אימפולס סטטיסטי של חשיבה סטטיסטית בשליטה איכותית

בתפוקה הנדסית גבוהה, ההחלטה לקבל או לדחות הרבה ייצור מבוססת רק לעתים רחוקות על 100% בדיקה.העלות, הזמן והטבע ההרסני של בדיקות רבות, מקבל בדיקה מלאה בלתי מעשית.קבלות, מושרשת בתיאוריה סטטיסטית, מספקת מסגרת ממושמעת לקבלת החלטות אלה עם סיכון חד-משמעי של LT2.

המונחים:

קבלת הדגימה מסתמכת על תאוריה הסתברות לקשר תוצאות מדגם למאפיינים של האוכלוסייה.ההנחה הבסיסית היא כי הדגימה נמשכת באופן אקראי מן הרוב, וכי תהליך הייצור יציב מספיק עבור הרבה להיות נציג.ההההההההההה הסטטיסטית העיקרית המעורבת היא החלוקה הבין-מימית (עבור תכונות כגון מעבר/פאל) והתפלגות Poisson (לעתים קרובות עבור פגמים ליחידה) מאפשרת למהנדסים לחשב את ההסתברות של מספר מסוים של פגמים.

הסיכון של המפיק והצרכן

(ה) כל תוכנית דגימה כוללת שני סוגים של טעויות.FLT:0Type I ErrorveFLT 1 (FLT:2producer's הסיכון (α)3, הוא ההסתברות לדחות הרבה אשר למעשה עומד ברמה האיכותית המקובלת (AQL) זה מעניש את הספק לייצור טוב.

ה-OC) Curve

עקומת OC היא הכלי הגרפי החשוב ביותר ב- sampling.It מבססת את ההסתברות לקבל הרבה (y-axis) נגד השבר האמיתי של פגום (x-axis) עקומת OC אידיאלית תהיה פונקציה צעד: לקבל את כל השפע מתחת ל- AQL, לדחות את כל האמור לעיל במציאות, העקומה היא חלק S-ALT.

תכנון תכנית סמפלינג

תכנון תכנית יעילה דורש לציין ארבעה פרמטרים: גודל הדגימה (N), מספר הקבלה (n), מספר הקבלה (c - המספר המקסימלי של פגומים בדגם), ומספר הדחייה (r - בדרך כלל c1 עבור תוכניות בודדות) אלה נבחרים לעמוד ב- AQL, LTPD, α ו- β.התהליך כרוך לעתים קרובות חישוב רציונטיבי: ניסוי ו- nQ, לאחר מכן, הם מתאימים לשימוש טבלאות סטטיסטית (SI) עד ל- CD.

תוכניות חד-צדדיות וקיימות

(ב) (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

(FLT:0) samplingofal LT:1 הולך אפילו עוד: יחידות נבדק אחד בכל יחידה, ספירת הפגם המצטברת היא בהשוואה לגבול העליון (reject) וגבול נמוך יותר (מקובל) נמשך עד גבול אחד חצוי גבול.

בחירת סוג התוכנית הנכונה

גורמים המשפיעים על הבחירה כוללים את העלות של בדיקה, את האופי ההרסני של בדיקות, את המהירות הרצויה, ואת המורכבות האדמיניסטרטיבית. תוכניות רווקות קל לנהל אבל עשוי לדרוש דגימות גדולות יותר. כפול ו-Squential תוכניות להפחית את גודל הדגימה הממוצע אבל צריך יותר כללי החלטות מורכבים. in aerospace ומכשיר רפואי, שבו בדיקות הוא הרסני, sampling quential הוא לעתים קרובות מעדיף למזער את מספר יחידות ההרוסות.

הפצה סטטיסטית בהסכמה

מודל Binomial

כאשר דגימה משפע גדול (בדרך כלל N > 10n) ובדיקה של פגמים תכונה (למשל, לעבור /fail), ההתפלגות בינארית מודלים מספר פגומים במדגם.ההסתברות של התבוננות ב-x פגומים x פריטים n, בהתחשב הרבה שבריר פגם p(x)= C(n, x) px (1-p) (n) עבור âx-x עבור âx-x זה הוא מניח âx עבור גודל âx â â â â â ¢ ¢ tâ â â ¢ ¢ ¢ ¢ ¢ ¢ tâ ¢ ¢ â â â â â ¢ ¢ ¢ ¢ ¢ t ¢ ¢ ¢ ¢ ¢ ¢ â â â â ¢ ¢ â ¢ ¢ â â â â â ¢ â â â â â â â â â â â â â â â â â â â â â â ¢ â â ¢ ¢ ¢

פומפסון Approximation

כאשר שיעורי הפגם נמוכים (p < 0.1) וגדלים מדגם הם גדולים, התפלגות Poisson מספקת יישום קרוב. פרמטר λ = n * p. זה פשטות חישובים והוא נפוץ בטבלאות התעשייה.ההסתברות לקבל הרבה הופך את הסכום של הסתברות Poisson עבור 0 לפגמים.

המונחים Hypergeometric

עבור גדלים קטנים (למשל, N < 10n), תיקון האוכלוסייה הסופי הופך חשוב.הפצה היפרגיאומטית צריכה לשמש במקום בינארי, כי דגימה ללא שינויים משמעותיים ההסתברות.במקרים כאלה, עקומת OC היא תלולה יותר, ואת הסיכון של הצרכן הוא נמוך יותר עבור תוכנית נתונה.

יישומים מעשיים בתעשיות

ייצור רכב

קבלת הדגימה משמשת עבור חומרים גולמיים נכנסים ו subcomponents.לדוגמה, ספק tier-one עשוי דגימות כריות בלמים ממשלוח של 5000.שימוש בתוכנית אחת עם n=125 ו- c=3 (AQL=1.0%, LTPD=5.0%), הספק יכול להחליט במהירות אם לקבל את השפע או לדחות ולחזור לספק זה למנוע פגם מ-41 מעלות, כמו גירסאות הפעלה ix.

תעשיית האלקטרוניקה וה Semiconductor

באלקטרוניקה, בדיקות כל רכיב הוא בלתי אפשרי בשל עלות וזמן. Sampling מוחל מעגלים משולבים, מתנגדים ומחברים. כי שיעורי הפגם נמוכים מאוד (חלקים למיליון), תוכניות לעתים קרובות להשתמש אפס קבלה מספר (c=0) כדי להימנע משפע רע.עם זאת, תוכניות כאלה יש סיכון גבוה של צרכנים אלא אם כן גדלים מדגם הם גדולים או כפול דגימה משמש בדרך כלל כדי לאזן.

תרופות ומכשירים רפואיים

סוכנויות רגולטוריות כגון ה- FDA דורשות אימות קפדני של תוכניות דגימה עבור בדיקות סטריליות, שבו בדיקות הרסניות. תוכניות הכרחיות מועדפות כי הם ממזערים את מספר היחידות שנהרסו תוך שמירה על ביטחון סטטיסטי. עקומת OC חייבת להיות מאומתת על מנת להבטיח כי התוכנית עונה הן דרישות הסיכון של המפיק והן של הצרכן.

אוויר והגנת

MIL-STD-1916 (כיום סופר-מעוד אך עדיין בשימוש) מספק תוכניות פיסול וחילופי משתנים עבור קבלני הממשלה.ההתמקדות היא על אמינות גבוהה ועקבות. תוכניות דגימה כפולה נפוצות כדי להפחית את גודל הדגימה תוך שמירה על אפליה גבוהה.

מעבר ל- Attributes: Variables Sampling

Attributes דגימה (מפרק / לא-הגנתי) הוא פשוט אך יעיל עבור מדידות רציפות. Variables דגימה משתמשת מדידות בפועל (למשל, קוטר, חוזק רב-קרקעי) התוכנית בדרך כלל מניחה הפצה נורמלית ומשתמשת בדגם המתאים סמן וסטנדרט כדי להעריך את שיעור המשתנים של הרבה.

מלכודות נפוצות וטעויות

  • (FLT:0) תוצאות מדגם המדגם עם איכות רבה: ההרחבה 1 (A Good Fish) אינה מבטיחה הרבה טוב; תמיד יש טעות מדגימה.
  • (FLT:0) תוכניות קבלה אפס ללא בסיס סטטיסטי ראוי: אנדרט 1 רבים מניחים כי תוכניות c=0 הן "מושלם", אבל לעתים קרובות יש סיכון קטן מאוד של הצרכנים רק אם גודל הדגימה גדול מספיק.
  • (FLT:0) הערכת הסיכון של היצרן: ההרחבה 1 (Overly Strent) יכולה לדחות הרבה דברים טובים, מה שגורם לשיבושים בשרשרת האספקה.
  • (FLT:0) תוכניות סטנדרטיות ללא אימות הנחות: ⁇ FLT 1 לוט הומוגניות, דגימה אקראית ויציבות תהליכים יש לאמת.
  • (FLT:0)להעד תוכניות: FLT:1 ככל שהתהליכים משתפרים, אותה תוכנית עשויה להיות שמרנית מדי.

מסקנה

היסודות הסטטיסטיים של הדגימה של קבלה מספקים מהנדסים עם שיטה רציונלית, מבוססת סיכון לאבטחת איכות.על ידי הבנת עקומת OC, הסיכונים של המפיק והצרכן של הצרכנים, ואת סוגי התוכנית המאגדת המתאימה, צוותי הנדסה יכולים לעצב בדיקות כי איזון עלות, יעילות, איכות.אם באמצעות תכונות או תוכניות הכשרה, המפתח הוא חשיבה סטטיסטית קפדנית ולא כללים שרירותיים כמו פיתוח עם אוטומציה אמיתית, כלי קבלה של ניהול נתונים מתקדמים יותר.