho mỗi tín hiệu được tìm thấy. Trả lời câu hỏi. Cuối cùng, nếu Cpk < Cp, trước tiên hãy quyết định xem nên sửa định tâm hay trải rộng.