Regelkarten und statistische Prozesskontrolle

Statistische Prozesskontrolle: Die Grundlage der Qualität

Regelkarten sind der Eckpfeiler der statistischen Prozesskontrolle (SPC) und nutzen die Standardabweichung zur Überwachung der Prozessstabilität im Zeitverlauf. Diese von Walter Shewhart in den 1920er Jahren bei Bell Labs entwickelten Werkzeuge unterscheiden zwischen zufälliger Variation (dem Prozess inhärent) und besonderer Variation (die auf Probleme hinweist, die Aufmerksamkeit erfordern).

Die Genialität der Regelkarten liegt in ihrer Einfachheit: Tragen Sie Ihre Messwerte über die Zeit auf, fügen Sie auf der Standardabweichung basierende Kontrollgrenzen hinzu und achten Sie auf Punkte oder Muster, die Probleme signalisieren. Diese Echtzeitüberwachung verhindert Fehler, bevor sie auftreten, anstatt sie erst durch Inspektion nachträglich zu entdecken.

Moderne Fertigung, Gesundheitswesen und Dienstleistungsindustrien verlassen sich auf Regelkarten zur Qualitätssicherung. Von der Halbleiterfertigung mit Nanometerpräzision bis zu Krankenhaus-Infektionsraten bietet SPC ein universelles Rahmenwerk zur Prozessverbesserung.

Arten von Regelkarten

Verschiedene Datentypen erfordern verschiedene Regelkarten. Die richtige Kartenauswahl gewährleistet eine genaue Prozessüberwachung:

Für stetige Daten (Messungen wie Länge, Gewicht, Temperatur) ist die X̄-R-Karte am gebräuchlichsten. Sie sammeln Untergruppen von Proben, tragen den Mittelwert (X̄) auf einer Karte und die Spannweite (R) auf einer anderen auf. Zusammen überwachen sie sowohl die Prozesszentrierung als auch die Variabilität.

Kontrollgrenzen berechnen

Kontrollgrenzen definieren die Grenzen der erwarteten Variation. Sie werden bei ±3 Standardabweichungen von der Mittellinie gesetzt und erfassen 99,73 % der Punkte, wenn der Prozess unter Kontrolle ist:

Für eine X̄-Karte mit der Spannweiten-Methode lauten die Formeln:

Dabei ist X̿ der Gesamtmittelwert, R̄ die durchschnittliche Spannweite und A₂ eine Konstante abhängig von der Untergruppengröße (z. B. A₂ = 0,577 für n=5).

Kontrollgrenzenkonstanten

Western-Electric-Regeln zur Problemerkennung

Ein einzelner Punkt außerhalb der Kontrollgrenzen ist nicht das einzige Signal für Probleme. Die Western-Electric-Regeln erkennen subtilere Muster, indem sie die Karte in Zonen auf Basis der Standardabweichung unterteilen:

• Zone C:Innerhalb von 1σ der Mittellinie
• Zone B:Zwischen 1σ und 2σ von der Mittellinie
• Zone A:Zwischen 2σ und 3σ von der Mittellinie

Die vier Hauptregeln

Häufige Muster erkennen

Erfahrene Anwender lernen, visuelle Muster zu erkennen, die auf spezifische Probleme hinweisen:

Python-Implementierung

Eine X̄-R-Regelkarte mit automatischer Regelprüfung erstellen:

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)