Karty kontrolne i sterowanie procesem

Statystyczne sterowanie procesem: fundament jakości

Karty kontrolne są kamieniem węgielnym statystycznego sterowania procesem (SPC), wykorzystującym odchylenie standardowe do monitorowania stabilności procesu w czasie. Opracowane przez Waltera Shewharta w Bell Labs w latach 20. XX wieku, te potężne narzędzia rozróżniają między zmiennością przyczyn wspólnych (nieodłączną częścią procesu) a zmiennością przyczyn specjalnych (wskazującą na problemy wymagające uwagi).

Geniusz kart kontrolnych tkwi w ich prostocie: wykreśl pomiary w czasie, dodaj granice kontrolne oparte na odchyleniu standardowym i obserwuj punkty lub wzorce sygnalizujące problemy. Takie monitorowanie w czasie rzeczywistym zapobiega defektom, zanim powstaną, zamiast wychwytywać je przez inspekcję ex post.

Współczesna produkcja, ochrona zdrowia i sektory usługowe polegają na kartach kontrolnych w utrzymaniu jakości. Od produkcji półprzewodników wymagającej precyzji nanometrowej po wskaźniki zakażeń szpitalnych, SPC zapewnia uniwersalne ramy doskonalenia procesów.

Rodzaje kart kontrolnych

Różne typy danych wymagają różnych kart kontrolnych. Wybór właściwej karty zapewnia dokładne monitorowanie procesu:

Dla danych ciągłych (pomiary takie jak długość, waga, temperatura) najczęstsza jest karta X̄-R. Zbierasz podgrupy prób, wykreślasz średnią (X̄) na jednej karcie i rozstęp (R) na drugiej. Razem monitorują zarówno wycentrowanie procesu, jak i zmienność.

Wyznaczanie granic kontrolnych

Granice kontrolne definiują zakres oczekiwanej zmienności. Ustawia się je na ±3 odchylenia standardowe od linii centralnej, obejmując 99,73% punktów, gdy proces jest pod kontrolą:

Dla karty X̄ metodą rozstępu wzory przyjmują postać:

Gdzie X̿ to wielka średnia, R̄ to średni rozstęp, a A₂ to stała zależna od wielkości podgrupy (np. A₂ = 0,577 dla n=5).

Stałe granic kontrolnych

Reguły Western Electric do wykrywania problemów

Pojedynczy punkt poza granicami kontrolnymi to nie jedyny sygnał problemów. Reguły Western Electric wykrywają subtelniejsze wzorce, dzieląc kartę na strefy oparte na odchyleniach standardowych:

• Strefa C:W obrębie 1σ od linii centralnej
• Strefa B:Między 1σ a 2σ od centrum
• Strefa A:Między 2σ a 3σ od centrum

Cztery podstawowe reguły

Rozpoznawanie typowych wzorców

Doświadczeni praktycy uczą się rozpoznawać wizualne wzorce wskazujące na konkretne problemy:

Implementacja w Pythonie

Utwórz kartę kontrolną X̄-R z automatycznym sprawdzaniem reguł:

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)