Mga Control Chart at Process Control

Statistical Process Control: Ang Pundasyon ng Kalidad

Ang control charts ang pundasyon ng statistical process control (SPC), na gumagamit ng standard deviation upang subaybayan ang katatagan ng proseso sa paglipas ng panahon. Binuo ni Walter Shewhart sa Bell Labs noong dekada 1920, ang mga makapangyarihang tool na ito ay nagtatangi sa pagitan ng common cause variation (likas sa proseso) at special cause variation (nagpapahiwatig ng mga problemang kailangang aksyunan).

Ang kagalingan ng control charts ay nasa kanilang kasimplihan: i-plot ang mga sukat mo sa paglipas ng panahon, magdagdag ng control limits batay sa standard deviation, at bantayan ang mga punto o pattern na nagse-senyas ng problema. Ang real-time monitoring na ito ay pumipigil sa mga depekto bago mangyari ang mga ito, sa halip na mahuli lamang sa pamamagitan ng inspeksyon pagkatapos.

Ang modernong manufacturing, healthcare, at mga industriya ng serbisyo ay umaasa sa control charts upang mapanatili ang kalidad. Mula sa semiconductor fabrication na nangangailangan ng nanometer precision hanggang sa infection rates sa ospital, nagbibigay ang SPC ng universal na framework para sa process improvement.

Mga Uri ng Control Charts

Nangangailangan ng iba't ibang control charts ang iba't ibang uri ng data. Ang pagpili ng tamang chart ay nagti-tiyak ng tumpak na proseso ng pagsubaybay:

Para sa continuous data (mga sukat tulad ng haba, timbang, temperatura), ang X̄-R chart ang pinakakaraniwan. Nangongolekta ka ng subgroups ng mga sample, ini-plot ang average (X̄) sa isang chart at ang range (R) sa isa pa. Sama-sama, sinusubaybayan nila ang parehong process centering at variability.

Pagkalkula ng Control Limits

Ang control limits ang tumutukoy sa mga hangganan ng inaasahang variation. Itinakda ang mga ito sa ±3 standard deviations mula sa center line, na kumukuha ng 99.73% ng mga punto kapag nasa kontrol ang proseso:

Para sa isang X̄ chart gamit ang range method, ang mga formula ay nagiging:

Kung saan X̿ ang grand mean, R̄ ang average range, at A₂ ay isang constant na depende sa laki ng subgroup (hal., A₂ = 0.577 para sa n=5).

Mga Control Limit Constants

Western Electric Rules para sa Pagtukoy ng mga Problema

Hindi lang ang isang punto sa labas ng control limits ang senyales ng problema. Ang Western Electric rules ay nagtutukoy ng mas banayad na mga pattern sa pamamagitan ng paghahati ng chart sa mga zone batay sa standard deviations:

• Zone C:Sa loob ng 1σ mula sa center line
• Zone B:Sa pagitan ng 1σ at 2σ mula sa center
• Zone A:Sa pagitan ng 2σ at 3σ mula sa center

Ang Apat na Pangunahing Panuntunan

Pagkilala sa mga Karaniwang Pattern

Natututo ang mga bihasang practitioner na kilalanin ang mga visual pattern na nagpapahiwatig ng mga partikular na problema:

Python Implementation

Gumawa ng X̄-R control chart na may automatic rule checking:

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)