تفسیر دلیل آماری در کنترل کیفیت

در تولید مهندسی بالا، تصمیم به پذیرش یا رد یک تولید ([۱] به ندرت بر اساس ۱۰۰٪ بازرسی است.هزینه، زمان و ماهیت مخرب بسیاری از تست ها، نمونه برداری کامل را غیر عملی می کند، که ریشه در تئوری آماری دارد، چارچوب منظمی برای تصمیم گیری با ریسک قابل اندازه گیری فراهم می کند. [۶] مهندسین یک نمونه تصادفی را ترسیم می کنند، و یا به طور کامل بر اساس استانداردهای کنترل محصول، و یا رد کردن این روش تعادل رسمی،

زیرمجموعه های آماری Core Underpinnings

نمونه گیری پذیرش بر نظریه احتمال برای پیوند نتایج نمونه به ویژگی های جمعیت متکی است.فرض اساسی این است که نمونه به طور تصادفی از بسیاری گرفته شده است و فرآیند تولید به اندازه کافی پایدار است تا نماینده باشد. توزیع های آماری کلیدی درگیر توزیع باینری (برای داده هایی مانند pass /fail) و توزیع Poisson (که اغلب برای تشخیص نقص های واحد استفاده می شود) اجازه می دهد تا یک نمونه واقعی از تعداد معینی از توزیع های احتمالی را مشاهده کنند.

خطرات تولید کننده و مصرف کننده

هر طرح نمونه شامل دو نوع خطا است. [نوع] خطای یا producer] ریسک (α] [α] ، احتمال رد کردن مقدار زیادی از مشتری است که در واقع با کیفیت قابل قبول (QL) مطابقت دارد، این باعث می شود که تامین کننده برای تولید خوب (FLT II: 0.

ویژگی های عملیاتی (OC) Curve

منحنی OC مهم ترین ابزار گرافیکی در نمونه برداری پذیرش است. [۱] احتمال پذیرش بسیاری (y-axis) در برابر کسری واقعی (x-axis) است که منحنی OC ایده آل یک تابع گام است: پذیرش همه چیز زیر ALTL، رد همه چیز در واقعیت، منحنی دقیق Sshape است. [۱۰] منحنی منحنی منحنی منحنی دو برابر برای تفسیر کیفیت OLT C.

طراحی نقشه نمونه برداری

طراحی یک برنامه موثر نیاز به تعیین چهار پارامتر دارد: اندازه زیاد (N)، اندازه نمونه (n)، شماره پذیرش (c – حداکثر تعداد مجاز معیوب در نمونه)، و شماره رد (r - معمولا C+1 برای برنامه های واحد) انتخاب می شوند تا با AQL، LTPD، α و β فرآیند چاپ شده، ریسک های تست را انتخاب کنند (برای تنظیم سرعت پردازش، و سپس n.c.

طرح های تک، دوگانه و غیرماجرا

نمونه برداری ساده ترین است: یک نمونه از اندازه n را در نظر بگیرید، اگر تعداد معیوبها ≤ c، قبول؛ در غیر این صورت نمونه دوگانه یک شانس دوم را فراهم می کند: نمونه اولیه از اندازه n1 اگر تشخیص معیوب ≤1، قبول کنید؛ اگر مقدار کل عدد دوم را مقایسه کنید و نمونه دوم را کاهش دهید.

نمونه برداری محرمانه حتی بیشتر می رود: واحد ها در یک زمان مورد بررسی قرار می گیرند.بعد از هر واحد، تعداد فرار تجمعی با مرز بالا (reject) و یک محدوده نمونه برداری پایین تر (پذیر) ادامه می یابد تا زمانی که یک مرز عبور می کند، این کارآمدترین برنامه در شرایط نمونه متوسط است، به ویژه هنگامی که کیفیت بسیار خوب یا جداول بسیار بد است.

انتخاب نوع برنامه مناسب

عوامل موثر بر انتخاب شامل هزینه بازرسی، ماهیت مخرب آزمایشات، سرعت مورد نظر و پیچیدگی اداری است که برنامه های تک آسان برای مدیریت هستند، اما ممکن است نیاز به نمونه های بزرگتر و متوالی کاهش اندازه نمونه های متوسط اما نیاز به قوانین تصمیم گیری پیچیده تر است.در هوافضا و تولید دستگاه پزشکی، که در آن آزمایش مخرب است، نمونه گیری متوالی اغلب ترجیح می دهد به حداقل رساندن تعداد واحدهای تخریب شده است.

توزیع آماری در پذیرش نمونه برداری

مدل Binomial Model

هنگامی که نمونه برداری از تعداد زیادی (معمولا N > 10n) و بازرسی برای نقص های شخصیتی (به عنوان مثال، pass/fail)، مدل های توزیع دوومی تعداد معیوب ها در نمونه را بررسی می کند، احتمال مشاهده معیوب های x در موارد، با توجه به اندازه های معیوب، P(x) = C(n، x) x) جایگزینی (x) که با این نمونه های بسیار زیاد، اندازه ی 0(c) فرض می شود.

دانلود بازی Poisson Approximation

هنگامی که نرخ نقص پایین است (p < 0.1) و اندازه نمونه بزرگ است، توزیع Poisson یک تقریب نزدیک را فراهم می کند. پارامتر λ = n * این محاسبات ساده سازی می کند و معمولا در جداول صنعتی استفاده می شود. احتمال پذیرش مقدار زیادی به مجموع احتمالات Poisson برای 0 به c نقص تبدیل می شود. مدل Poisson همچنین برای نقص های واحد (غیر) به جای واحدهای معیوب استفاده می شود.

بررسی های Hypergeometric

برای اندازه های کوچک (به عنوان مثال، N < 10n)، اصلاح جمعیت محدود مهم می شود. توزیع هیپرژوژنیک باید به جای binomial استفاده شود زیرا نمونه برداری بدون تغییرات قابل ملاحظه ای در چنین مواردی، منحنی OC شیب دار است و خطر مصرف کننده برای یک برنامه داده شده پایین تر است.

برنامه های کاربردی در سراسر صنایع

ساخت ماشین آلات

نمونه گیری پذیرش برای مواد خام ورودی و فرعی استفاده می شود.برای مثال، یک تامین کننده لایه ممکن است پدهای ترمز را از محموله 5000 نمونه برداری کند.با استفاده از یک طرح واحد با n=125 و c=3 (AQL= ⁇ ، LTPD=5.0٪)، تامین کننده می تواند به سرعت تصمیم بگیرد که آیا به پذیرش مقدار زیادی یا رد و برگشت به فروشنده این قطعات معیوب نیاز دارد، اغلب به کاهش کیفیت ماشین آلات ثبت شده است.

صنایع الکترونیک و نیمه هادی

در الکترونیک، تست هر جزء به دلیل هزینه و زمان، نمونه برداری برای مدارهای یکپارچه، مقاومت کنندگان و کانکتورها غیر ممکن است، زیرا نرخ نقص به شدت پایین است (قطعات در هر میلیون)، برنامه ها اغلب از شماره پذیرش صفر (c=0) برای جلوگیری از پذیرش تعداد زیادی از بد استفاده می کنند، این برنامه ها خطر مصرف کنندگان بالا دارند مگر اینکه اندازه نمونه بزرگ باشد.

تجهیزات دارویی و پزشکی

آژانس های نظارتی مانند FDA نیاز به اطمینان دقیق از برنامه های نمونه برداری برای تست انعطاف پذیری دارند، جایی که تست مخرب است.برنامه های اکتشافی ترجیح داده می شوند زیرا تعداد واحدهای تخریب شده در حالی که اعتماد به نفس آماری را حفظ می کنند، حداقل می شود. منحنی OC باید اطمینان حاصل شود که این طرح مطابق با نیازهای خطر مصرف کننده و مصرف کننده است.

فضا و دفاع

MIL-STD-1916 (که اکنون فوق العاده مورد استفاده قرار گرفته است) برنامه های نمونه برداری و متغیر را برای پیمانکاران دولتی فراهم می کند.این تمرکز بر قابلیت اطمینان بالا و قابلیت ردیابی است.برنامه های نمونه دوگانه برای کاهش اندازه نمونه در حالی که تیم های مهندسی باید توجیه آماری برای هر برنامه مورد استفاده را مستند کنند.

فراتر از ویژگی ها: نمونه برداری متغیرs

نمونه گیری صفات (defective / non-defective) ساده اما ناکارآمد برای اندازه گیری های مداوم است. نمونه گیری متغیرهای استفاده از اندازه گیری های واقعی (به عنوان مثال، قطر، قدرت کششی) برنامه به طور معمول فرض توزیع طبیعی و استفاده از نمونه انحراف و استاندارد برای برآورد میزان فرار ZQ. برنامه های متغیرهای نیاز به اندازه کوچکتر برای همان قدرت تبعیض آمیز، زمانی که آنها را جذاب و قابل درک است.

اشتباهات رایج و تصورات غلط

  • نتیجه نمونه با کیفیت زیاد: نمونه خوب تضمین نمی کند بسیاری از خوب؛ همیشه خطای نمونه برداری وجود دارد که این خطر را اندازه گیری می کند.
  • برنامه های پذیرش صفر بدون مبنای آماری مناسب: بسیاری فرض می کنند که برنامه های {\displaystyle \" کامل هستند، اما اغلب خطر مصرف کننده بسیار کوچک دارند، فقط اگر اندازه نمونه به اندازه کافی بزرگ باشد.
  • تشخیص خطر تولید کننده: برنامه های سخت افزاری می تواند بسیاری از چیزهای خوب را رد کند، و باعث اختلال زنجیره تامین شود.
  • برنامه های استاندارد بدون پیش فرض های معتبر را اجرا کنید: بسیاری از همگن، نمونه گیری تصادفی، و ثبات فرایند باید تأیید شود.
  • مقابله با برنامه های به روز رسانی: [FLT 1] به عنوان فرایند بهبود، همان طرح ممکن است بیش از حد محافظه کارانه تبدیل شده است.

نتیجه گیری

پایه های آماری نمونه پذیرش ارائه مهندسین با یک روش منطقی و مبتنی بر ریسک برای تضمین کیفیت.از طریق درک منحنی OC، خطرات تولید کننده و مصرف کننده، و انواع برنامه نمونه برداری مناسب، تیم های مهندسی می توانند بازرسی هایی را طراحی کنند که هزینه تعادل، بهره وری و کیفیت را برآورده می کنند، چه با استفاده از ویژگی ها و یا برنامه های تطبیق، کلید استدلال آماری دقیق است نه قوانین دلخواه تولید، زیرا آموزش های اتوماسیون گسترده با استفاده از پردازش داده های کنترل دقیق و پردازش دقیق است.