Контрольні карти та управління процесами

Статистичне управління процесами: основа якості

Контрольні карти є наріжним каменем статистичного управління процесами (SPC), використовуючи стандартне відхилення для моніторингу стабільності процесу в часі. Розроблені Волтером Шухартом у Bell Labs у 1920-х роках, ці потужні інструменти дозволяють розрізняти загальну варіацію (притаманну процесу) та спеціальну варіацію (що вказує на проблеми, які потребують уваги).

Геніальність контрольних карт полягає в їх простоті: нанесіть вимірювання в часі, додайте контрольні межі на основі стандартного відхилення і стежте за точками чи патернами, що сигналізують про проблеми. Такий моніторинг у реальному часі запобігає дефектам ще до їх появи, а не виявляє їх постфактум через інспекцію.

Сучасне виробництво, охорона здоров’я та сфера послуг покладаються на контрольні карти для підтримки якості. Від виробництва напівпровідників, де потрібна нанометрова точність, до рівня внутрішньолікарняних інфекцій — SPC надає універсальну основу для вдосконалення процесів.

Типи контрольних карт

Різні типи даних вимагають різних контрольних карт. Правильний вибір карти забезпечує точний моніторинг процесу:

Для неперервних даних (вимірювання довжини, ваги, температури) найпоширенішою є карта X̄-R. Ви збираєте підгрупи зразків, наносите середнє (X̄) на одну карту та розмах (R) на іншу. Разом вони відстежують як центрування, так і варіабельність процесу.

Розрахунок контрольних меж

Контрольні межі визначають границі очікуваної варіації. Вони встановлюються на рівні ±3 стандартних відхилення від центральної лінії, охоплюючи 99,73% точок, коли процес перебуває під контролем:

Для карти X̄ із використанням методу розмаху формули набувають вигляду:

Де X̿ — загальне середнє, R̄ — середній розмах, а A₂ — константа, що залежить від розміру підгрупи (наприклад, A₂ = 0,577 для n=5).

Константи контрольних меж

Правила Western Electric для виявлення проблем

Одна точка за контрольними межами — не єдиний сигнал проблеми. Правила Western Electric виявляють тонші патерни, поділяючи карту на зони на основі стандартних відхилень:

• Зона C:У межах 1σ від центральної лінії
• Зона B:Між 1σ та 2σ від центру
• Зона A:Між 2σ та 3σ від центру

Чотири основні правила

Розпізнавання типових патернів

Досвідчені фахівці навчаються розпізнавати візуальні патерни, що вказують на конкретні проблеми:

Реалізація на Python

Побудова контрольної карти X̄-R з автоматичною перевіркою 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)