Szabályozókártyák és folyamatszabályozás

Statisztikai folyamatszabályozás: a minőség alapja

A szabályozókártyák a statisztikai folyamatszabályozás (SPC) sarokkövei, amelyek a szórást használják a folyamatok stabilitásának időbeli nyomon követésére. Walter Shewhart fejlesztette ki a Bell Labs-nál az 1920-as években, és ezek a hatékony eszközök különbséget tesznek a véletlen okú variáció (a folyamat sajátja) és a rendkívüli okú variáció (figyelmet igénylő problémára utal) között.

A szabályozókártyák zsenialitása egyszerűségükben rejlik: ábrázold a méréseidet időben, adj hozzá szóráson alapuló szabályozási határokat, és figyeld a problémára utaló pontokat vagy mintázatokat. Ez a valós idejű monitoring megelőzi a hibákat ahelyett, hogy utólagos ellenőrzéssel fedezné fel őket.

A modern gyártás, egészségügy és szolgáltatóipar egyaránt szabályozókártyákra támaszkodik a minőség fenntartásában. A nanométeres pontosságot igénylő félvezetőgyártástól a kórházi fertőzési arányokig az SPC univerzális keretrendszert biztosít a folyamatjavításhoz.

A szabályozókártyák típusai

Különböző adattípusok különböző szabályozókártyákat igényelnek. A megfelelő kártya kiválasztása biztosítja a pontos folyamatfigyelést:

Folytonos adatoknál (olyan mérések, mint a hossz, tömeg, hőmérséklet) az X̄-R kártya a legelterjedtebb. Alcsoportokat gyűjtesz a mintákból, az átlagot (X̄) az egyik, a terjedelmet (R) a másik kártyán ábrázolod. Együttesen figyelik mind a folyamat középpontját, mind a változékonyságot.

A szabályozási határok kiszámítása

A szabályozási határok az elvárt variáció kereteit jelölik ki. ±3 szórásnyi távolságra vannak a középvonaltól, lefedve a pontok 99,73%-át, amikor a folyamat szabályozott:

X̄ kártya esetén a terjedelem módszerrel a képletek a következőképpen alakulnak:

Ahol X̿ a főátlag, R̄ az átlagos terjedelem, és A₂ egy alcsoportmérettől függő konstans (pl. A₂ = 0,577 ha n=5).

Szabályozási határ konstansok

Western Electric szabályok a problémák felismerésére

Nem csak a szabályozási határokon kívüli pont jelzi a problémát. A Western Electric szabályok finomabb mintázatokat is felismernek azáltal, hogy a kártyát szórás alapú zónákra osztják:

• C zóna:A középvonaltól számított 1σ-n belül
• B zóna:1σ és 2σ között a középponttól
• A zóna:2σ és 3σ között a középponttól

A négy alapszabály

Gyakori mintázatok felismerése

A tapasztalt szakemberek megtanulják felismerni az adott problémákra utaló vizuális mintázatokat:

Python implementáció

X̄-R szabályozókártya létrehozása automatikus szabályellenőrzéssel:

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)