Diagrame de control și controlul proceselor

Controlul statistic al proceselor: fundamentul calității

Diagramele de control sunt piatra de temelie a controlului statistic al proceselor (SPC), utilizând deviația standard pentru a monitoriza stabilitatea procesului în timp. Dezvoltate de Walter Shewhart la Bell Labs în anii 1920, aceste instrumente puternice disting între variația din cauze comune (inerentă procesului) și variația din cauze speciale (care indică probleme ce necesită atenție).

Geniulitatea diagramelor de control rezidă în simplitatea lor: trasezi măsurătorile în timp, adaugi limite de control bazate pe deviația standard și urmărești punctele sau tiparele care semnalează probleme. Această monitorizare în timp real previne defectele înainte de a apărea, în loc să le descopere prin inspecție ulterioară.

Industria modernă de producție, sănătatea și serviciile se bazează pe diagrame de control pentru menținerea calității. De la fabricarea semiconductorilor care necesită precizie de nanometri până la ratele de infecții din spitale, SPC oferă un cadru universal pentru îmbunătățirea proceselor.

Tipuri de diagrame de control

Tipuri diferite de date necesită diagrame de control diferite. Alegerea diagramei potrivite asigură monitorizarea precisă a procesului:

Pentru date continue (măsurători precum lungime, greutate, temperatură), diagrama X̄-R este cea mai utilizată. Colectezi subgrupuri de eșantioane, trasezi media (X̄) pe o diagramă și amplitudinea (R) pe alta. Împreună, ele monitorizează atât centrarea procesului, cât și variabilitatea.

Calculul limitelor de control

Limitele de control definesc granițele variației așteptate. Se stabilesc la ±3 deviații standard de la linia centrală, cuprinzând 99,73% din puncte când procesul este sub control:

Pentru o diagramă X̄ folosind metoda amplitudinii, formulele devin:

Unde X̿ este media generală, R̄ este amplitudinea medie, iar A₂ este o constantă care depinde de dimensiunea subgrupului (de ex., A₂ = 0,577 pentru n=5).

Constantele limitelor de control

Regulile Western Electric pentru detectarea problemelor

Un singur punct în afara limitelor de control nu este singurul semnal de alarmă. Regulile Western Electric detectează tipare mai subtile prin împărțirea diagramei în zone bazate pe deviații standard:

• Zona C:În intervalul de 1σ față de linia centrală
• Zona B:Între 1σ și 2σ față de centru
• Zona A:Între 2σ și 3σ față de centru

Cele patru reguli principale

Recunoașterea tiparelor frecvente

Practicienii experimentați învață să recunoască tipare vizuale care indică probleme specifice:

Implementare Python

Crearea unei diagrame de control X̄-R cu verificare automată a regulilor:

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)