แผนภูมิควบคุมและการควบคุมกระบวนการ

การควบคุมกระบวนการทางสถิติ: รากฐานของคุณภาพ

แผนภูมิควบคุม เป็นหัวใจของการควบคุมกระบวนการทางสถิติ (SPC) โดยใช้ส่วนเบี่ยงเบนมาตรฐานเพื่อเฝ้าติดตามความเสถียรของกระบวนการตลอดเวลา พัฒนาโดย Walter Shewhart ที่ Bell Labs ในทศวรรษ 1920 เครื่องมืออันทรงพลังเหล่านี้แยกแยะระหว่างความแปรผันจากสาเหตุทั่วไป (ธรรมชาติของกระบวนการ) กับความแปรผันจากสาเหตุพิเศษ (บ่งชี้ปัญหาที่ต้องแก้ไข)

ความเฉลียวฉลาดของแผนภูมิควบคุมอยู่ที่ความเรียบง่าย: พล็อตค่าที่วัดได้ตามเวลา เพิ่มขอบเขตควบคุมตามส่วนเบี่ยงเบนมาตรฐาน แล้วสังเกตจุดหรือรูปแบบที่ส่งสัญญาณปัญหา การเฝ้าติดตามแบบเรียลไทม์นี้ป้องกันข้อบกพร่องก่อนเกิดขึ้น แทนที่จะจับได้จากการตรวจสอบภายหลัง

อุตสาหกรรมการผลิต สาธารณสุข และบริการสมัยใหม่อาศัยแผนภูมิควบคุมในการรักษาคุณภาพ ตั้งแต่การผลิตเซมิคอนดักเตอร์ที่ต้องการความแม่นยำระดับนาโนเมตร ไปจนถึงอัตราการติดเชื้อในโรงพยาบาล SPC ให้กรอบงานสากลสำหรับการปรับปรุงกระบวนการ

ประเภทของแผนภูมิควบคุม

ข้อมูลประเภทต่างๆ ต้องการแผนภูมิควบคุมที่แตกต่างกัน การเลือกแผนภูมิที่ถูกต้องช่วยให้เฝ้าติดตามกระบวนการได้อย่างแม่นยำ:

สำหรับข้อมูลต่อเนื่อง (การวัดเช่น ความยาว น้ำหนัก อุณหภูมิ) แผนภูมิ X̄-R เป็นที่นิยมมากที่สุด คุณเก็บกลุ่มย่อยของตัวอย่าง พล็อตค่าเฉลี่ย (X̄) บนแผนภูมิหนึ่งและพิสัย (R) บนอีกแผนภูมิ ทั้งสองร่วมกันเฝ้าติดตามทั้งจุดศูนย์กลางและความแปรผันของกระบวนการ

การคำนวณขอบเขตควบคุม

ขอบเขตควบคุมกำหนดขอบเขตของความแปรผันที่คาดหวัง กำหนดที่ ±3 ส่วนเบี่ยงเบนมาตรฐานจากเส้นกลาง จับ 99.73% ของจุดเมื่อกระบวนการอยู่ในการควบคุม:

สำหรับแผนภูมิ X̄ โดยใช้วิธีพิสัย สูตรจะเป็น:

โดยที่ X̿ คือค่าเฉลี่ยรวม R̄ คือพิสัยเฉลี่ย และ A₂ คือค่าคงที่ที่ขึ้นกับขนาดกลุ่มย่อย (เช่น A₂ = 0.577 สำหรับ n=5)

ค่าคงที่ขอบเขตควบคุม

กฎ Western Electric สำหรับตรวจจับปัญหา

จุดเดียวนอกขอบเขตควบคุมไม่ใช่สัญญาณเดียวของปัญหา กฎ Western Electric ตรวจจับรูปแบบที่ละเอียดกว่าโดยแบ่งแผนภูมิเป็นโซนตามส่วนเบี่ยงเบนมาตรฐาน:

• โซน C:ภายใน 1σ จากเส้นกลาง
• โซน B:ระหว่าง 1σ ถึง 2σ จากจุดศูนย์กลาง
• โซน A:ระหว่าง 2σ ถึง 3σ จากจุดศูนย์กลาง

กฎหลักสี่ข้อ

การจดจำรูปแบบที่พบบ่อย

ผู้ปฏิบัติงานที่มีประสบการณ์เรียนรู้การจดจำรูปแบบภาพที่บ่งชี้ปัญหาเฉพาะ:

การนำไปใช้ด้วย Python

สร้างแผนภูมิควบคุม X̄-R พร้อมการตรวจสอบกฎอัตโนมัติ:

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)