Kontroldiagrammer og proceskontrol

Statistisk proceskontrol: Kvalitetens fundament

Kontroldiagrammer er hjørnestenen i statistisk proceskontrol (SPC) og bruger standardafvigelse til at overvåge processtabilitet over tid. Udviklet af Walter Shewhart hos Bell Labs i 1920’erne skelner disse kraftfulde værktøjer mellem fællesårsagsvariation (iboende i processen) og specialårsagsvariation (som indikerer problemer, der kræver handling).

Det geniale ved kontroldiagrammer ligger i deres enkelhed: plot dine målinger over tid, tilføj kontrolgrænser baseret på standardafvigelse, og hold øje med punkter eller mønstre, der signalerer problemer. Denne realtidsovervågning forebygger fejl, før de opstår, i stedet for at fange dem ved efterfølgende inspektion.

Moderne fremstillings-, sundheds- og serviceindustrier er afhængige af kontroldiagrammer til at opretholde kvalitet. Fra halvlederfabrikation, der kræver nanometerpræcision, til hospitalsinfektionsrater giver SPC en universel ramme for procesforbedring.

Typer af kontroldiagrammer

Forskellige datatyper kræver forskellige kontroldiagrammer. Valg af det rigtige diagram sikrer nøjagtig procesovervågning:

Til kontinuerte data (målinger som længde, vægt, temperatur) er X̄-R-diagrammet mest almindeligt. Man indsamler undergrupper af stikprøver, plotter gennemsnittet (X̄) på ét diagram og variationsbredden (R) på et andet. Tilsammen overvåger de både procescentrering og variabilitet.

Beregning af kontrolgrænser

Kontrolgrænser definerer de forventede variationsgrænser. De sættes ved ±3 standardafvigelser fra centerlinjen og dækker 99,73% af punkterne, når processen er under kontrol:

For et X̄-diagram med variationsbreddemetoden bliver formlerne:

Hvor X̿ er det overordnede gennemsnit, R̄ er den gennemsnitlige variationsbredde, og A₂ er en konstant afhængig af undergruppestørrelse (f.eks. A₂ = 0,577 for n=5).

Kontrolgrænsekonstanter

Western Electric-regler til opdagelse af problemer

Et enkelt punkt uden for kontrolgrænserne er ikke det eneste tegn på problemer. Western Electric-reglerne opdager mere subtile mønstre ved at inddele diagrammet i zoner baseret på standardafvigelser:

• Zone C:Inden for 1σ fra centerlinjen
• Zone B:Mellem 1σ og 2σ fra centret
• Zone A:Mellem 2σ og 3σ fra centret

De fire primære regler

Genkendelse af almindelige mønstre

Erfarne praktikere lærer at genkende visuelle mønstre, der indikerer specifikke problemer:

Python-implementering

Opret et X̄-R-kontroldiagram med automatisk regelkontrol:

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)