Принятие решений на базе контрольных карт

P-карта. В картах данного типа строится график процента обнаруженных дефектных изделий (в расчете на партию, в день, на станок и т.д.). График строится так же, как и в случае U-карты. Однако контрольные пределы для данной карты находятся на основе биномиального распределения (для долей), а не распределения редких событий. Поэтому P-карта наиболее часто используется, когда появление дефекта нельзя считать редким событием (если, например, ожидается, что дефекты будут присутствовать в более чем 5% общего числа произведенных единиц продукции).

Все перечисленные выше типы карт допускают возможность построения кратких карт для производственных серий (краткие контрольные карты) и контрольных карт для нескольких процессов (многопоточные групповые карты).

Контрольные карты позволяют проводить анализ возможностей процесса. Возможности процесса - это способность функционировать должным образом. Как правило, под возможностями процесса понимают способность удовлетворять техническим требованиям.

С помощью построения контрольных карт при наличии временной зависимости Вы можете проверить, лежат ли средние значения переменных в пределах области рассеяния, объясняемой действием случайных факторов, или же они выходят за пределы этой области. В общем случае подразделение данных может происходить не только по временным интервалам, а и посредством других подгрупп.

 

 

2.3 Преимущества контрольных карт для непрерывных переменных и контрольных карт по альтернативному признаку

 

Иногда инженеру, занимающемуся контролем качества, приходится выбирать между применением контрольной карты для непрерывных переменных и контрольной карты по альтернативному признаку.

Преимущества контрольных карт по альтернативному признаку. Преимущество контрольных карт по альтернативному признаку состоит в возможности быстро получить общее представление о различных аспектах качества анализируемого изделия; то есть, на основании различных критериев качества инженер может сразу принять или забраковать продукцию. Далее, контрольные карты по альтернативному признаку иногда позволяют обойтись без применения дорогих точных приборов и требующих значительных затрат времени измерительных процедур. Кроме того, этот тип контрольных карт более понятен менеджерам, которые не разбираются в тонкостях методов контроля качества. Таким образом, с помощью таких карт можно более убедительно продемонстрировать руководству наличие проблем с качеством изделий.

Преимущества контрольных карт для непрерывных переменных. Контрольные карты для непрерывных переменных обладают большей чувствительностью, чем контрольные карты по альтернативному признаку. Благодаря этому, контрольные карты для непрерывных переменных могут указать на существование проблемы ухудшения качества, прежде чем в потоке продукции появятся настоящие бракованные изделия, выделяемые с помощью контрольной карты по альтернативному признаку. В работе Montgomery (1985) автор называет контрольные карты для непрерывных переменных основными индикаторами ухудшения качества, которые предупреждают об этих проблемах задолго до того, как в процессе производства резко возрастет доля бракованных изделий.

 

 

2.4 Индексы пригодности процесса

 

В случае контрольных карт для непрерывных переменных часто возникает необходимость включить в итоговый вывод результатов анализа так называемые индексы пригодности процесса. Коротко говоря, индексы пригодности процесса выражают (в виде отношения), какая часть деталей или изделий, производимых в рамках текущего производственного процесса, по своим характеристикам попадает в определенные технологами пределы (в частности, в инженерные допуски).

К примеру, так называемый индекс Cp находится следующим образом:

 

Cp = (ВГС-НГС)/(6* )

 

где представляет собой оценку стандартного отклонения процесса, ВГС и НГС - соответственно верхнюю и нижнюю границы плановой спецификации (инженерные допуски). Если распределение контролируемой характеристики качества или переменной (например, размер поршневых колец) подчиняется нормальному закону, и процесс абсолютно точно центрирован (т.е. среднее значение процесса соответствует положению центральной линии на контрольной карте), то данный индекс может интерпретироваться как та часть стандартной кривой нормального распределения (ширина процесса), которая находится внутри границ инженерных допусков. В случае нецентрированного процесса, вместо рассмотренного выше индекса используется уточненный индекс Cpk . Для "пригодного" процесса индекс Cp должен быть больше 1. Это означает, что для того, чтобы можно было ожидать попадание более 99% всех выпущенных деталей или изделий в рамки приемлемых инженерных спецификаций, величина интервала между контрольными пределами плановых спецификаций должна превышать 6 .

 

1.4 Другие  специализированные типы контрольных  карт

 

X-карты для данных с  негауссовским распределением

Контрольные пределы для стандартных X-карт вычисляются, исходя из предположения о приблизительно нормальном распределении выборочных средних. Следовательно, для отдельных наблюдений в выборках нормальность распределения не обязательна, так как. по мере увеличения объема выборок распределение выборочных средних будет приближаться к нормальному (см. обсуждение центральной предельной теоремы в разделе Элементарные понятия статистики. Однако необходимо отметить, что при построении R-карты, S-карты и S**2-карты предполагается, что отдельные наблюдения обладают нормальным распределением

Контрольная карта T**2 Хотеллинга

Когда исследуется несколько взаимосвязанных характеристик качества (заданных в виде нескольких переменных), для всех средних значений можно построить общий график, воспользовавшись для этого многомерной статистикой Хотеллинга T**2.

Контрольная карта накопленных сумм (CUSUM-карта)

Контрольная карта типа CUSUM была впервые предложена в 1954 году. Если строить график накопленной суммы отклонений от плановых спецификаций для следующих друг за другом выборочных средних, то даже малые постоянные сдвиги среднего значения процесса постепенно приведут к накоплению ощутимой суммы отклонений. Поэтому данный тип контрольных карт особенно хорошо подходит для обнаружения малых постоянных сдвигов процесса, которые могут оказаться незамеченными при применении Х-карты. Например, когда из-за износа оборудования процесс медленно "выскальзывает" из-под контроля, в результате чего размеры изделий превышают плановые спецификации (или становятся ниже их), при применении контрольной карты данного типа будет получен монотонно растущий (или снижающийся) график накопленной суммы отклонений от плановых спецификаций.

Контрольная карта скользящего среднего (MA-карта)

Одним из способов отслеживания трендов и обнаружения незначительных постоянных сдвигов среднего значения процесса является построение описанной выше CUSUM-карты. Другой способ состоит в использовании одной из схем установления весов данных, согласно которой осуществляется суммирование нескольких средних.

Контрольная карта экспоненциально взвешенного скользящего среднего (EWMA-карта)

Идея построения скользящих средних для последовательных (соседних) выборочных значений может быть обобщена. В принципе, чтобы обнаружить тренд, необходимо присвоить веса следующим друг за другом выборочным значениям, получив таким образом скользящее среднее. Однако, вместо простого арифметического скользящего среднего, можно найти геометрическое скользящее среднее.

Данный метод усреднения предполагает, что вес исторически "старых" выборочных средних уменьшается по геометрическому закону при присоединении новых выборочных средних. Интерпретация контрольной карты данного типа имеет много общего с интерпретацией карты скользящего среднего. EWMA-карта позволяет обнаружить малые сдвиги исследуемых средних значений и, следовательно, ухудшение качества производственного процесса.

 

 

3  ПРИМЕРЫ ПРАКТИЧЕСКОГО  ПРИМЕНЕНИЯ КОНТРОЛЬНЫХ КАРТ

 

3.1 Пример  построения контрольных карт Шухарта в Excel

 

Контрольные карты Шухарта – один из инструментом менеджмента качества. Используется для контроля за ходом процесса. Пока значения остаются в пределах контрольных границ, вмешательство в процесс не требуется. Процесс статистически управляем. Если значения выходят за контрольные границы, необходимо вмешательство менеджмента для выявления причин отклонений.

Рассмотрим пример построения контрольной карты в Excel в рамках управления дебиторской задолженностью.

 Исходные данные содержат  информацию о дебиторской задолженности (ДЗ) и просроченной дебиторской  задолженности (ПДЗ) по одному клиенту  по состоянию на начало указанной  недели:

 

Рисунок 3.1 – Исходные данные

В качестве параметра, за которым планируется следить, выбрана доля ПДЗ в суммарной ДЗ. Поскольку уровень бизнеса колеблется в течение года, логичнее использовать именно относительный параметр, так как абсолютные цифры будут отражать не только платежную дисциплину клиента, но и уровень бизнеса.

На контрольную карту наносятся данные по неделям, а также контрольная граница. Последняя равна µ + 3σ, где µ – среднее значение, а σ – стандартное отклонение. Можно использовать µ и σ, определенные по первым 10–15 значениям. Я предпочитаю использовать скользящие значения µ и σ, определяемые по всем значения. Такие µ и σ будут меняться при добавлении новых значений, соответствующих новым неделям.

Для контроля дебиторской задолженности нижняя контрольная граница не используется, так как чем меньше значение, тем лучше. Если же вы осуществляете контроль над каким-то техническим параметром, то в этом случае нижняя граница также имеет физический смысл, и должна наноситься на график. Для наглядности рекомендуется наносить на контрольные карты линию среднего значения (рис. 3.2).

 

Рисунок 3.2 – Контрольная карта Шухарта по управлению дебиторской задолженностью

 

Почему контрольные границы соответствуют значениям µ ± 3σ? В соответствии с концепцией Шухарта именно такое определение границ позволяет отделить ситуации, когда экономически целесообразно начинать поиски особых причин вариации; пока такие границы не превышены, процесс остается статистически управляемым, и поиск причин отклонения отдельных значений является экономически нецелесообразным. То есть, не следует искать ответа на вопрос, почему именно µ ± 3σ в теории вероятности или статистическом анализе.

Подчеркнем еще раз: определение в качестве границ значений µ ± 3σ отражает только практическую полезность именно такого определения. Из этого следует важный вывод: в каждом конкретном случае имеет смысл обращать внимание и на отклонения, выходящие за пределы µ ± 2σ, которые тоже могут быть обусловлены особыми причинами вариаций (просто, вероятность того, что такие отклонения связаны с особыми причинами вариаций, ниже, чем в случае с выходом за µ ± 3σ).

 

 

3.2 Пример построения контрольной карты для арифметического среднего с предупреждающими границами с использованием ГОСТ Р 50779.41–96

 

Условие: 25 % концентрацию азота в аммиаке считают нормальной для процесса в статистически управляемом состоянии.

Даны пределы концентрации азота:

Максимально нежелательный уровень несоответствий равен 3 %.

Из предыдущих экспериментальных данных известно, что

1. Определяем значения   и .

Значения  и  находим по формулам

где – квантиль стандартного нормального закона распределения (табл. 3.1).

 

Таблица 3.1 – Квантили стандартного нормального распределения

Вероятность, %	99,99	99,90	99,00	97,72	97,50	95,00	90,00	84,13	50,00
Квантиль	3,715	3,090	2,326	2,000	1,960	1,645	1,282	1,000	0,000

 

 

2. Значение объема выборки  для условий примера взято  равным 5, т. е.

n =5. Контрольные границы на контрольной карте должны быть построены таким образом, чтобы ARL для процесса в статистически управляемом состоянии ( ) составляла как минимум 300 и для процесса с максимально нежелательным уровнем процесса ( ) – не превышала 12.

Контрольные границы на карте находятся по формуле:

.

Предупреждающие границы находятся по формуле:

Комбинацию коэффициентов, определяющих положение границ регулирования и предупреждающих границ на контрольной карте , , и количество последовательных точек  выбираем из таблиц 1–4 [2] (с интерполяцией для значения ), так чтобы  и . Результаты представлены в табл. 12.

 

Таблица 3.2 – Значения коэффициентов

N
1	3	3,0	1,5	620,1	10,3
2	4	3,0	1,25	624,1	11,2
3	3	3,25	1,25	618,6	8,8
4	4	3,25	1,0	904,0	10,1