Regulační diagramy a řízení procesů

Statistické řízení procesů: Základ kvality

Regulační diagramy jsou základním kamenem statistického řízení procesů (SPC) a využívají směrodatnou odchylku k monitorování stability procesů v čase. Tyto účinné nástroje, které vyvinul Walter Shewhart v Bell Labs ve 20. letech 20. století, rozlišují mezi variabilitou ze společných příčin (vlastní procesu) a variabilitou ze zvláštních příčin (indikující problémy vyžadující pozornost).

Genialita regulačních diagramů spočívá v jejich jednoduchosti: vyneste svá měření v čase, přidejte regulační meze založené na směrodatné odchylce a sledujte body nebo vzorce signalizující problémy. Toto monitorování v reálném čase předchází vadám dříve, než vzniknou, namísto jejich odhalování dodatečnou kontrolou.

Moderní výroba, zdravotnictví a služby spoléhají na regulační diagramy k udržení kvality. Od výroby polovodičů vyžadující nanometrovou přesnost po nemocniční míry infekce poskytuje SPC univerzální rámec pro zlepšování procesů.

Typy regulačních diagramů

Různé typy dat vyžadují různé regulační diagramy. Výběr správného diagramu zajišťuje přesné monitorování procesu:

Pro spojitá data (měření jako délka, hmotnost, teplota) je nejběžnější diagram X̄-R. Sbíráte podskupiny vzorků, vynášíte průměr (X̄) na jeden diagram a rozpětí (R) na druhý. Společně monitorují jak centrování procesu, tak jeho variabilitu.

Výpočet regulačních mezí

Regulační meze definují hranice očekávané variability. Nastavují se na ±3 směrodatné odchylky od centrální linie a zachycují 99,73 % bodů, pokud je proces pod kontrolou:

Pro diagram X̄ s použitím metody rozpětí jsou vzorce:

Kde X̿ je celkový průměr, R̄ je průměrné rozpětí a A₂ je konstanta závisející na velikosti podskupiny (např. A₂ = 0,577 pro n=5).

Konstanty pro regulační meze

Western Electric pravidla pro detekci problémů

Jeden bod mimo regulační meze není jediným signálem problému. Western Electric pravidla detekují jemnější vzorce rozdělením diagramu do zón podle směrodatných odchylek:

• Zóna C:V rozmezí 1σ od centrální linie
• Zóna B:Mezi 1σ a 2σ od centrální linie
• Zóna A:Mezi 2σ a 3σ od centrální linie

Čtyři základní pravidla

Rozpoznávání typických vzorců

Zkušení praktici se naučí rozpoznávat vizuální vzorce indikující konkrétní problémy:

Implementace v Pythonu

Vytvoření regulačního diagramu X̄-R s automatickou kontrolou pravidel:

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)