Einleitung

Prozessfähigkeitsstudien sind ein Eckpfeiler der statistischen Qualitätskontrolle und liefern ein quantitatives Maß dafür, wie gut ein Fertigungs- oder Dienstleistungsprozess seine Spezifikationen erfüllen kann. Während herkömmliche univariate Studien jeweils ein Qualitätsmerkmal untersuchen, beinhalten viele reale Prozesse mehrere miteinander verbundene Variablen, die zusammen betrachtet werden müssen. Die Durchführung einer Prozessfähigkeitsstudie in einem multivariaten Kontext ist bei Korrelationen von wesentlicher Bedeutung, da die getrennte Bewertung jeder Variablen zu irreführenden Schlussfolgerungen über die Gesamtprozessleistung führen kann. Dieser Artikel bietet eine umfassende, schrittweise Anleitung zur Durchführung einer effektiven multivariaten Prozessfähigkeitsstudie, von grundlegenden Konzepten über fortschrittliche Analysetechniken bis hin zur praktischen Interpretation.

Multivariate Prozessfähigkeit verstehen

Die multivariate Prozessfähigkeit erweitert die Prinzipien der univariaten Fähigkeitsanalyse auf Situationen, in denen zwei oder mehr Qualitätsmerkmale gleichzeitig wichtig sind und oft korreliert sind. Beispielsweise müssen in einem chemischen Herstellungsprozess sowohl die Konzentration als auch die Temperatur eines Produkts innerhalb bestimmter Grenzen bleiben, und diese Variablen interagieren häufig. In solchen Fällen kann die Beurteilung der Fähigkeit, nur einzelne Cp- oder Cpk-Indizes für jede Variable zu verwenden, das gemeinsame Verhalten verfehlen, das die Produktqualität definiert.

Der Hauptunterschied zwischen univariater und multivariater Fähigkeit ist die Behandlung von Korrelation. Ein Prozess mag für jede Variable einzeln geeignet erscheinen, aber die Kombination von Variablen könnte einen hohen Anteil nicht konformer Einheiten erzeugen, die außerhalb einer multivariaten Spezifikationsregion liegen. Multivariate Fähigkeitsindizes wie die multivariate Cp (CpMV) und Cpk (CpkMV) sind für die gemeinsame Verteilung der Variablen verantwortlich, wobei häufig das Konzept einer multivariaten Normalverteilung und einer Spezifikationsregion verwendet wird, die durch ein Ellipsoid oder eine rechteckige Box im variablen Raum definiert wird.

Ein weiteres wichtiges Konzept ist die Verwendung der Hauptkomponentenanalyse (Primary Component Analysis, PCA), um die Dimensionalität zu reduzieren und gleichzeitig die wesentliche Struktur der Daten zu erhalten. Durch die Umwandlung der ursprünglichen korrelierten Variablen in nicht korrelierte Hauptkomponenten können Analysten die Fähigkeitsindizes für diese Komponenten oder direkt im Originalraum unter Verwendung der T2-Statistik von Hotelling berechnen. Die Wahl der Methode hängt von der Art der Spezifikationen und den zugrunde liegenden Annahmen der Normalität und Linearität ab.

Schritte zur Durchführung einer multivariaten Prozessfähigkeitsstudie

1. Definieren Sie den Prozess und die Variablen

Beginnen Sie mit der eindeutigen Identifizierung der Prozessgrenzen und der wichtigsten Qualitätsmerkmale, die kontrolliert werden müssen. Setzen Sie sich mit Prozessingenieuren, Betreibern und Qualitätsmanagern zusammen, um Variablen auszuwählen, die sowohl für die Kundenanforderungen von entscheidender Bedeutung sind als auch Korrelationen aufweisen können. Dokumentieren Sie die Spezifikationsgrenzen für jede Variable, wobei anzugeben ist, ob sie bilateral (oben und unten) oder einseitig sind. Wenn Spezifikationen als Region (z. B. ein Rechteck oder eine Ellipse in zwei Dimensionen) definiert sind, notieren Sie die genauen Grenzen.

Es ist auch wichtig, zu bestimmen, ob der Prozess stabil ist und sich in einem Zustand der statistischen Kontrolle befindet, bevor eine Fähigkeitsanalyse versucht wird, und Kontrolldiagramme (wie das T2-Kontrolldiagramm von Hotelling) zu verwenden, um zu überprüfen, ob der Prozess während des Datenerhebungszeitraums keine besonderen Ursachenschwankungen aufweist.

2. Sammeln Sie repräsentative Daten

Die Datenerhebung für die multivariate Fähigkeit erfordert eine sorgfältige Planung, um sicherzustellen, dass die Probe die Prozessvariation unter normalen Betriebsbedingungen angemessen darstellt. Eine gängige Faustregel ist, dass mindestens 100 bis 150 Beobachtungen gesammelt werden, wenn die Anzahl der Variablen klein ist (z. B. 2–5), aber größere Proben mit zunehmender Dimensionalität notwendig werden. Die Probe sollte einen Zeitraum abdecken, der lang genug ist, um die häufigen Variationen der Ursache wie Veränderungen der Rohstoffe, Umweltveränderungen oder Werkzeugverschleiß zu erfassen.

Die Daten sind rechtzeitig aufzuzeichnen, damit Autokorrelation und Trends überprüft werden können; ist der Prozess batchorientiert, so ist die Probenahme über Chargen und innerhalb von Chargen hinweg zu prüfen, um sowohl kurzzeitige als auch langfristige Schwankungen zu erfassen; alle Prozessanpassungen oder Wartungsereignisse, die während der Probenahme auftreten, zu dokumentieren, da sie dazu beitragen können, Anomalien später zu erklären.

3. Bewertung der Datenqualität und -annahmen

Bevor Sie ein multivariates Modell erstellen, prüfen Sie die Daten auf Ausreißer, fehlende Werte und Abweichungen von der Normalität. Für multivariate Normalität können Sie den Mardia-Test oder eine Quantil-Quantil-Plot der quadrierten Mahalanobis-Abstände verwenden.

Prüfung auf Multikollinearität mit Hilfe von Korrelationsmatrizen und Varianz-Inflationsfaktoren (VIFs); hohe Multikollinearität kann die Berechnung des Fähigkeitsindex destabilisieren und erfordert möglicherweise eine Dimensionalitätsreduktion durch PCA- oder Variable-Subset-Auswahl; ferner Überprüfung, ob der Prozess stabil ist, indem die Daten in zeitlicher Reihenfolge und mit Hilfe multivariater Kontrolldiagramme grafisch dargestellt werden.

4. Variable Beziehungen analysieren

Die Korrelationsstruktur zu verstehen, ist für die multivariate Fähigkeit von zentraler Bedeutung. Berechnen Sie die Probenkorrelationsmatrix und visualisieren Sie sie mithilfe von Streufeldmatrizen oder Heatmaps. Wenn die Variablen stark korreliert sind, sollten Sie die Hauptkomponentenanalyse (Primary Component Analysis, PCA) in nicht korrelierte Komponenten umwandeln. PCA vereinfacht nicht nur die Analyse, sondern zeigt auch, welche Richtungen im variablen Raum am meisten zur Gesamtvariation beitragen.

Eine weitere nützliche Technik ist die Faktoranalyse, mit der latente Faktoren identifiziert werden können, die die Korrelationen antreiben, jedoch wird PCA für die meisten Fähigkeitsstudien bevorzugt, da sie sich direkt auf die berücksichtigte Varianz bezieht und zur Berechnung von Fähigkeitsindizes für die Komponentenwerte verwendet werden kann.

5. Modellierung des Prozesses

Es gibt mehrere Modellierungsansätze für die multivariate Fähigkeitsanalyse:

  • Hotellings T2-Statistik: Für einen Prozess, der normal verteilt ist, misst die T2-Statistik den Abstand vom Stichprobenmittel zum Ziel. Sie können den Anteil der Datenpunkte berechnen, die innerhalb eines festgelegten T2-Kontrolllimits liegen, das als Fähigkeitsmaß dient.
  • Hauptkomponentenanalyse (PCA): Nach PCA können Sie univariate Fähigkeitsindizes für jede Hauptkomponente berechnen, da die Komponenten unabhängig sind.
  • Multivariate Fähigkeitsindizes (CpMV und CpkMV): Diese Indizes sind Erweiterungen von Cp und Cpk, die das Konzept einer multivariaten Toleranzregion (oft ein Ellipsoid) im Vergleich zu dem durch die Kovarianzmatrix definierten Prozessvariationellipsoid verwenden.

Wenn Spezifikationen einen rechteckigen Bereich bilden (der häufigste Fall in der Praxis), ist es üblich, den Anteil der nicht konformen Einheiten zu verwenden, der aus der multivariaten Normalverteilung geschätzt wird Dieser Anteil kann mit einer inversen Normaltransformation in einen Fähigkeitsindex analog zu Cpk umgewandelt werden.

6. Kapazitätsindizes berechnen

Betrachten wir die Berechnung von CpMV genauer. Angenommen, wir haben zwei Variablen (X1, X2) mit einer bivariaten Normalverteilung. Die Spezifikationsregion wird durch die unteren und oberen Spezifikationsgrenzen (LSL1, USL1, LSL2, USL2) definiert. Die Prozessvariation wird durch die Kovarianzmatrix beschrieben. Der CpMV Index wird berechnet als:

CpMV = (Volumen der Spezifikationsregion) / (Volumen der Prozessvariationsregion)

Die Prozessvariation wird als kleinstes Ellipsoid definiert, das einen bestimmten Anteil (üblicherweise 99,73%) des Prozessoutputs enthält, was einer 3-Sigma-Kugel im multivariaten Raum entspricht. Das Volumen eines p-dimensionalen Ellipsoids ist proportional zur Quadratwurzel der Determinante der Kovarianzmatrix.

CpMV = (∏(USLi - LSLi) / ((χ2p, 0.9973)p/2 × √|Σ| ))

wobei χ2p, 0.9973 der kritische Wert chi-quadrat mit p Freiheitsgraden für 99,73% Abdeckung ist.

Für CpkMV, das für die Prozesszentrierung verantwortlich ist, ist ein gemeinsamer Index der von Chan, Cheng und Spiring (1988) vorgeschlagene Index, der das Verhältnis des Abstands vom Prozessmittel zur nächstgelegenen Spezifikationsgrenze entlang der multivariaten Richtung zur Prozessvariation in dieser Richtung verwendet. Alternativ können Sie den Ansatz des Anteils der nichtkonformen Einheiten verwenden: Konvertieren Sie den geschätzten Bruch, der nichtkonform ist, in einen Z-Wert und drücken Sie dann CpkMV = Zmin / 3, wobei Zmin der kleinste einseitige Z-Wert ist.

7. Ergebnisse interpretieren und Verbesserungsbereiche identifizieren

Die Interpretation multivariater Fähigkeitsindizes erfordert Sorgfalt. Ein CpMV-Wert größer als 1 zeigt an, dass die Prozessvariation eine kleinere Region als die Spezifikationsregion einnimmt, aber er garantiert nicht, dass der Prozess zentriert ist. CpkMV sollte zur Beurteilung der Zentrierung verwendet werden. Wenn CpkMV deutlich niedriger ist als CpMV, muss der Prozessmittelwert angepasst werden.

PCA-Beladungen können angeben, welche ursprünglichen Variablen die Hauptkomponenten mit geringer Fähigkeit antreiben Wenn beispielsweise die erste Hauptkomponente (die die meisten Variationen erklärt) einen Index mit niedriger Fähigkeit aufweist, sind die Variablen mit hoher Belastung dieser Komponente die besten Kandidaten für eine Prozessverbesserung.

Zeichnen Sie die Daten und die Spezifikationsregion auf (z. B. überlagern Sie eine 99,73%ige Konfidenzellipse auf einem Streudiagramm), um visuell zu beurteilen, wie der Prozess mit den Spezifikationen verglichen wird.

Werkzeuge und Techniken

Hauptkomponentenanalyse (PCA)

PCA transformiert einen Satz korrelierter Variablen in einen kleineren Satz unkorrelierter Hauptkomponenten, die die maximale Varianz erfassen. Dies ist besonders nützlich, wenn die Anzahl der Variablen groß ist (z. B. 10 oder mehr) oder wenn Multikollinearität besteht. Nach PCA können Sie univariate Fähigkeitsindizes für die ersten Komponenten berechnen, die den größten Teil der Variation ausmachen. Die Interpretation dieser Indizes in Bezug auf die ursprünglichen Spezifikationen erfordert jedoch eine Rücktransformation.

Multivariate Kontrollkarten

Vor der Durchführung der Fähigkeitsanalyse sind multivariate Kontrolldiagramme wie das Hotelling-T2-Diagramm (für die Phase-I-Analyse) und das MEWMA- oder MCUSUM-Diagramm (für die Phase-II-Überwachung) zu verwenden.

Multivariate Capability Indices

Neben CpMV und CpkMV existieren andere Indizes, wie der von Wierda (1992) vorgeschlagene multivariate Fähigkeitsindex, der auf dem Anteil der nicht konformen Einheiten basiert. Softwarepakete wie Minitab, JMP und R (unter Verwendung der oder Pakete) bieten Funktionen zur Berechnung dieser Indizes. Excel-Add-Ins sind ebenfalls verfügbar, aber oft begrenzt.

Interpretation multivariater Kapazitätsergebnisse

Bei der Interpretation der Ergebnisse einer multivariaten Fähigkeitsstudie sollten die folgenden Richtlinien berücksichtigt werden:

  • CpMV > 1,33: Die Prozessvariation liegt deutlich innerhalb der Spezifikationsregion, was auf eine hervorragende potenzielle Fähigkeit hinweist.
  • 1,00 ≤ CpMV ≤ 1,33: Der Prozess ist in der Lage, erfordert jedoch möglicherweise eine Überwachung, um eine Verschlechterung zu verhindern.
  • CpMV < 1.00: Die Prozessvariation übersteigt die Spezifikationsregion; sofortige Verbesserung ist erforderlich.
  • CpkMV vs. CpMV: Eine große Lücke zeigt an, dass der Prozess außermittig ist.
  • Univariate vs. multivariate Indizes: Wenn univariate Cp/Cpk-Werte alle hoch sind, aber multivariable Indizes niedrig sind, ist die Korrelation zwischen Variablen der wahrscheinliche Schuldige.

Wenn die Daten nicht normal sind, sollten nichtparametrische Methoden verwendet werden, die den Anteil der nichtkonformen Einheiten direkt aus der empirischen Verteilung abschätzen, wie z. B. der in Shore (2005) beschriebene multivariate Ansatz.

Best Practices und häufige Fallstricke

Best Practices

  • Erfasse genügend Daten: Ziel: mindestens 100 Beobachtungen für niederdimensionale Fälle, mehr für höhere Dimensionen.
  • Verifizieren Sie Annahmen: Testen Sie immer auf multivariate Normalität und Korrelationsstruktur, bevor Sie Indizes berechnen.
  • Verwenden Sie geeignete Software: Nutzen Sie statistische Pakete, die multivariate Fähigkeitsanalysen unterstützen, wie Minitab, JMP, R oder Python mit Bibliotheken wie und . Das NIST/SEMATECH e-Handbook of Statistical Methods bietet detaillierte Anleitungen und Beispiele. Besuchen Sie das NIST e-Handbook.
  • Zusammenarbeit mit Experten der Domäne: Arbeite mit Prozessingenieuren und Statistikern zusammen, um sicherzustellen, dass die ausgewählten Variablen und Spezifikationen aussagekräftig sind und dass die Analyse mit praktischen Einschränkungen übereinstimmt.
  • Validieren Sie das Modell: Verwenden Sie Hold-Out-Daten oder Cross-Validierung, um zu bestätigen, dass die Fähigkeitsschätzungen zuverlässig und im Laufe der Zeit stabil sind.

Häufige Fallstricke

  • Korrelation ignorieren: Dies ist der häufigste Fehler. Univariate Fähigkeit mag gut aussehen, aber korrelierte Variablen können einen hohen Prozentsatz von nicht konformen Einheiten verursachen. Führen Sie immer eine multivariate Analyse durch, wenn Variablen bekannt sind oder vermutet werden, dass sie korreliert sind.
  • Mit unzureichenden Daten: Kleine Samples führen zu großen Abtastfehlern in Kovarianzmatrixschätzungen, was zu unzuverlässigen Fähigkeitsindizes führt.
  • Überblick der Datenqualität: Ausreißer und fehlende Daten können multivariate Indizes stark verzerren.
  • Misinterpreting Indices: CpMV berücksichtigt nicht die Zentrierung; verwenden Sie immer CpkMV in Verbindung.
  • Multivariate Methoden auf instabile Prozesse anwenden: Die Fähigkeitsanalyse ist bedeutungslos, wenn der Prozess nicht in der statistischen Kontrolle ist.

Schlussfolgerung

Die Durchführung einer Prozessfähigkeitsstudie in einem multivariaten Kontext ist komplexer als ihr univariates Gegenstück, bietet jedoch ein weitaus genaueres Bild der Prozessleistung, wenn Variablen interagieren. Durch die sorgfältige Definition von Variablen, die Sammlung repräsentativer Daten, die Überprüfung von Annahmen, die Verwendung geeigneter statistischer Tools wie PCA und Hotellings T2 und die Berechnung robuster multivariater Kapazitätsindizes können Unternehmen den tatsächlichen Zustand der Prozessfähigkeit und Zielverbesserungen effektiv identifizieren. Die multivariate Fähigkeitsanalyse ist ein leistungsfähiges Werkzeug, um qualitativ hochwertige Ergebnisse zu erzielen und Abfall in modernen Fertigungs- und Serviceprozessen zu reduzieren. Für weitere Studien bietet die American Society for Quality (ASQ) Kurse und die Qualitätsressourcen für Prozessfähigkeit an. Darüber hinaus bietet das Buch "Statistical Quality Control" von Montgomery eine eingehende Behandlung von multivariaten Methoden.