Διαγράμματα Ελέγχου και Στατιστικός Έλεγχος Διαδικασίας

Στατιστικός Έλεγχος Διαδικασίας: Το Θεμέλιο της Ποιότητας

Τα διαγράμματα ελέγχου αποτελούν τον ακρογωνιαίο λίθο του στατιστικού ελέγχου διαδικασίας (SPC), χρησιμοποιώντας την τυπική απόκλιση για την παρακολούθηση της σταθερότητας μιας διαδικασίας στο χρόνο. Αναπτύχθηκαν από τον Walter Shewhart στα Bell Labs τη δεκαετία του 1920 και αποτελούν ισχυρά εργαλεία που διακρίνουν μεταξύ κοινής αιτίας μεταβλητότητας (εγγενής στη διαδικασία) και ειδικής αιτίας μεταβλητότητας (που υποδεικνύει προβλήματα που χρειάζονται προσοχή).

Η ευφυΐα των διαγραμμάτων ελέγχου βρίσκεται στην απλότητά τους: σχεδιάστε τις μετρήσεις σας στο χρόνο, προσθέστε όρια ελέγχου βασισμένα στην τυπική απόκλιση και παρατηρήστε σημεία ή μοτίβα που σηματοδοτούν πρόβλημα. Αυτή η παρακολούθηση σε πραγματικό χρόνο αποτρέπει τα ελαττώματα πριν συμβούν, αντί να τα ανιχνεύει μετά μέσω επιθεώρησης.

Η σύγχρονη βιομηχανία, η υγεία και οι υπηρεσίες βασίζονται σε διαγράμματα ελέγχου για τη διατήρηση ποιότητας. Από την κατασκευή ημιαγωγών που απαιτεί ακρίβεια νανομέτρων έως τα ποσοστά νοσοκομειακών λοιμώξεων, ο SPC παρέχει ένα καθολικό πλαίσιο βελτίωσης διαδικασιών.

Τύποι Διαγραμμάτων Ελέγχου

Διαφορετικοί τύποι δεδομένων απαιτούν διαφορετικά διαγράμματα ελέγχου. Η σωστή επιλογή εξασφαλίζει ακριβή παρακολούθηση:

Για συνεχή δεδομένα (μετρήσεις όπως μήκος, βάρος, θερμοκρασία), το διάγραμμα X̄-R είναι πιο συνηθισμένο. Συλλέγετε υποομάδες δειγμάτων, σχεδιάζετε τον μέσο (X̄) σε ένα διάγραμμα και το εύρος (R) σε άλλο. Μαζί, παρακολουθούν τόσο την κεντρικότητα όσο και τη μεταβλητότητα της διαδικασίας.

Υπολογισμός Ορίων Ελέγχου

Τα όρια ελέγχου ορίζουν τα σύνορα της αναμενόμενης μεταβλητότητας. Τίθενται σε ±3 τυπικές αποκλίσεις από τη γραμμή κέντρου, καλύπτοντας το 99,73% των σημείων όταν η διαδικασία βρίσκεται υπό έλεγχο:

Για ένα διάγραμμα X̄ με τη μέθοδο εύρους, οι τύποι γίνονται:

Όπου X̿ είναι ο γενικός μέσος, R̄ το μέσο εύρος και A₂ μια σταθερά που εξαρτάται από το μέγεθος υποομάδας (π.χ. A₂ = 0,577 για n=5).

Σταθερές Ορίων Ελέγχου

Κανόνες Western Electric για Ανίχνευση Προβλημάτων

Ένα μεμονωμένο σημείο εκτός ορίων ελέγχου δεν είναι το μόνο σημάδι προβλήματος. Οι κανόνες Western Electric ανιχνεύουν λεπτότερα μοτίβα διαιρώντας το διάγραμμα σε ζώνες βασισμένες σε τυπικές αποκλίσεις:

• Ζώνη C:Εντός 1σ από τη γραμμή κέντρου
• Ζώνη B:Μεταξύ 1σ και 2σ από το κέντρο
• Ζώνη A:Μεταξύ 2σ και 3σ από το κέντρο

Οι Τέσσερις Βασικοί Κανόνες

Αναγνώριση Κοινών Μοτίβων

Οι έμπειροι επαγγελματίες μαθαίνουν να αναγνωρίζουν οπτικά μοτίβα που υποδεικνύουν συγκεκριμένα προβλήματα:

Υλοποίηση σε Python

Δημιουργία διαγράμματος ελέγχου X̄-R με αυτόματο έλεγχο κανόνων:

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)