תרשימי בקרה ובקרת תהליכים

בקרת תהליכים סטטיסטית: הבסיס לאיכות

תרשימי בקרה הם אבן הפינה של בקרת תהליכים סטטיסטית (SPC), המשתמשים בסטיית תקן כדי לנטר את יציבות התהליך לאורך זמן. פותחו על ידי וולטר שוהארט במעבדות בל בשנות ה-20, כלים רבי עוצמה אלה מבדילים בין שונות מסיבה שגרתית (טבועה בתהליך) לבין שונות מסיבה מיוחדת (המצביעה על בעיות הדורשות טיפול).

הגאונות של תרשימי בקרה טמונה בפשטותם: סרטטו את המדידות שלכם לאורך זמן, הוסיפו גבולות בקרה המבוססים על סטיית תקן, ועקבו אחר נקודות או דפוסים המסמנים בעיה. ניטור בזמן אמת זה מונע פגמים לפני שהם מתרחשים, במקום לתפוס אותם באמצעות בדיקה בדיעבד.

ייצור מודרני, שירותי בריאות ותעשיות שירות מסתמכים על תרשימי בקרה לשמירה על איכות. מייצור מוליכים למחצה הדורש דיוק בסקאלת ננומטר ועד לשיעורי זיהום בבתי חולים, SPC מספקת מסגרת אוניברסלית לשיפור תהליכים.

סוגי תרשימי בקרה

סוגי נתונים שונים דורשים תרשימי בקרה שונים. בחירת התרשים הנכון מבטיחה ניטור מדויק של התהליך:

לנתונים רציפים (מדידות כמו אורך, משקל, טמפרטורה), תרשים X̄-R הוא הנפוץ ביותר. אוספים תת-קבוצות של דגימות, מסרטטים את הממוצע (X̄) על תרשים אחד ואת הטווח (R) על תרשים אחר. יחד, הם מנטרים הן את מיקום התהליך והן את השונות שלו.

חישוב גבולות בקרה

גבולות הבקרה מגדירים את תחום השונות הצפויה. הם מוגדרים ב-±3 סטיות תקן מקו המרכז, ולוכדים 99.73% מהנקודות כאשר התהליך תחת שליטה:

לתרשים X̄ בשיטת הטווח, הנוסחאות הן:

כאשר X̿ הוא הממוצע הכללי, R̄ הוא הטווח הממוצע, ו-A₂ הוא קבוע התלוי בגודל תת-הקבוצה (לדוגמה, A₂ = 0.577 עבור n=5).

קבועי גבולות בקרה

כללי ווסטרן אלקטריק לזיהוי בעיות

נקודה בודדת מחוץ לגבולות הבקרה אינה האות היחיד לבעיה. כללי ווסטרן אלקטריק מזהים דפוסים עדינים יותר על ידי חלוקת התרשים לאזורים המבוססים על סטיות תקן:

• אזור C:בתוך 1σ מקו המרכז
• אזור B:בין 1σ ל-2σ מהמרכז
• אזור A:בין 2σ ל-3σ מהמרכז

ארבעת הכללים העיקריים

זיהוי דפוסים נפוצים

מומחים מנוסים לומדים לזהות דפוסים חזותיים המצביעים על בעיות ספציפיות:

מימוש ב-Python

יצירת תרשים בקרה X̄-R עם בדיקת כללים אוטומטית:

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)