כיצד להשתמש מונטה קרלו סימלציה כדי לתכנן תוכניות קבלה טובות יותר

מדוע קבלה מסורתית יכולה ליפול

תוכניות קבלה הן מרכיב מרכזי של בקרת איכות הייצור.הם מספקים דרך מובנית להחליט אם לקבל או לדחות קבוצה של מוצרים המבוססים על בדיקת מדגם. Standards כמו ANSI / ASQ Z1.4 או MIL-STD-105 כבר בשימוש במשך עשרות שנים. עם זאת, תוכניות קבועות אלה להניח תנאים אידיאליים ולא להתאים את הגמישות הייחודית של תהליך ייצור ספציפי.

סימולציות מונטה קרלו מציעות דרך מעשית מתוך הדילמה הזאת.במקום להסתמך על שולחנות סטטיים, אתה יכול מודל הפרמטרים של התהליך בפועל שלך - גודל של סנטימטר, חלוקת קצב פגם, עלות דגימה וסובלנות סיכון - ולאחר מכן לדמות אלפי תוצאות אפשריות. גישה דינמית זו מסייעת לך לעצב תוכנית דגימה הממזערת כי הוא אפסי עלות תוך עמידה ברמת היעד שלך.

מה הם מונטה קרלו סימלציה? A brief review

סימולציות מונטה קרלו הן טכניקות חישוביות המשתמשות במפלינג אקראי חוזר כדי להעריך את ההפצה ההסתברותית של תוצאות במערכת עם אי ודאות.השם עצמו הוטבע במהלך פרויקט מנהטן, בהשראת קזינו מונטה קרלו במונקו, בשל התפקיד של הזדמנות וקוראמיות. בשליטה איכותית, אנו יכולים להשתמש בו כדי מודל של הטבע האקוורטי של התרחשות ובחירת אקראי של פריטים מקבוצה.

בליבתו, סימולציה מונטה קרלו עושה את הדברים הבאים:

(FLT:0) קובעי קלט משתנים 1FLT עם התפלגות הסתברות (למשל, שיעור הפגם מחולק בדרך כלל כ-2% עם סטייה סטנדרטית של 0.5%).
(ב) ויקרא י"א: "ה', כ"א," (ב)" (ב)"ב)" (שם י"ד).
(ב) ,0) , ⁇ (ב) , אם החבורה עוברת או לא מצליחה לתת את תוכנית הדגימה).
(ב) ,0) ,RepeatsFLT:1 התהליך של עשרות אלפי פעמים לבנות גולגולת של תוצאות אפשריות.
(FLT:0) אנו מעתיקים את התוצאות המצטברות של ההרחבה 1 (AOQ) כדי לחשב מדדים מרכזיים כמו ההסתברות קבלה (Pa) עבור שיעור פגם מסוים, איכות יוצאת ממוצעת (AOQ), או העלות הצפויה הכוללת.

טכניקה זו משמשת נרחב במימון, ניהול פרויקטים והנדסה. בשליטה איכותית, היא זורה כי קבלת הדגימה כוללת מקורות מרובים של ריקנות אינטראקציה בדרכים לא לינאריות - שיעורי הגנה, דגימות, ואפילו טעות מדידה. סימולציה יכול ללכוד את כל האינטראקציות האלה מבלי צורך פתרונות מתמטיים סגורים.

החלת מונטה קרלו סימלציה לתכנן תוכניות קבלה

שלב 1: Define the Parameters and Astions

לפני שתתחילו להשתמש בכלי סימולציה, עליכם להגדיר בבירור את הבעיה.

גודלו של LT:0 (N)FLT:1: בדרך כלל קבוע עבור ייצור נתון, אבל יכול להשתנות אם אתה מתכנן מדיניות כללית.
(ב) ,0) גודל (n) ,(n)FLT:1: מספר היחידות שאתה מתכנן לבדוק את המנה.
מספר ה- 0 (c)Figeptance מספר 1 (c) ; המספר המקסימלי של יחידות פגומים מותר במדגם כדי לקבל את המנה.
(p)FLT:1; זה בדרך כלל לא ברור.במקום ערך יחיד, להגדיר הפצה - אולי בהתבסס על נתונים היסטוריים או על יכולת תהליך של ספק (Cpk). אפשרויות נפוצות הן התפלגות בטא (התעריפים החסומים) או נורמלי (עבור אצילות גדולות).
(הופנה מהדף LT:0) ,(FLT:1): מחיר לבדיקה, עלות קבלת יחידה פגומה (כישלון או עלות אחריות פנימית), עלות של דחיית יחידה טובה (הסרפס, עבודת מחדש, או רווח אבוד).
(FLT:0Risk LimitsFLT:1: הסיכון של הצרכנים (β) - ההסתברות לקבל אצווה עם שיעור פגם גבוה ללא הצלחה, ואת הסיכון של המפיק (α) - ההסתברות לדחות אצווה שעומדת בדרישות איכות. אלה לעתים קרובות מוגדרות על ידי חוזים או סטנדרטים פנימיים.

שלב 2: בניית מודל סימבול

השתמש בפלטפורמת תוכנה כמו R, Python, MATLAB, או אפילו Excel עם תוספות.המודל ידמה אצווה אחת בכל פעם:

באופן אקראי ליצור אצווה של פריטים N, כל אחד עם מצב פגם (מפרק או לא-defective) מבוסס על שיעור הפגם הנוכחי.
באופן אקראי בחר פריטים מן אצווה זו ללא תחליף.
לספור את מספר פגמים d במדגם.
החל את הכלל: אם d ⁇ c, לקבל את המנה; אחרת לדחות.
תוצאות מעקב: קבלה או דחייה, מספר פגמים בפועל בחבילה המלאה, והעלויות שנגרמו.

תהליך זה חוזר על עצמו עבור אצות רבות (למשל, 100,000 טבלאות) כדי להשיג הערכות יציבות.אתה יכול גם לשנות את שיעור הפגם באופן שיטתי - לדוגמה, להפעיל את הסימולציה עבור p = 0%, 1%, 2%, ..., 10% - כדי לבנות עקומת הפעלה (OC).

שלב 3: הפעל את הסימונים ואנליז תוצאות

לאחר הפעלת הסימולציות, תקבל שולחן של פלטים לכל תרחיש.סימטרי מפתח כוללים:

(ב) ,0) קבלת קבלה (Pa)FirLT:1 בכל שיעור פגם, זה מאפשר לך ליצור עקומת OC, אשר מראה את הכוח המפלה של התוכנית.
(FLT:0) איכות יוצאת דופן (AOQ)veFLT:1: שיעור הפגם הצפוי לאחר בדיקה, בהתחשב אצילות נדחות, reworked, או חזר לספק. AOQ = Pa × p (עבור תוכניות ללא תיקון בדיקה) עבור תיקון תוכניות, הנוסחה הופכת מורכבת יותר - אדמיות מטפלות באופן טבעי.
(ב) ,0) ,3 ,3 ,3 ,3 ,3 ,3 ,2 ,3 , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
(ב) הסיכון של β) ,(FLT:1 ;2 אינפלציה הסיכון של ⁇ (α)FLT 3: בדרגות האיכות המוסכמות (AQL ו- LTPD).

אנליז את הפלטים האלה כדי לראות אם התוכנית עונה על קריטריונים הסיכון שלך.אם לא, להתאים n ו c וחזרה. Monte קרלו מאפשר לך לחקור שילובים רבים במהירות.

שלב 4: אופטימיזציה התוכנית

אופטימיזציה בדרך כלל כרוך איזון מטרות מתחרות.לדוגמה, הגדלת n להפחית הן α ו β אבל מעלה את העלות בדיקה. גישה נפוצה היא להשתמש סימולציה כדי לחשב את העלות הצפויה על פני כל אפשרי (n, c) זוגות ולבחור את זה הממזער את העלות תוך מתן מגבלות סיכון.You יכול גם לשלב מסגרת רב-אובייקטיבי: למזער את העלות הכוללת של α 5% ו β 10% ברמות המפורטות ב -10%.

מכיוון שמודל הסימולציה הוא סטוצ'יסטיק, עליך להפעיל מספר רב של שכפול (למשל, 10 ריצות של 100,000 טבלאות כל אחד) ולעקוב אחר המשמעות והחלשות של ההערכה.זה נמנע מלסלק תוכנית המבוססת על זרע אקראי בר מזל.

דרישות מתקדמות: Beyond Basic Single-Sampling Program

תכונות הפעלה (OC) Curves

עקומת OC היא הכלי האיבחוני החשוב ביותר עם מונטה קרלו, אתה יכול למיין עקומת OC עבור כל תוכנית המוצעת ולהשוות אותה לעקום האידיאלי (תפקוד צעד) העקומה מראה את פער הסחר בין הסיכונים של המפיק והצרכן של הצרכנים.אם העקומה היא תלולה מדי (שינוי קטן ב p גורם לירידה גדולה מדי בפא), ייתכן שיהיה צורך בדגימה גדולה יותר מדי, ללא יכולת מפלה ומפלה.

ממוצע של הגבלת איכות (AOQL)

עבור תוכניות בדיקה מחדש (שם סימטריות נדחות 100% ותיקון), עקומת AOQ בדרך כלל עולה בקצב פגם ביניים. כי שיא הוא סימולציה AOQL. מונטה קרלו יכול להעריך את AOQL יותר מדויק מאשר תחזיות אנליטיות, במיוחד כאשר חלוקת הריבית אינה אחידה.

Multi-Stage and Sequential Sampling

מונטה קרלו אינה מוגבלת לתוכניות דגימה יחיד.You יכול מודל כפול דגימה, מספר רב של דגימה, או אפילו תוכניות שונות לחלוטין.לדוגמה, תוכנית דגימה כפולה לוקח מדגם ראשון; אם ספירת הפגם היא מאוד נמוכה, לקבל; אם גבוה מאוד, דוחה; אחרת, לקחת מדגם שני.

כולל מדדים בלתי-וודאים

בתהליכים רבים של בדיקה, שגיאות מדידה היא מציאות - חזרה על עצמה מחדש והתאמה מחדש (R&R) מחקרים מראים כי החלטות מעבר / חול אינן אמינות לחלוטין.ניתן להסיק שגיאות כשכבה אקראית שנייה: פגם עשוי להיות מפספס (שלילי) או יחידה טובה יכול להיות נשפט פגומה (חיובי חיובי כפול).

היתרונות של מונטה קרלו סימלציה

אימוץ סימולציה מונטה קרלו עבור עיצוב דגימה קבלה מספק יתרונות קונקרטיים מעבר למה שולחנות מסורתיים יכולים להציע:

(FLT:0) תוכניות מובנות עבור העולם האמיתי varientiabilityFLT 1:1: במקום תוכנית בגודל אחד - כל תוכנית, אתה יכול לשלב את חלוקת שיעור הפגם בפועל שלך, תנודות בגודל אצווה, ואת מבנה העלות.זה מוביל תוכניות כי הם לא שמרניים מדי (מאמץ בדיקה) או אגרסיבי מדי (סיכון תלונות לקוח).
(FLT:0) ניתוח רגישות רוסבוסט (FLT:1): אתה יכול לבדוק כיצד התוכנית מבצעת אם שיעור הפגם גבוה ב-20% מהצפוי, או אם למערכת המדידה יש יותר שגיאה מאשר להניח.
(FLT:0) אופטימיזציה של שרשרת האספקה: על ידי סימון העלות הכוללת (inspection + כשל + rework), אתה יכול לזהות את גודל הדגימה אשר מניב את העלות הנמוכה ביותר בשילוב. לדוגמה, עלייה קטנה בעלויות בדיקה עשויה להפחית באופן דרמטי את עלויות הכישלון, שיפור הרווחיות הכוללת.
(FLT:0) תקשורת ויסקיטיבית ואינטואיטיבית: A Histogram of Total Cost from 100,000 סימולציות הוא הרבה יותר משכנע לבעלי עניין מאשר שולחן סטטי.זה מראה את ההסתברות של עלייה בתקציב, לא רק ממוצע.
(FLT:0) רגישות לשרשרת האספקה המורכבת של אספקת החשמל: אם יש לך ספקים מרובים עם שיעורי פגם שונים ואתה משלב הרבה, מונטה קרלו יכול לדמות את כל זרימתם ועיצוב אסטרטגיה שונה של דגימה - למשל, בדיקה נוספת עבור ספקים בסיכון גבוה, פחות עבור אלה מוסמכים.

מקור:0 (ב) ,5 ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇

טיפים ומלכודות נפוצות

בחירת התוכנה הנכונה

(ב) ר' ו- Python הם חינם ויש להם ספריות מצוינות עבור סימולציה וניתוח סטטיסטי.ב-R, ה- R.FLT:0 או FLT 1 חבילות יכול לעזור, אבל אתה יכול גם לכתוב את הפונקציה שלך.In Python, להשתמש ב-FLT:2 ו-FLT:3 עבור טיפול בנתונים ו-FLT:4 עבור מזחלות.

הורדת ריבית: Get It Right

המקור הגדול ביותר של טעות במחקר מונטה קרלו הוא ההנחה נקודה הערכה לשיעור הפגם.במקום, לאסוף נתונים היסטוריים מלפחות 30-50 אצות והתאמה להתפלגות (למשל, בטא, ביוטרנטי או אמפירי) אם יש לך מעט נתונים, השתמש בשמרנים לפני (כמו בטא (1,1) או מדי) כדי לשקף את אי הוודאות.

קצר לפני Long Runs

טעות סטנדרטית של הסימולציה פירושה ירידה של 1 / ⁇ (מספר של ריצות) עבור רוב היישומים האיכותיים, 10,000 עד 50,000 היציאות לתרחיש מספיק כדי לשמור על שגיאה יחסית מתחת 1–2% עבור הערכת פא, ייתכן שתצטרך יותר ריצות (100,000+) כדי להבדיל בין תוכניות קרובות.תמיד להפעיל זרעים מרובים ובדיקת מזימות.

עקבו אחרי Over-Optimization

זה מפתה לחפש את זוג יחיד הטוב ביותר (n, c) הממזער את העלות בסימולציה שלך.אבל הסימולציה היא מודל, לא מציאות.הפצה של שער הפגם האמיתי עשויה להשתנות לאורך זמן. לכן, לבחור תוכנית המבצעת היטב על פני טווח של שערי פגם סבירים, לא רק הערכה נוכחית. תוכנית חזקה היא אחד שבו עלות שטוח יחסית סביב אופטימלית - "אזור טוב" מספיק במקום סכין אופטימלית.

מקרה מחקר: אוטומציה של ספק Inspection

(FLT:0)Scenario:FLT:1 יצרנית מכשירים רפואית מקבלת 100,000 יחידות בחודש מספק חדש.חוזה מפרט AQL של 0.65% ו- LTPD של 3.0% עם α ⁇ 5% ו- β β β 10%.העלות לבדוק יחידה אחת היא 0.550 דולר, בעוד העלות של קבלת יחידה פגומה (כשלים מקוונים), הסיכון מוערך ב- 0.2% בערך ב- 2.8%.

הגישה המסורתית:0 (FLT:1 Using ANSI/ASQ Z1.4, כרך מדגם L נותן N=200, c=3.תוכנית זו כוללת אפליה מעולה, אך 100 דולר לחבילה לבדה.

(FLT:0) גישה סימולציה של מונטה קרלו: 1FLT:1ir הצוות פועל 50,000 סימולציות עבור כל אחד (n, c) שילובים, באמצעות התפלגות בטא עבור 6 חודשים של נתונים הספק.הם מוצאים כי n=80, c=2 מניב α=4.8%, β=9.2% (בגבולות) ומחיר צפוי של 0,428 ליחידה, 44% לעומת LT2, לעומת LT2 LT2 תוכניות דומות ל-F:

(FLT:0Outcome:0.come:0.10.1 היצרן מיישם את התוכנית החדשה עם מערכת ניטור.לאחר שלושה חודשים, הם בודקים את הסימולציה באמצעות נתונים פגומים מעודכנים ומאשרים את התוכנית מתבצעת כצפוי.החיסכון השנתי עולה על 500,000 דולר, והחברה משתמשת באותה מתודולוגיה מתודולוגיה עבור ספקים אחרים.

מסקנה: בניית אסטרטגיה חכמה יותר

סימולציות מונטה קרלו לתת מהנדסי איכות דרך חזקה לעבור מעבר טבלאות קבלה גנריות.על ידי מודל התהליך בפועל שלך פנויות ואת מבנה העלות, אתה יכול לתכנן תוכניות כי הם מכוונים בדיוק התיאבון הסיכון שלך ואת התקציב. הגישה אינה מורכבת: להגדיר קלטות, סימולציה, לנתח, אופטימיזציה. עם כוח מחשוב מודרני, אתה יכול להעריך אלפי מועמדים תוכניות בתוך דקות, לא שבועות.

התחל קטן - קנה קו מוצר אחד גבוה בגודל גבוה ולבנות סימולציה ב Python או R. אימות הפלט נגד החלטות קבלה היסטוריות. ולאחר מכן להרחיב את השיטה למוצרים אחרים ספקים.עם הזמן, תוכל ליצור ספריית תוכניות אופטימיזציה אשר להפחית את העלות הכוללת של איכות ללא קידוד בטיחות או שביעות רצון הלקוחות.ההשקעה למעלה בסימולציה היא צנועה; ההחזר המתמשך יכול להיות משמעותי.

לקריאה נוספת, לחקור את הדוגמאות המפורטות ב-FLT:0 (iSixSigma Guide on Acceptation samplingph1 ודוגמאות הסימולציה המפורטות ב-FLT:2Quality EngineeringFLT 3) מאמרים.העתיד של בקרת איכות הוא מונחת נתונים מבוסס סימולציה מבוססת סימולציה - מונטה קרלו הוא כלי מרכזי במעבר זה.