Контрольные карты и управление процессами

Статистическое управление процессами: основа качества

Контрольные карты — краеугольный камень статистического управления процессами (SPC), использующий стандартное отклонение для мониторинга стабильности процесса. Разработанные Уолтером Шухартом в Bell Labs в 1920-х годах, эти инструменты позволяют различать общую причину вариации (присущую процессу) и особую причину вариации (указывающую на проблемы, требующие внимания).

Гениальность контрольных карт — в их простоте: нанесите измерения на график по времени, добавьте контрольные пределы на основе стандартного отклонения и следите за точками или паттернами, сигнализирующими о неполадках. Такой мониторинг в реальном времени предотвращает дефекты до их появления, а не выявляет их при инспекции.

Современное производство, здравоохранение и сфера услуг опираются на контрольные карты для поддержания качества. От полупроводниковых фабрик, требующих нанометровой точности, до мониторинга уровня госпитальных инфекций — SPC предоставляет универсальный инструмент улучшения процессов.

Типы контрольных карт

Разные типы данных требуют разных контрольных карт. Правильный выбор карты обеспечивает точный мониторинг процесса:

Для непрерывных данных (измерения длины, массы, температуры) наиболее распространена карта X̄-R. Вы собираете подгруппы образцов, наносите среднее (X̄) на одну карту и размах (R) на другую. Вместе они контролируют как центрирование процесса, так и его вариабельность.

Расчёт контрольных пределов

Контрольные пределы определяют границы ожидаемой вариации. Они устанавливаются на уровне ±3 стандартных отклонений от центральной линии, охватывая 99,73% точек, когда процесс стабилен:

Для карты X̄ с использованием метода размахов формулы принимают вид:

Где X̿ — общее среднее, R̄ — средний размах, а A₂ — константа, зависящая от объёма подгруппы (например, A₂ = 0,577 для n=5).

Константы контрольных пределов

Правила Western Electric для обнаружения проблем

Выход одной точки за контрольные пределы — не единственный сигнал неполадок. Правила Western Electric выявляют более тонкие паттерны, разделяя карту на зоны по стандартным отклонениям:

• Зона C:В пределах 1σ от центральной линии
• Зона B:Между 1σ и 2σ от центра
• Зона A:Между 2σ и 3σ от центра

Четыре основных правила

Распознавание типичных паттернов

Опытные специалисты учатся распознавать визуальные паттерны, указывающие на конкретные проблемы:

Реализация на Python

Создание контрольной карты X̄-R с автоматической проверкой правил:

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)