Gráficos de Controle e Controle Estatístico de Processos

Controle Estatístico de Processos: A Base da Qualidade

Os gráficos de controle são a pedra angular do controle estatístico de processos (CEP), usando desvio padrão para monitorar a estabilidade de processos ao longo do tempo. Desenvolvidos por Walter Shewhart nos Laboratórios Bell na década de 1920, essas ferramentas poderosas distinguem entre variação de causa comum (inerente ao processo) e variação de causa especial (indicando problemas que precisam de atenção).

A genialidade dos gráficos de controle está na sua simplicidade: plote suas medições ao longo do tempo, adicione limites de controle baseados no desvio padrão e observe pontos ou padrões que sinalizam problemas. Esse monitoramento em tempo real previne defeitos antes que ocorram, em vez de detectá-los por inspeção posterior.

A manufatura moderna, a saúde e as indústrias de serviços dependem de gráficos de controle para manter a qualidade. Desde a fabricação de semicondutores que exige precisão de nanômetros até as taxas de infecção hospitalar, o CEP fornece uma estrutura universal para melhoria de processos.

Tipos de Gráficos de Controle

Diferentes tipos de dados requerem diferentes gráficos de controle. Escolher o gráfico correto garante um monitoramento preciso do processo:

Para dados contínuos (medições como comprimento, peso, temperatura), o gráfico X̄-R é o mais comum. Você coleta subgrupos de amostras, plota a média (X̄) em um gráfico e a amplitude (R) em outro. Juntos, eles monitoram tanto a centralização quanto a variabilidade do processo.

Calculando Limites de Controle

Os limites de controle definem as fronteiras da variação esperada. São definidos a ±3 desvios padrões da linha central, capturando 99,73% dos pontos quando o processo está sob controle:

Para um gráfico X̄ usando o método da amplitude, as fórmulas se tornam:

Onde X̿ é a grande média, R̄ é a amplitude média e A₂ é uma constante que depende do tamanho do subgrupo (ex.: A₂ = 0,577 para n=5).

Constantes dos Limites de Controle

Regras Western Electric para Detectar Problemas

Um único ponto fora dos limites de controle não é o único sinal de problema. As regras Western Electric detectam padrões mais sutis dividindo o gráfico em zonas baseadas em desvios padrões:

• Zona C:Dentro de 1σ da linha central
• Zona B:Entre 1σ e 2σ do centro
• Zona A:Entre 2σ e 3σ do centro

As Quatro Regras Principais

Reconhecendo Padrões Comuns

Profissionais experientes aprendem a reconhecer padrões visuais que indicam problemas específicos:

Implementação em Python

Crie um gráfico de controle X̄-R com verificação automática de regras:

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)