Uwagi wstępne
Podstawowe karty kontrolne
Analiza zdolności
Tekst ten należy traktować jako drugą część opracowania Statystyka w kompleksowym zarządzaniu jakością.
Sterowanie jakością to wg normy terminologicznej PN-ISO 3534:2 metody i działania stosowane w celu spełnienia wymagań jakościowych. Dziś musimy dodać, iż spełnianie wymagań należy traktować dynamicznie - nie chodzi o wymagania raz na zawsze ustalone przez takie czy inne specyfikacje, lecz o stałą poprawę jakości procesów oraz produktów lub usług. Statystyczne sterowanie jakością to po prostu część sterowania jakością korzystająca z technik statystycznych.
Zadania spełniane w ramach tego działu sterowania jakością można z grubsza podzielić na następujące:
Często analizę zdolności procesu lub maszyny, kontrolę odbiorczą i analizę pomiarów przedstawia się jako części dziedziny SPC. Czyni się tak, ponieważ wszystkie wymienione dziedziny są bezpośrednio związane z analizą zmienności procesu. Z drugiej strony, na przykład wstępna analiza zdolności (por. ostatni rozdział tego opracowania) zawiera również analizę innych charakterystyk procesu, nie tylko jego zmienności.
W dalszym ciągu niniejszego opracowania krótko omówione są karty kontrolne, czyli podstawowe narzędzia SPC, oraz - w jeszcze większym skrócie -- omówiona jest analiza zdolności procesu. Opracowanie nie jest poradnikiem jak z omawianych metod korzystać w praktyce, choć nawiązuje do tego kręgu zagadnień.
| Powrót do spisu treści | |
|||
Ogólne zasady konstrukcji karty:
od linii centralnej (sposób obliczania tej odległości podany jest niżej). Obserwacje pochodzące z procesu stabilnego (w stanie statystycznego uregulowania) pozostają między granicami kontrolnymi. Pojawienie się wyniku obserwacji poza pasem stabilności procesu (zmienności własnej) jest sygnałem. Sygnałem jest także ułożenie się wyników obserwacji w jedną ze specyficznych konfiguracji, mimo że żaden z wyników nie leży poza pasem stabilności (są to tzw. seryjne sygnały rozregulowania).
Są to najczęściej stosowane karty kontrolne.
oblicza się na podstawie rozstępów między dwiema kolejnymi wartościami pojedynczymi. Tak obliczone wartości rozstępu są zawsze nieujemne.
= 2.66 Rśr,
musi być obliczane korzystając z wartości rozstępów, tak jak to wyżej opisano. Nie należy stosować kalkulatora lub komputera obliczającego 3* na podstawie wszystkich danych zebranych w jeden zbiór.
.
. W przypadku karty Xśr-R szacowanie oparte jest na rozstępach w podgrupach, zaś w przypadku karty Xśr-S na próbkowych odchyleniach standardowych w podgrupach.
Wbrew tezie niektórych 'teoretyków', nie jest prawdą, że zdecydowanie się na granice 3-sigmowe było wyłącznie wynikiem zastosowania teorii prawdopodobieństwa, choć wybór ten rzeczywiście był zgodny z ową teorią. Karty Shewharta są oparte nie tylko na teorii, ale i na praktyce. Granice kontrolne mają ścisłą interpretację probabilistyczną, gdy nanoszone na karty wyniki pomiarów są od siebie niezależne i pochodzą z rozkładu normalnego. Ale już Shewhart zdawał sobie sprawę, że niezbyt drastyczne odstępstwa zarówno od założenia niezależności jak i od założenia normalności rozkładu nie mają wpływu na wiarygodność wnioskowania na podstawie jego kart kontrolnych. Trafność podanego wyboru granic kontrolnych ma swoje zasadnicze uzasadnienie nie w teorii prawdopodobieństwa a w praktycznym doświadczeniu pochodzącym z ich stosowania.
Powyższa uwaga nie ma sugerować, że nigdy nie jest celowe stosowanie kart innych typów, wymagających głębszej wiedzy, np. wykorzystujących informację, że dane mają pewien ustalony rozkład prawdopodobieństwa, różny od normalnego. Konieczne jest jednak podkreślenie faktu, że stosowalność omówionych kart kontrolnych wykracza bardzo daleko poza przypadek dysponowania danymi o rozkładzie normalnym.
W opracowaniu Statystyka w kompleksowym zarządzaniu jakością zwróciliśmy już uwagę, że nierozróżnianie zmienności własnej oraz wynikłej z istnienia przyczyn specjalnych prowadzi do jednego z następujących błędów:
Szczególnie często popełniany jest błąd pierwszy. Na przykład kierownictwo organizacji zarządza sprawdzenie tych z dwudziestu jej inwestycji budowlanych, których rzeczywisty budżet okazał się różnić od zaplanowanego o więcej niż 10%. W ogóle się przy tym nie interesuje jaka była naturalna zmienność owych różnic między budżetem zaplanowanym i rzeczywiście poniesionym. I jeżeli naturalna zmienność wynosiła np. *16%, to zalecone sprawdzenie nie ma żadnego sensu (przykład jest autentyczny). Rzecz w tym, że jeżeli w takich warunkach na przykład kierownik jednej inwestycji przekroczył zaplanowany budżet o więcej niż 10%, a mianowicie o 11%, to najprawdopodobniej ta konkretna inwestycja była tak samo typowa jak pozostałych dziewiętnaście i nie ma żadnego powodu, by ją akurat poddawać jakiejś specjalnej analizie. Inna sprawa, że naturalna zmienność rzędu 16% może być uznana za zbyt dużą. Działanie nad jej zmniejszeniem musi się wtedy zacząć od przyjrzenia się wszystkim inwestycjom, dokonania kategoryzacji pojawiających się problemów, by następnie przejść do przeanalizowania możliwości zmiany procesu inwestycyjnego (to jak istotne są różne problemy pomaga ocenić analiza Pareta). Uzasadniona może być też stratyfikacja procesu, np. rozróżnienie między inwestycjami 'małymi' i 'dużymi' (por. Statystyka w kompleksowym zarządzaniu jakością).
Przedstawiona na rysunku karta XmR pochodzi z książki B.L. Joinera, Fourth Generation Management, i dotyczy procentu niezrealizowanych na czas płatności w kolejnych 25 miesiącach. Gdyby nie granice kontrolne, procent niezrealizowanych płatności w miesiącu 25-tym mógłby z łatwością zostać potraktowany jako nietypowy i niepotrzebnie zaczęłoby się śledztwo co też szczególnego się w owym miesiącu zdarzyło.
Modyfikacje granic kontrolnych
Zaliczamy do nich odmiany kart już przedstawionych oraz karty przy ocenie alternatywnej. Spośród tych pierwszych wymienimy tu karty przy nierównych licznościach próbek (podgrup) oraz karty dla krótkich serii. Karty przy nierównych licznościach próbek są po prostu dostosowane do wymienionej sytuacji - gdy liczności kolejnych próbek, dla których oblicza się ich wartości średnie oraz odchylenia standardowe, są różne. Łatwo się zorientować, że karty Xśr-R oraz Xśr-S dają się znakomicie zastosować, gdy mamy do czynienia z produkcją wielkoseryjną. Co jednak czynić, gdy np. na tej samej obrabiarce produkuje się krótkie serie wyrobów podobnych, ale nieidentycznych (np. krótkie serie wałków o różnych średnicach), czyli gdy mamy do czynienia z krótkoseryjną produkcją wieloasortymentową. Granice kontrolne dla oryginalnych danych musiałyby wówczas być obliczane niezależnie dla różnych asortymentów, być może na podstawie zbyt niewielu danych. W podanej sytuacji należy zaproponować taką transformację danych oryginalnych, by dane przeskalowane były porównywalne, mimo że pochodzą z różnych asortymentów. Stosowna transformacja pozwala zbudować jedną kartę kontrolną dla wszystkich danych. Realizację takiego zadania ułatwia użycie kart dla krótkich serii.
Karty kontrolne przy ocenach alternatywnych dotyczą przypadku, gdy oryginalne dane są wynikiem dokonywania ocen alternatywnych 'spełnia lub nie spełnia wymagań' lub mierzenia liczby niezgodności (wad). Ocena alternatywna może np. mieć postać: płatność na czas lub nie, wysyłka na czas lub nie, średnica elementu w granicach tolerancji lub nie. W przypadku płatności i wysyłek ocenianą 'partię' stanowią wszystkie płatności i wysyłki z zadanego okresu, powiedzmy miesiąca. W przypadku oceniania średnicy elementu możemy badać liczbę elementów niezgodnych z wymaganiami w partiach o ustalonej liczności. Liczba niezgodności może np. dotyczyć liczby wad (jednego typu lub różnych typów) odlewu (partii odlewów) albo liczby reklamacji w zadanym przedziale czasu.
Karta Np (karta liczby jednostek niezgodnych) służy do badania liczby elementów nie spełniających wymagań. Na karcie wykreśla się liczbę jednostek (elementów) niezgodnych z wymaganiami w próbkach o stałej liczności. Karta P (karta frakcji jednostek niezgodnych) różni się od karty Np tylko tym, że zamiast liczby jednostek niezgodnych z wymaganiami wykreśla się na niej frakcję (procent) takich jednostek w próbce o zadanej liczności. W przypadku karty P liczności próbek mogą być różne. Jak wszystkie podstawowe karty kontrolne, obydwie karty buduje się podobnie jak karty omówione wcześniej, tyle że punktem wyjścia do obliczeń jest rozkład dwumianowy.
Gdy interesuje nas liczba niezgodności lub wad (na jednostkę, na partię, w zadanym przedziale czasu, na zadanej długości materiału itd.), posługujemy się kartą C (kartą liczby niezgodności). Mamy tu do czynienia z sytuacją jakościowo odmienną od tej, gdy stosuje się kartę Np lub P. Gdy interesuje nas liczba jednostek niezgodnych z wymaganiami w próbce o zadanej liczności, powiedzmy liczności n, wiemy, że jednostek niezgodnych nie może być więcej niż n. Gdy pytamy o liczbę niezgodności, nie umiemy podać górnego ograniczenia na wartość tej liczby. Probabilistyczną podstawę do konstrukcji karty C daje rozkład Poissona.
Karta C nie może być zastosowana, gdy liczności próbek są rożne. Stosujemy wówczas kartę U (kartę liczby niezgodności na jednostkę), na której wykreśla się stosunek liczby wad do liczności próbki (zamiast o stosunku liczby wad do liczności próbki, można by tu także mówić o stosunku liczby wad do długości badanego materiału, czasu badania itd.). Trzeba tu zaznaczyć, że granice kontrolne muszą tym razem być obliczane dla każdej próbki oddzielnie. W rezultacie granice te mają różne wartości dla różnych próbek.
Wybrane karty kontrolne do analizy problemów specjalnych
Nic nie przeszkadza, wręcz przeciwnie, warto zalecić by zastosowaniu dowolnej karty specjalistycznej towarzyszyło skonstruowanie także stosownej karty podstawowej. Różnice w otrzymanych obrazach mogą ułatwić wyciągnięcie najwłaściwszych wniosków. W przypadku trzech pierwszych kart, tzn. kart MA, EWMA i CUSUM, jawnie uwzględnia się, że obserwowane dane mogą nie być niezależne lecz być skorelowane, czyli że faktycznie mogą tworzyć szereg czasowy.
Karta średniej ruchomej (MA): Kartę tę warto stosować, gdy obserwowane średnie charakteryzują się trendem. Karta ta wygładza przebieg wykresu przez wykreślanie w kolejnych chwilach uśrednionej wartości kilku kolejnych średnich próbkowych (zamiast pojedynczej średniej, odpowiadającej próbce z danej chwili). Wygładzenie szybkiej zmienności losowej pozwala łatwiej zauważyć wolnozmienny trend obecny w danych. W obecności trendu, granica kontrolna na karcie MA zostaje często przekroczona prędzej niż na zwykłej karcie Shewharta. Nic nie stoi na przeszkodzie stosowaniu tych kart, gdy dane są pojedyncze, czyli gdy liczność próbek (podgrup) wynosi jeden (średnia "próbki" jest wówczas po prostu równa zaobserwowanej w danej chwili wartości).
Karta wykładniczo ważonych średnich ruchomych (EWMA): Jest to karta o podobnym działaniu do karty MA. Zamiast średniej z kilku średnich bierze się tu pod uwagę wszystkie wcześniejsze średnie z wykładniczo malejącymi wagami. Kolejny, i-ty punkt wykresu obliczany jest ze wzoru:
przyjmuje ustaloną wartość między 0 a 1. Karta ta bywa czulsza od karty MA, zwłaszcza, gdy zmiany średniej są małe oraz gdy dane są pojedyncze.
Karta sum skumulowanych (CUSUM): Mówiąc ogólnie, na karcie wykreśla się (skumulowaną do chwili bieżącej) sumę odchyłek średnich próbkowych od wartości odniesienia, np. od wartości docelowej (nominalnej) analizowanego parametru lub od średniej ogólnej procesu. Jest to karta zaprojektowana tak, by wykryć trwałe przesunięcie średnich próbkowych. Karta ta wykrywa także trend, podobnie jak karta MA. Projektując kartę CUSUM, jej granice kontrolne ustala się tak, by uzyskać zadane prawdopodobieństwo fałszywego alarmu oraz zadane prawdopodobieństwo błędnej akceptacji przy zadanej wielkości wykrywalnego przesunięcia średniej. Karta jest czulsza na przesunięcia średniej niż inne karty, zwłaszcza gdy przesunięcie jest małe.
Karta Xśr dla danych o rozkładzie różnym od normalnego: Obliczenie wartości granic kontrolnych karty poprzedzone jest identyfikacją rozkładu (lub pewnych parametrów rozkładu), z jakiego pochodzą dane. Dla otrzymanego rozkładu oblicza się granice kontrolne jako granice naturalnej zmienności własnej obserwowanych danych. Do otrzymanych wyników należy podchodzić z pewną ostrożnością, bowiem dokładne oszacowanie rozkładu danych - o ile zbiór danych nie jest bardzo liczny -- jest niemożliwe. Rezygnacja z oparcia się wyłącznie na karcie Shewharta jest uzasadniona wtedy tylko, gdy rozkład danych jest drastycznie różny od normalnego (jest wyraźnie skośny, wyostrzony lub spłaszczony). Zamiast konstruowania karty dla danych oryginalnych można także starać się dane poddać transformacji zmieniającej ich rozkład na normalny (lub bliski normalnemu).
Karta T2 Hotellinga. Aż do tej chwili punktem zainteresowania był pojedynczy parametr procesu, który podlegał pomiarom (ich wyniki, lub średnie wyników w podgrupach, były nanoszone na kartę kontrolną). Nieraz badany proces powinien być charakteryzowany kilkoma (lub więcej) parametrami, które należy rozpatrywać łącznie. Innymi słowy, proces jest wówczas charakteryzowany wektorem parametrów. Klasyczną kartą kontrolną, która pozwala na zbadanie stabilności procesu opisywanego wektorem danych, jest karta T2 Hotellinga. Karta ta może być stosowana wtedy tylko, gdy o wektorze danych można założyć, że jest normalny (karta pozostaje wiarygodna przy małych odstępstwach od normalności rozkładu tylko przy małym wymiarze wektora danych, powiedzmy 2 lub 3). Oczywiście szczególnie interesujący jest tu przypadek, gdy składowe wektora pomiarów są skorelowane.
Jeżeli pojedyncze parametry składające się na wektor danych są również interesujące, poza kartą Hotellinga, traktującą cały wektor łącznie, należy sporządzić także indywidualne karty Xśr-S lub Xśr-R dla tych parametrów. Rzecz w tym, że wektor pozostający w granicach stabilności procesu wielowymiarowego (czyli na karcie Hotellinga), może mieć składowe, które na kartach dla danych skalarnych są sygnałami. (Sygnałowi na karcie Hotellinga nie musi przy tym towarzyszyć sygnał na kartach dla składowych wektora pomiarów.)
Karty dla pomiarów wektorowych są nadal rozwijane w oparciu o metody statystycznej analizy wielowymiarowej. (Już 40 lat temu Jackson zauważył związek karty Hotellinga z metodą składowych głównych; w latach 80-tych wrócono do pracy nad nowymi kartami opartymi na metodzie składowych głównych, chcąc w ten sposób uzyskać wiarygodne karty kontrolne w przypadku, gdy wektory pomiarów mają wysoki wymiar.)
| Powrót do spisu treści | |
|||
Analiza zdolności procesu (lub maszyny) odpowiada na pytanie o to, na ile proces (maszyna) jest zdolny (jest zdolna) spełniać zadanie wyznaczone specyfikacjami (w dalszym ciągu mówić będziemy już tylko o analizie procesów). Procedury i terminologia analizy zdolności nie są jeszcze w pełni uzgodnione, ale z literatury i praktyki wynika już zasadniczo jednolity kształt działań na tym polu.
Analiza zdolności dzieli się na dwie części: analizę wstępną, dotyczącą procesu dopiero rozpoznawanego (nowego), oraz analizę właściwą, dotycząca procesu pozostającego w stanie statystycznego uregulowania. Omówienie zaczynamy od analizy właściwej.
Aby przedstawić wskaźnik zdolności procesu, zwany też wskaźnikiem wydolności, zauważmy najpierw, że w przypadku losowania wielu liczb z rozkładu normalnego, 99,7% wylosowanych liczb leży w pasie 
wokół wartości średniej tego rozkładu. Przedział 6-sigmowy jest przedziałem zmienności własnej danych z rozkładu normalnego. Wskaźnik zdolności ma postać
jest odchyleniem standardowym zmienności własnej procesu (zwykle nieznanym i szacowanym tak jak się to czyni konstruując kartę Xśr-R lub Xśr-S). Wskaźnik ten mówi zatem jak się ma szerokość pasa tolerancji do szerokości przedziału zmienności własnej procesu. Wskaźnik zdolności mówi czy, i na ile, dany stabilny proces jest potencjalnie zdolny wykonywać wyspecyfikowane zadanie. Proces jest w oczywisty sposób 'niezdolny', jeśli Cp < 1 (dziś wymaga się zwykle, by wskaźnik Cp był równy przynajmniej 1,33). Jest to zdolność potencjalna, bowiem abstrahuje się tu od zagadnienia jak się ma ogólna średnia procesu do wartości nominalnej wielkości opisywanej przez proces. Jeżeli np. badanym procesem jest średnica toczonych wałków, nominalna wartość średnicy wynosi 30 mm, tolerancja 
0,03 mm, proces toczenia jest stabilny i Cp = 1,67, ale ogólna średnia procesu wynosi 30,05 mm, to proces jest wystarczająco precyzyjny i jest potencjalnie zdolny, ale jest niedokładny lub niecelny: nieomal zerowa jest szansa, że jakiś wałek znajdzie się w granicach tolerancji. Taki proces musi ulec wycentrowaniu: jego średnia musi być przesunięta do wartości nominalnej.
Podany wskaźnik dotyczy oczywiście sytuacji, gdy przedział tolerancji jest dwustronny. Łatwo podać odpowiedniki wskaźnika Cp, dostosowane do przypadku jednej tylko granicy tolerancji.
Jednocześnie o dokładności i precyzji procesu mówi wskaźnik wydajności procesu:
oznacza wartość docelową (nominalną) procesu, zaś 
średnią ogólną procesu. Współczynnik k jest miarą centralizacji procesu i jest równy zeru, gdy wartość średnia jest równa wartości docelowej. Wskaźnik Cpk osiąga wartość największą, równą Cp, gdy k=0.
Z reguły, zadania poprawienia dokładności i precyzji procesu nie są zwykle jednakowo łatwe. Uzyskanie dobrej precyzji jest zazwyczaj trudniejsze i dlatego wprowadzono podane wyżej obydwa wskaźniki, Cp i Cpk (w omówieniu tym pomijamy kilka innych, podobnych wskaźników stosowanych w analizie zdolności).
W przeciwieństwie do kart kontrolnych Shewharta, wskaźniki zdolności mają ścisłą, podaną wyżej interpretację probabilistyczną. Przedział 6-sigmowy przestaje mieć sens, gdy rozkład analizowanych pomiarów jest inny niż normalny. W takim przypadku potrzebne jest określenie owego rozkładu i stosowne zmodyfikowanie wzorów na wskaźnik zdolności i wskaźnik wydajności procesu uregulowanego, tak by wielkość występująca w mianowniku tych wzorów odpowiadała szerokości przedziału zmienności własnej procesu (w przedziale tym ma leżeć 99,7% danych).
Określenie rozkładu, z którego pochodzą wyniki pomiarów, jest jednym z zadań wstępnej analizy zdolności, mającej na celu możliwie wyczerpujące poznanie własności procesu. Są to badania o charakterze kompleksowym, mogące w zależności od uzyskiwanych wyników cząstkowych przebiegać na różne sposoby. Tu wymieniamy w telegraficznym skrócie tylko ich niektóre elementy. Badania przebiegają zgodnie z cyklem Deminga 'zaplanuj-wykonaj-zbadaj-działaj'. Zaczynają się od wyboru do przyszłych pomiarów właściwych charakterystyk, wyboru aparatury pomiarowej i jej analizy ze względu na dokładność, powtarzalność i odtwarzalność. Po uporządkowanym zebraniu wyników pomiarów, dokonuje się ich wszechstronnej analizy. W tym, należy zbadać czy nie stwierdza się trendu lub przesunięć średniej (do czego można wykorzystać karty MA, EWMA, CUSUM). Jeżeli dane zbierane są w podgrupach i na podstawie kart nie można stwierdzić trendu i przesunięć średniej, należy zbadać zmienność w podgrupach i między grupami. Użycie karty kontrolnej Shewharta powinno pomóc w wykryciu zmienności wynikających z przyczyn specjalnych (zwłaszcza innych niż przesunięcia średniej lub trend). Gdy proces jest ustabilizowany, określony powinien zostać rozkład, z jakiego pochodzą dane. Histogram może wskazać na wyraźne odstępstwo od rozkładu normalnego (zawsze powinno się konstruować kilka histogramów z różnymi liczbami przedziałów i dopiero na tej podstawie formułować wnioski dotyczące spodziewanego typu rozkładu). Testowanie normalności rozkładu najlepiej jest oprzeć na testach skośności i kurtozy (wyostrzenia) oraz na teście Shapiry-Wilka. Bardzo skutecznym środkiem graficznego sprawdzenia czy rozkład jest normalny jest wykres kwantyl-kwantyl oraz wykres prawdopodobieństwo-prawdopodobieństwo. Często wykres te pozwalają także stwierdzić typ ewentualnego odstępstwa od rozkładu normalnego. Znany ze swej dużej mocy test Shapiry-Wilka ujmuje za pomocą jednej liczby to co w sposób graficzny - i dzięki temu bogatszy -- pokazuje wykres kwantyl-kwantyl.
Jeżeli hipoteza o normalności rozkładu zostaje odrzucona, należy dopasować do danych inny rozkład i oszacować jego parametry. Odpowiadający otrzymanemu rozkładowi wykres kwantyl-kwantyl lub prawdopodobieństwo-prawdopodobieństwo jest znowu doskonałym sposobem sprawdzenia, czy dopasowanie jest trafne.
Dopasowywanie rozkładu do danych wymaga doświadczenia, zwłaszcza gdy zbiór danych nie jest bardzo liczny. W zasadzie powinno się unikać dopasowywania, gdy liczność zbioru danych jest mniejsza niż 100.
W zestawie przykładów pakietu STATISTICA podana jest 100-elementowa próbka fikcyjnych danych, mających być średnicami pierścieni tłokowych o nominalnej wartości 74 mm i granicach specyfikacji 0,05 mm. Próbka jest stabilna i podany wykres kwantyl-kwantyl potwierdza hipotezę normalności rozkładu. Proces jest dokładny, precyzyjny i dobrze wycentrowany: Cp=1,649, zaś Cpk=1,648. Ilustrują to poniższe wykresy:
| Powrót do spisu treści | |
|||
 |
Poprzedni artykuł | Następny artykuł |  |
|