Kontrol Grafikleri ve Süreç Kontrolü

İstatistiksel Süreç Kontrolü: Kalitenin Temeli

Kontrol grafikleri, zaman içinde süreç istikrarını izlemek için standart sapmayı kullanan istatistiksel süreç kontrolünün (İSK) temel taşıdır. 1920’lerde Bell Labs’ta Walter Shewhart tarafından geliştirilen bu güçlü araçlar, yaygın neden varyasyonunu (sürece özgü) özel neden varyasyonundan (müdahale gerektiren sorunları gösteren) ayırt eder.

Kontrol grafiklerinin dehası basitliklerinde yatar: ölçümlerinizi zaman içinde çizin, standart sapmaya dayalı kontrol limitleri ekleyin ve sorun işareti veren noktaları veya kalıpları izleyin. Bu gerçek zamanlı izleme, kusurları sonradan muayene yoluyla yakalamak yerine oluşmadan önce engeller.

Modern üretim, sağlık ve hizmet endüstrileri kaliteyi sürdürmek için kontrol grafiklerine güvenir. Nanometre hassasiyeti gerektiren yarı iletken üretiminden hastane enfeksiyon oranlarına kadar İSK, süreç iyileştirme için evrensel bir çerçeve sunar.

Kontrol Grafiği Türleri

Farklı veri türleri farklı kontrol grafikleri gerektirir. Doğru grafiği seçmek, hassas süreç izlemeyi sağlar:

Sürekli veriler (uzunluk, ağırlık, sıcaklık gibi ölçümler) için X̄-R grafiği en yaygındır. Örneklem alt grupları toplar, ortalamasını (X̄) bir grafikte, aralığını (R) diğerinde çizersiniz. Birlikte hem süreç merkezlemeyi hem de değişkenliği izlerler.

Kontrol Limitlerini Hesaplama

Kontrol limitleri beklenen varyasyonun sınırlarını tanımlar. Merkez çizgiden ±3 standart sapma olarak belirlenir ve süreç kontrol altında olduğunda noktaların %99,73’ünü yakalar:

Aralık yöntemini kullanan bir X̄ grafiği için formüller şöyle olur:

Burada X̿ genel ortalama, R̄ ortalama aralık ve A₂ alt grup büyüklüğüne bağlı bir sabittir (ör. n=5 için A₂ = 0,577).

Kontrol Limiti Sabitleri

Sorun Tespiti İçin Western Electric Kuralları

Kontrol limitleri dışındaki tek bir nokta sorunun tek işareti değildir. Western Electric kuralları, grafiği standart sapmalara dayalı bölgelere ayırarak daha ince kalıpları tespit eder:

• Bölge C:Merkez çizgiden 1σ içinde
• Bölge B:Merkezden 1σ ile 2σ arasında
• Bölge A:Merkezden 2σ ile 3σ arasında

Dört Temel Kural

Yaygın Kalıpları Tanıma

Deneyimli uygulayıcılar belirli sorunlara işaret eden görsel kalıpları tanımayı öğrenirler:

Python Uygulaması

Otomatik kural kontrolü ile bir X̄-R kontrol grafiği oluşturun:

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)