Optymalizacja procesów

Współczesne procesy produkcyjne są coraz bardziej skomplikowane, jednocześnie klienci wymagają wyższej jakości produktów, przy jak najniższej cenie. Sytuacja taka powoduje wzrost znaczenia optymalizacji procesów. Ponieważ technologie, produkty i wymagania zmieniają się coraz szybciej, technolodzy mają coraz mniej czasu, aby poznać proces i optymalizować go wyłącznie na podstawie własnego doświadczenia. Z drugiej strony bardzo często procesy są zautomatyzowane i szczegółowo opomiarowane, dzięki czemu dysponujemy dużą ilością danych dokładnie opisujących procesy. W takiej sytuacji po prostu nie można odrzucić szansy wspomagania decyzji wynikami nowoczesnej analizy danych!

Analiza danych może być wykorzystywana do optymalizacji procesów w różny sposób i dotyczyć bardzo wielu aspektów zarządzania procesami. Możemy wykrywać zakłócenia w procesie, znajdować przyczyny wpływające na problemy z jakością, dobierać optymalne ustawienia dla procesu, porównywać różne procedury wytwarzania i wiele innych. We wszystkich tych podejściach można wykorzystywać programy z rodziny STATISTICA. Poniżej nieco szerzej omawiamy najczęściej wykorzystywane metody optymalizacji procesów.

Warto zauważyć, że w procesy, a co za tym idzie w ich optymalizację, zaangażowane jest wiele osób mających różne zadaniach, przygotowanie i uprawnienia. W związku z tym narzędzie analizy danych powinno umożliwiać współpracę wielu osób, zapewniać kontrolę dostępu, łatwe korzystanie z danych i wyników – takim właśnie rozwiązaniem są systemy korporacyjne STATISTICA.

Optymalizacja na podstawie modelu procesu

Współczesne procesy produkcyjne są zwykle opomiarowane i sterowane automatycznie. Dzięki temu do dyspozycji mamy szczegółowe dane dotyczące ich przebiegu. Umożliwia to zbudowanie modelu procesu, który na podstawie danych o wejściach procesu (np. właściwościach surowców) i jego przebiegu, będzie przewidywał cechy wyjściowego wyrobu z uwzględnieniem składnika losowego.

Ponieważ zazwyczaj mamy bardzo dużo danych o procesie, a zależności są złożone i nieliniowe do stworzenia modelu wymagane są nowoczesne metody analizy danych wykorzystujące obliczenia inteligentne (tj. data mining) i narzędzie będące w stanie sprawnie przetworzyć wielkie zbiory danych, takie jak STATISTICA QC Miner.

Istnieje wiele dróg stosowania modelu do optymalizacji procesu:

Wykrywanie przyczyn. Model wskazuje nam, które zdarzenia, zmiany ustawień, właściwości surowców itp. wpływają na jakość wyrobu. Przykładowo w produkcji półprzewodników proces przygotowania wafla krzemowego składa się z kilkuset etapów, na których stosuje się bardzo wiele narzędzi. Proces jest bardzo złożony, w sumie dla każdego układu zbiera się około 1000 pomiarów. Dzięki modelowi procesu możemy się np. dowiedzieć, że jeżeli użyto narzędzi NW00/5722 i NW60/8751, to wydajność procesu była za niska.
Przewidywanie wyniku procesu przed jego zakończeniem. Na podstawie modelu przewidujemy, jakie będą cechy produktu po zakończeniu procesu, co umożliwia dobranie parametrów dalszej części procesu, tak aby skorygować ewentualne, niepożądane wartości.
Dobór najlepszych parametrów procesu. Za pomocą modelu możemy przewidywać, jaki będzie wynik procesu, przy danych ustawieniach. Stosując odpowiednie metody optymalizacji, możemy znaleźć najlepsze ustawienia dla procesu.
Wczesne wykrywanie problemów z jakością. W wielu gałęziach przemysłu ocena produktu wymaga przeprowadzenia stosunkowo długotrwałych badań. W efekcie zanim dowiemy się, że proces przebiega błędnie, wytworzone zostanie wiele wadliwych produktów. Model data mining może na podstawie cech surowców, przebiegu procesu i wyników szybko dostępnych badań (np. spektroskopii NMR) wskazać, czy produkt jest dobry czy zły, a w konsekwencji, czy należy wprowadzać korekty do procesu.
Wykrywanie zmian w procesie. Jeżeli proces jest bardzo skomplikowany, to tradycyjne karty kontrolne bywają niewystarczające. W takim wypadku monitorujemy odchylenie rzeczywistych właściwości procesu od tych, które wynikają z modelu. Jeśli odchylenia gwałtownie wzrosną, sygnalizuje nam to, że coś się stało z procesem. Dzięki takiemu sygnałowi możemy wcześnie reagować na problemy.

Po zbudowaniu modelu do dobrania najlepszych parametrów procesu można użyć specjalnie zaprojektowanej do tego celu procedury systemu STATISTICA QC Miner, która wykorzystuje algorytmy genetyczne, metodę sympleks oraz poszukiwanie na siatce.

STATISTICA QC Miner zawiera zestaw narzędzi, za pomocą których możemy wykonywać przedstawione wyżej zadania, mające zastosowanie w optymalizacji procesu. W skład systemu wchodzi metoda wykrywania wpływu zmiennych na interesująca nas wielkość, uwzględniająca nawet bardzo skomplikowane i wysoce nieliniowe zależności. Dostępne jest również wiele metod data mining, m.in. sieci neuronowych, wektorów nośnych (SVM), drzew decyzyjnych i wzmacnianych drzew decyzyjnych. Techniki te mogą być wykorzystane do budowy modeli predykcyjnych służących zapewnieniu jakości i optymalizacji procesów, nawet w przypadku wielowymiarowych zagadnień z dużą liczbą zmiennych i istotnymi związkami (interakcjami) pomiędzy nimi.

Statystyczne sterowanie jakością procesów (SPC)

Statystyczne sterowanie jakością procesów (ang. Statistical Process Control, SPC) jest sprawdzonym, stosowanym od wielu lat sposobem ciągłego udoskonalania procesów (nie tylko produkcyjnych, ale również w usługach). Pozwala ono stwierdzać, które przyczyny problemów z jakością są najważniejsze, wykrywać zakłócenia w procesie i krok po kroku usuwać kolejne przyczyny problemów z jakością. Techniki SPC umożliwiają również wczesne wykrywanie niekorzystnych zamian procesu, takich jak trendy lub przesunięcia średniej i dzięki temu rozwiązywać problemy, wtedy gdy nie są one jeszcze poważne. Ponadto SPC umożliwia rzetelne porównywanie różnych sposobów produkcji i wybieranie spośród nich tego, który jest rzeczywiście najlepszy (przykład takiego zastosowania przedstawiono w artykule Który proces jest najlepszy - przykład praktycznego wykorzystania kart kontrolnych i analizy zdolności do oceny procesów). Klasyczne narzędzia SPC, takie jak karty kontrolne Shewharta i analiza zdolności procesu, dostępne są w pakietach STATISTICA Pakiet Zaawansowany + QC i STATISTICA QC.

W przypadku złożonego procesu, mającego wiele ważnych z punktu widzenia jakości właściwości, oraz przedsiębiorstw, w których prowadzone jest jednocześnie wiele procesów pojawia się problem ze stosowaniem SPC, polegający na konieczności prowadzenia mnóstwa kart kontrolnych jednocześnie i reagowania na sygnalizowane przez nie rozregulowania. Z myślą o rozwiązaniu tego problemu zaprojektowano system STATISTICA MAS. Umożliwia on wydajne tworzenie nawet bardzo wielu kart kontrolnych, automatyczne sprawdzanie, czy wystąpił sygnał o rozregulowaniu i powiadamianie o ewentualnych problemach za pomocą specjalnego pulpitu MAS.

Specyficzne trudności w stosowaniu podejścia SPC pojawiają się w przypadku tzw. procesów wsadowych (nazywanych też okresowymi, ang. batch process). Są to procesy przebiegające przez pewien czas, w jednym urządzeniu. Zazwyczaj co pewien czas dokonujemy pomiarów właściwości procesów, takich jak temperatura lub ciśnienie, czy też strumienie wpływających i odprowadzanych z niego substancji. Podstawową trudnością w stosowaniu statystyki do badania właściwości procesów wsadowych jest układ danych. Dla każdej partii mamy ciąg pomiarów właściwości procesów dokonywanych w różnym czasie. Oznacza to, iż dla każdej partii mamy tabelę z wartościami cech procesu zmierzonymi w różnym czasie. Właściwe podejście do takich danych opracowano o latach 90 XX wieku. Więcej informacji na ten temat znajduje się w artykule Monitorowanie i sterowanie jakością procesów wsadowych (okresowych), a jest ono zaimplementowane w STATISTICA MSPC.

Więcej szczegółów można znaleźć na stronie poświęconej SPC.

Planowanie doświadczeń (DOE)

Ciągłe doskonalenie procesów i produktów jest konieczne dla istnienia i rozwoju nowoczesnego przedsiębiorstwa. Jednym z warunków udoskonalania produktów i procesów jest zdobycie o nich rzetelnej wiedzy. Sprawdzoną drogą uzyskiwania takiej wiedzy jest przeprowadzenie doświadczenia, jednak zazwyczaj wykonanie doświadczeń jest kosztowne i czasochłonne. Zastosowanie technik planowania doświadczeń (ang. Design of Experiments, DOE) pozwala uzyskać odpowiedzi na pytania przy minimalnych kosztach i czasie badań. W przypadku gdy zebraliśmy dane o procesie i właściwościach produktu, możemy je przeanalizować w celu znalezienia optymalnych parametrów procesu i czynników wpływających na finalny produkt. Dzięki zastosowaniu nowoczesnych narzędzi, takich jak profile odpowiedzi, możemy jednocześnie optymalizować wiele właściwości produktu. Bogaty zestaw narzędzi planowania doświadczeń dostępny jest w STATISTICA Planowanie Doświadczeń

Rodzina programów STATISTICA umożliwia wspomaganie optymalizacji procesów wymienionymi wyżej metodami. W ramach jednorodnego środowiska możemy wykonywać różnorodne analizy: począwszy od tradycyjnych metod statystycznych takich jak karty kontrolne czy planowanie doświadczeń, po nowoczesne metody data mining. StatSoft Polska oferuje również usługi konsultingowe i wdrożeniowe dotyczące optymalizacji procesów oraz szkolenia z praktycznej analizy danych.

Warto przeczytać:

Portal SPC