Styrdiagram och statistisk processtyrning

Statistisk processtyrning: Grunden för kvalitet

Styrdiagram utgör hörnstenen i statistisk processtyrning (SPC) och använder standardavvikelse för att övervaka processstabilitet över tid. Dessa kraftfulla verktyg utvecklades av Walter Shewhart vid Bell Labs på 1920-talet och skiljer mellan slumpmässig variation (inneboende i processen) och systematisk variation (som indikerar problem som behöver åtgärdas).

Styrdiagrammens genialitet ligger i deras enkelhet: plotta dina mätningar över tid, lägg till styrgränser baserade på standardavvikelse och håll utkik efter punkter eller mönster som signalerar avvikelser. Denna realtidsövervakning förebygger defekter innan de uppstår, istället för att fånga dem genom inspektion i efterhand.

Modern tillverkning, sjukvård och tjänstesektorn förlitar sig på styrdiagram för att upprätthålla kvalitet. Från halvledartillverkning som kräver nanometerprecision till sjukhusinfektionstal – SPC ger ett universellt ramverk för processförbättring.

Typer av styrdiagram

Olika datatyper kräver olika styrdiagram. Att välja rätt diagram säkerställer korrekt processövervakning:

För kontinuerliga data (mätningar som längd, vikt, temperatur) är X̄-R-diagrammet vanligast. Man samlar in delgrupper av stickprov, plottar medelvärdet (X̄) i ett diagram och variationsvidden (R) i ett annat. Tillsammans övervakar de både processcentrering och variabilitet.

Beräkning av styrgränser

Styrgränser definierar gränserna för förväntad variation. De sätts vid ±3 standardavvikelser från centerlinjen och fångar 99,73 % av punkterna när processen är under kontroll:

För ett X̄-diagram som använder variationsviddmetoden blir formlerna:

Där X̿ är totalmedelvärdet, R̄ är den genomsnittliga variationsvidden och A₂ är en konstant beroende på delgruppsstorlek (t.ex. A₂ = 0,577 för n=5).

Konstanter för styrgränser

Western Electric-regler för att upptäcka problem

En enskild punkt utanför styrgränserna är inte den enda signalen om problem. Western Electric-reglerna upptäcker mer subtila mönster genom att dela in diagrammet i zoner baserade på standardavvikelser:

• Zon C:Inom 1σ från centerlinjen
• Zon B:Mellan 1σ och 2σ från center
• Zon A:Mellan 2σ och 3σ från center

De fyra primära reglerna

Identifiering av vanliga mönster

Erfarna utövare lär sig känna igen visuella mönster som indikerar specifika problem:

Python-implementering

Skapa ett X̄-R-styrdiagram med automatisk regelkontroll:

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)