नियंत्रण चार्ट और प्रक्रिया नियंत्रण

सांख्यिकीय प्रक्रिया नियंत्रण: गुणवत्ता की नींव

नियंत्रण चार्ट सांख्यिकीय प्रक्रिया नियंत्रण (SPC) की आधारशिला हैं, जो समय के साथ प्रक्रिया स्थिरता की निगरानी के लिए मानक विचलन का उपयोग करते हैं। 1920 के दशक में बेल लैब्स में वॉल्टर शेवार्ट द्वारा विकसित, ये शक्तिशाली उपकरण सामान्य कारण विचरण (प्रक्रिया में अंतर्निहित) और विशेष कारण विचरण (ध्यान देने योग्य समस्याओं का संकेत) के बीच अंतर करते हैं।

नियंत्रण चार्ट की प्रतिभा उनकी सरलता में है: अपने मापों को समय के साथ प्लॉट करें, मानक विचलन पर आधारित नियंत्रण सीमाएँ जोड़ें, और ऐसे बिंदुओं या पैटर्न पर नज़र रखें जो समस्या का संकेत दें। यह वास्तविक समय निगरानी दोषों को होने से पहले रोकती है, बजाय निरीक्षण के बाद उन्हें पकड़ने के।

आधुनिक विनिर्माण, स्वास्थ्य सेवा और सेवा उद्योग गुणवत्ता बनाए रखने के लिए नियंत्रण चार्ट पर निर्भर करते हैं। नैनोमीटर सटीकता की आवश्यकता वाले सेमीकंडक्टर निर्माण से लेकर अस्पताल संक्रमण दरों तक, SPC प्रक्रिया सुधार के लिए एक सार्वभौमिक ढाँचा प्रदान करता है।

नियंत्रण चार्ट के प्रकार

विभिन्न डेटा प्रकारों को विभिन्न नियंत्रण चार्ट की आवश्यकता होती है। सही चार्ट चुनना सटीक प्रक्रिया निगरानी सुनिश्चित करता है:

सतत डेटा (लंबाई, वज़न, तापमान जैसे माप) के लिए, X̄-R चार्ट सबसे आम है। आप प्रतिदर्शों के उपसमूह एकत्र करते हैं, एक चार्ट पर औसत (X̄) और दूसरे पर परिसर (R) प्लॉट करते हैं। साथ मिलकर, वे प्रक्रिया केंद्रण और परिवर्तनशीलता दोनों की निगरानी करते हैं।

नियंत्रण सीमाओं की गणना

नियंत्रण सीमाएँ अपेक्षित विचरण की सीमाएँ परिभाषित करती हैं। वे केंद्र रेखा से ±3 मानक विचलन पर निर्धारित की जाती हैं, जब प्रक्रिया नियंत्रण में हो तो 99.73% बिंदुओं को पकड़ती हैं:

परिसर विधि का उपयोग करके X̄ चार्ट के लिए, सूत्र बनते हैं:

जहाँ X̿ महा माध्य है, R̄ औसत परिसर है, और A₂ उपसमूह आकार पर निर्भर एक स्थिरांक है (जैसे n=5 के लिए A₂ = 0.577)।

नियंत्रण सीमा स्थिरांक

समस्याओं का पता लगाने के लिए वेस्टर्न इलेक्ट्रिक नियम

नियंत्रण सीमाओं के बाहर एक अकेला बिंदु ही समस्या का एकमात्र संकेत नहीं है। वेस्टर्न इलेक्ट्रिक नियम चार्ट को मानक विचलनों पर आधारित ज़ोन में विभाजित करके सूक्ष्म पैटर्न का पता लगाते हैं:

• ज़ोन C:केंद्र रेखा से 1σ के भीतर
• ज़ोन B:केंद्र से 1σ और 2σ के बीच
• ज़ोन A:केंद्र से 2σ और 3σ के बीच

चार प्राथमिक नियम

सामान्य पैटर्न पहचानना

अनुभवी पेशेवर ऐसे दृश्य पैटर्न पहचानना सीखते हैं जो विशिष्ट समस्याओं का संकेत देते हैं:

Python कार्यान्वयन

स्वचालित नियम जाँच के साथ X̄-R नियंत्रण चार्ट बनाएँ:

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)