مخططات التحكم والسيطرة على العمليات

السيطرة الإحصائية على العمليات: أساس الجودة

مخططات التحكم هي حجر الزاوية في السيطرة الإحصائية على العمليات (SPC)، وتستخدم الانحراف المعياري لمراقبة استقرار العمليات عبر الزمن. طورها والتر شيوهارت في مختبرات بل في العشرينيات، وتميز هذه الأدوات القوية بين التباين الناتج عن أسباب عامة (المتأصل في العملية) والتباين الناتج عن أسباب خاصة (الذي يشير إلى مشاكل تحتاج اهتمامًا).

عبقرية مخططات التحكم تكمن في بساطتها: ارسم قياساتك عبر الزمن، أضف حدود التحكم بناءً على الانحراف المعياري، وراقب النقاط أو الأنماط التي تشير إلى مشاكل. هذه المراقبة الفورية تمنع العيوب قبل حدوثها، بدلاً من اكتشافها من خلال الفحص بعد ذلك.

يعتمد التصنيع الحديث والرعاية الصحية وصناعات الخدمات على مخططات التحكم للحفاظ على الجودة. من تصنيع أشباه الموصلات الذي يتطلب دقة بالنانومتر إلى معدلات العدوى في المستشفيات، توفر SPC إطارًا عالميًا لتحسين العمليات.

أنواع مخططات التحكم

أنواع البيانات المختلفة تتطلب مخططات تحكم مختلفة. اختيار المخطط الصحيح يضمن مراقبة دقيقة للعملية:

للبيانات المستمرة (قياسات مثل الطول والوزن ودرجة الحرارة)، مخطط X̄-R هو الأكثر شيوعًا. تجمع مجموعات فرعية من العينات، ترسم المتوسط (X̄) على مخطط والمدى (R) على آخر. معًا، يراقبان كلاً من تمركز العملية وتباينها.

حساب حدود التحكم

حدود التحكم تحدد نطاق التباين المتوقع. تُحدَّد عند ±3 انحرافات معيارية من خط المركز، مما يلتقط 99.73% من النقاط عندما تكون العملية تحت السيطرة:

لمخطط X̄ باستخدام طريقة المدى، تصبح الصيغ:

حيث X̿ هو المتوسط العام، وR̄ هو متوسط المدى، وA₂ ثابت يعتمد على حجم المجموعة الفرعية (مثل A₂ = 0.577 لـ n=5).

ثوابت حدود التحكم

قواعد ويسترن إلكتريك لاكتشاف المشاكل

نقطة واحدة خارج حدود التحكم ليست الإشارة الوحيدة للمشاكل. تكتشف قواعد ويسترن إلكتريك أنماطًا أدق بتقسيم المخطط إلى مناطق بناءً على الانحرافات المعيارية:

• المنطقة C:ضمن 1σ من خط المركز
• المنطقة B:بين 1σ و2σ من المركز
• المنطقة A:بين 2σ و3σ من المركز

القواعد الأربع الرئيسية

التعرف على الأنماط الشائعة

يتعلم الممارسون ذوو الخبرة التعرف على الأنماط البصرية التي تشير إلى مشاكل محددة:

التطبيق بلغة Python

إنشاء مخطط تحكم X̄-R مع فحص تلقائي للقواعد:

import numpy as np
import matplotlib.pyplot as plt

def create_xbar_chart(data, subgroup_size=5):
    """Create X-bar control chart with control limits."""
    # Reshape data into subgroups
    n_subgroups = len(data) // subgroup_size
    subgroups = data[:n_subgroups * subgroup_size].reshape(n_subgroups, subgroup_size)

    # Calculate subgroup means and ranges
    xbar = subgroups.mean(axis=1)
    R = subgroups.max(axis=1) - subgroups.min(axis=1)

    # Control chart constants (for n=5)
    A2 = 0.577
    D3, D4 = 0, 2.114

    # Calculate control limits
    xbar_bar = xbar.mean()
    R_bar = R.mean()

    UCL = xbar_bar + A2 * R_bar
    LCL = xbar_bar - A2 * R_bar

    # Check for out-of-control points
    ooc = (xbar > UCL) | (xbar < LCL)

    # Plot
    plt.figure(figsize=(12, 5))
    plt.plot(xbar, 'b-o', markersize=4)
    plt.axhline(xbar_bar, color='g', linestyle='-', label='CL')
    plt.axhline(UCL, color='r', linestyle='--', label='UCL')
    plt.axhline(LCL, color='r', linestyle='--', label='LCL')
    plt.scatter(np.where(ooc)[0], xbar[ooc], color='red', s=100, zorder=5)
    plt.xlabel('Subgroup')
    plt.ylabel('X-bar')
    plt.title('X-bar Control Chart')
    plt.legend()
    plt.show()

    return {'xbar': xbar, 'UCL': UCL, 'LCL': LCL, 'ooc': ooc}

# Example: Monitor a manufacturing process
np.random.seed(42)
# Simulate 100 measurements (20 subgroups of 5)
measurements = np.random.normal(100, 2, 100)
# Add a shift at subgroup 15
measurements[75:] += 3

result = create_xbar_chart(measurements)