Carte di controllo e controllo statistico di processo

Controllo statistico di processo: il fondamento della qualità

Le carte di controllo sono la pietra angolare del controllo statistico di processo (SPC), e utilizzano la deviazione standard per monitorare la stabilità del processo nel tempo. Sviluppate da Walter Shewhart ai Bell Labs negli anni ’20, questi potenti strumenti distinguono tra variazione da cause comuni (intrinseca al processo) e variazione da cause speciali (che indica problemi da affrontare).

La genialità delle carte di controllo risiede nella loro semplicità: si tracciano le misurazioni nel tempo, si aggiungono limiti di controllo basati sulla deviazione standard e si osservano punti o pattern che segnalano problemi. Questo monitoraggio in tempo reale previene i difetti prima che si verifichino, anziché individuarli attraverso l’ispezione successiva.

La produzione moderna, la sanità e il settore dei servizi si affidano alle carte di controllo per mantenere la qualità. Dalla fabbricazione di semiconduttori che richiede precisione nanometrica ai tassi di infezione ospedaliera, l’SPC fornisce un quadro universale per il miglioramento dei processi.

Tipi di carte di controllo

Tipi di dati diversi richiedono carte di controllo diverse. Scegliere la carta giusta garantisce un monitoraggio accurato del processo:

Per dati continui (misurazioni come lunghezza, peso, temperatura), la carta X̄-R è la più comune. Si raccolgono sottogruppi di campioni, si traccia la media (X̄) su una carta e il range (R) su un’altra. Insieme, monitorano sia il centraggio che la variabilità del processo.

Calcolo dei limiti di controllo

I limiti di controllo definiscono i confini della variazione attesa. Sono fissati a ±3 deviazioni standard dalla linea centrale, catturando il 99,73% dei punti quando il processo è sotto controllo:

Per una carta X̄ con il metodo del range, le formule diventano:

Dove X̅̅ è la media generale, R̄ è il range medio e A₂ è una costante che dipende dalla dimensione del sottogruppo (es. A₂ = 0,577 per n=5).

Costanti per i limiti di controllo

Regole Western Electric per rilevare i problemi

Un singolo punto fuori dai limiti di controllo non è l’unico segnale di problema. Le regole Western Electric rilevano pattern più sottili dividendo la carta in zone basate sulle deviazioni standard:

• Zona C:Entro 1σ dalla linea centrale
• Zona B:Tra 1σ e 2σ dal centro
• Zona A:Tra 2σ e 3σ dal centro

Le quattro regole principali

Riconoscere i pattern comuni

I professionisti esperti imparano a riconoscere pattern visivi che indicano problemi specifici:

Implementazione in Python

Creare una carta di controllo X̄-R con verifica automatica delle regole:

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)