קבלת טכניקת הדמיה של נתונים ויישומים לקבלת החלטות טובות יותר

הקדמה להורדת Sampling and Data-Driven Quality Control

בייצור, לוגיסטיקה ואפילו תעשיות שירות, האתגר של איזון איכות ביטחון עם יעילות מבצעית הוא קבוע.קבלת הדגימה מציעה פתרון סטטיסטי בתוקף: במקום לבדוק כל יחידה בשפע ומפוחד; אשר לעתים קרובות הוא בלתי מעשי או בלתי חוקי או בלתי חוקי או בלתי חוקי של אנדרודונג; אתה בוחן מדגם שנבחר אקראי על בסיס מספר פגמים שנמצאו בדגימה זו, אתה מקבל החלטה לקבל את כל ה-Aceaceacetical או אסרטיבית על ידי בקרת איכות רומניה, מאז ה-Ric.

עם זאת, נתונים של קבלה גולמית בלבד יכולים להיות קשים לפרש.ללא קשר, שיעור פגם אחד לא יכול להצביע על בעיה מערכתית.זה המקום שבו FLT:0data הדמיה ויזואליזציה FLT:1 הופך קריטי.על ידי גיבוש תוצאות מדגם לאורך זמן, השוואת התפלגות פגומות על פני קווי ייצור, או הדמיה הפעלה אופייני (OC) עקומות, קבלת תובנה מיידית.

מה מתקבל על הדעת?הגדרה ומושגים Core

קבלת הדגימה היא טכניקה בקרת איכות סטטיסטית שבה מספר יחידות מוגדרות נמשכים באקראי מהרבה.יחידות אלה נבדקות על מנת להתאים לקריטריונים איכותיים מוגדרים מראש.מספר הפגמים שנצפו הוא בהשוואה למספר קבלה (ג) אם ספירת הפגם נמצאת ב או מתחת ל- c, כל העניין מתקבל; אם הוא עולה על c, הרבה הוא נדחה או נתון לבדיקה נוספת.

גישה זו מועילה במיוחד כאשר:

• בדיקה היא הרסנית (למשל, שבירת רכיב למדידת כוח רבילי).
• העלות של 100% בדיקה גבוהה יותר מאשר העלות של העברת כמה פריטים פגומים.
• לספק יש היסטוריה מוכחת של אמינות ו-100% בדיקה תוסיף עיכובים מיותרים.

(ה) ,הקבלה אינה מבטלת פריטים פגומים; אלא היא שולטת בסיכון לקבל הרבה באיכות ירודה או לדחות אחד טוב.הסיכון הזה מוגדר באמצעות ה-FLT:0operating Character (OC) עקומת ה- 1 (FLT:2aceptable Quality Level) 3, ו-(AQL)LT3, ו- 47% (Flotive: 5)

המונחים: key Parameters

• (FLT:0) רמת איכות גבוהה (AQLigue): 1 לרמה הגרועה ביותר של איכות המזוודה שעדיין נחשבת מקובלת.
• (ב) [ה]העיקרון [ה-LT:0] ל[דרוש מקור] [ה]]], רמת האיכות שנחשבת לבלתי מקובלת.תוכנית הדגימה צריכה להיות בעלת סיכוי נמוך לקבל הרבה ב- LTPD.
• (התרחשות של פ"ד:0) הסיכון של פרופודור (ולפיד; איור: 1) ההסתברות לדחות הרבה שפוגג למעשה את ה-AQL (הזעקה שקרית) בדרך כלל נקבעת ב-5% או 1%.
• (הסיכון של קונסול:0) הסיכון של קונסורמר (וולטה): 1:1 ההסתברות לקבל הרבה כי הוא או גרוע יותר מאשר LTPD.

הבנת הפרמטרים הללו חיונית לתכנון תכנית דגימה שמאזנת עלות ואיכות (FLT:0) האגודה האמריקנית לאיכות (ASQ) מספקת הדרכה מפורטת על הגדרת ערכי AQL ו- LT:1 עבור תעשיות שונות.

תוכניות קבלה

תוכניות תזמון אינן אחד בגודל של התאמה - הכל בהתאם לדיוק הדרוש, תקציב, ויכולת בדיקה, ארגונים יכולים לבחור ממספר עיצובים סטנדרטיים.

תוכנית תזמון יחיד

(ב) ב[[1924]], [[1924]]]], [[1924]]]]]], [[1924]]]], [[1924]]]]]], [[1924]]]], [[1924]]]]]], [[1924]]]]]], [[1924]]]]]]]]]], [[1924]]]]]]]], [[1924]]]]]]]], [[1924]]]]]]]]]], [[1924]]]]]]]], [[1924]]]]]], [[1924]]]]]]]], [[1924]], [[1924]]]]]]]]]], [[1924]], [[1924]]]]]]]]]], [[1966]], [[1924]]]]]]]]]], [[1966]]]]]]]]]]]]]]]]]]]]]]]], [[1966]]]], [[1966]], [[1966]], [[1966]], [[1924]], [[1966]], [[1966]], [[1966]], [[1966]], [[1966]], [[1966]], [[1966]]]], [[1966]]]]]]]], [[1966]], [[1966]], [[[[1966]],

תוכנית כפולה

דגימה כפולה מפחיתה את גודל הדגימה הממוצע על ידי מתן הזדמנות שנייה. מדגם ראשוני קטן נלקח.אם ספירת הפגם נמוכה, לקבל; אם גבוה, לדחות; אם בטווח ביניים, לקחת דגימה שנייה.הפגמים המשולבים משתי הדוגמיות אז לקבוע את ההחלטה.פול כפול דגימה משתמשת לעתים קרובות פחות יחידות הכוללות בממוצע, במיוחד כאשר האיכות טובה מאוד או רעה מאוד.

תוכניות מרובות וקיימות

מספר רב של דגימה מרחיבה את הרעיון עוד יותר, ומאפשרת עד כמה שלבים של דגימה לפני החלטה סופית. דגימה מעשית, היעיל ביותר מבחינת גודל ממוצע של דגימות, בודק יחידות אחד עד לקבלה ברורה או לדחות את ההחלטה מגיעה. שתי השיטות הן מורכבות יותר מתמטית אבל יכול להפחית באופן משמעותי את עלויות הבדיקה כאשר רבים הם טובים או רעים.

תוכניות סטנדרטיות: ANSI/ASQ Z1.4 ו- ISO 2859

רוב התעשיות מאמצות טבלאות דגימה סטנדרטיות, כגון ANSI /ASQ Z1.4 (לשעבר MIL-STD-105E) או ISO 2859-1. טבלאות אלה מספקות מספר מדגם מראש וקבלה מבוסס על גודל רב, רמת בדיקה (I, II, III), ו- AQL. השתמש בסטנדרט מוכר מבטיח עקביות על פני ספקים ואמצעי תקשורת.

טכניקות הדמיה נתונים שיעזרו להסכמה

Raw sampling Data & mdash; ספירות Defect, שיעורי פגם והחלטות קבלה ו-mdash; ניתן להציג בטבלאות, אבל טבלאות טרנדים מעורפלים.ויזואליזציה מביאה את הנתונים לחיים.

תכונות הפעלה (OC) Curves

עקומת OC מבססת את ההסתברות של קבלה רבה נגד איכות אמיתית (התקפיות) תוכניות שונות של דגימה לייצר עקומות שונות. Visualizing OC מאפשר מהנדסי איכות להשוות את הכוח המפלה של תוכניות חלופיות. עקומת OC תלולה מעידה על רגישות גבוהה: שינוי קטן בקצב הפגם מוביל נדנדה גדולה בהסתברות.אתה יכול לראות במהירות אם תוכנית נתונה הגנה על הצרכן (באט ו-Llow) באופן הולם; ללא LT נמוך (alow) על פני LT) על פני שלפוחית נמוכה; ללא שלפוחית נמוכה; ללא שלפוחית נמוכה (alow) בהסתברות).

לוחות הבקרה (p-Charts and Np-Charts)

כאשר קבלת הדגימה מוחלת שוב ושוב על זמן & mdash; לדוגמה, בסוף כל שינוי הייצור שינוי & mdash; את שיעור הפגם מכל דגימה ניתן לפסול על פיקסל (הגירסתה) או np-chart (מספר פגם שליטה) יש מגבלות שליטה גבוהות ותחתיות מהקצב ההיסטורי.

הפרסומות של Defect Distribution

איסוף נתונים ל-Fack Rate bins ו- פיזור של ה- Autogram חושף את הנטייה המרכזית ואת הכדאיות של איכות רבה. A Histogram skeed to the right מציע הרבה מאוד הם בתוך AQL, בעוד התפשטות רחבה עשויה להצביע על חוסר יציבות. overlaying AQL ו- LTPD סף על היסטגרמה מספק מדד חזותי של לעתים קרובות ליפול לתוך האזור הדוחה.

טבלאות ל Defect קטגוריות

אם אתה אוסף נתונים פגומים מסוג הנתונים במהלך דגימה (למשל, שריטות, סדקים, שגיאות ממדיות), תרשים Pareto מדרג את תדירות של כל קטגוריה פגומה.עקרון 80/20 לעתים קרובות חל: מספר קטן של סוגים פגומים לגרום לרוב הדחייה. על ידי ויזואליזציה זה, צוותים איכותיים יכולים להתמקד פעולות תיקון שבו יש להם את ההשפעה הגדולה ביותר.

מפות חום ודשנים

כלי מודיעין עסקיים מודרניים מאפשרים לוחות זמנים אמיתיים המשלבים עקומות OC, תרשימים בקרה, ו ⁇ פגם Pareto לתוך תצוגה אחת.מפת חום יכול להראות שיעורי פגם על פני קווי ייצור שונים, תקופות זמן, או ערכות חומר. Color coding (ירוק עבור מקובל, צהוב עבור שולי, אדום עבור דח) מאפשר לפקחים לזהות בעיות במבט ומקדח למטה נתונים דגימה הבסיסית.

(FLT:0) שיטות הטובות ביותר בדמיון נתונים 1 מעלות מומלץ להימנע מטבלה, באמצעות קשקשים מתאימים, כולל גדלים מדגם עבור כל נקודת נתונים כדי למנוע אי התאמה של דגימות קטנות.

מקרה מחקר: שילוב קבלה עם הדמיה במפעל לעיבוד מזון

מעבד ירקות קפוא מקבל אלפי טונות של פולי גלם כל קציר. כי בדיקות עבור שאריות חומרי הדברה הוא יקר וזמן, 100% בדיקה היא בלתי אפשרית.הצמח אימצה תוכנית מדגם ISO 2859-1 יחיד עם AQL = 0.65% ורמת בדיקה כללית II. כל משאית נכנסת (גודל נמוך -1200 ק"ג) הוא מדגם עם 125 דגימות.

מנהל האיכות בתחילה עוקב רק את שערי המעבר / ההונאה בגליון מבוזר.לאחר יישום לוח זמנים אמיתי עם תרשים p-chart ו תרשים פגם-סוג פארוטו, כמה תובנות הופיעו:

• ה- p-chart הראה כי שיעורי הפגם היו לעתים קרובות ליד גבול הבקרה העליונה רק לפני סופות הגשם, מה שמרמז על חשיפה למים השפיעה על איכות שעועית.
• תרשים Pareto חשף כי חומר זר (אבנים קטנות, גזעים) היוו 70% מכל פגמים ודימום; גילוי כי הומסו כאשר מסתכלים רק על ספירות פגומות.
• הדמיה של עקומת OC סייעה ניהול להצדיק מעבר לתכנית דגימה כפולה, אשר הפחיתה את עלויות הבדיקה הממוצעות ב-22% תוך שמירה על אותן רמות סיכון.

בתוך שישה חודשים, הצמח הפחית את דחיית הספק ב-15% ושיפור ציוני שביעות הרצון של הצרכנים.הגישה החזותית הפכה להליך בדיקה סטטי לכלי שיפור תהליכים דינמיים.

היתרונות של Integrating Data Visualization עם קבלת אישור

• (FLT:0) קבלת החלטות: FLT:1 , סיכומים חזותיים מתקשרים באופן מיידי סיכון.במקום להשוות מספרים לשולחן, מנהלים רואים איפה כל אחד מהם נופל ביחס לקבל / אזורים.
• (FLT:0) תיקון Identification: FLT1 Control ⁇ ו- Run ⁇ s חושפים שינויים באיכות שעשויה להיות בלתי נראית רק כאשר מסתכלים על החלטות רבות אינדיבידואליות.
• (FLT:0) ,Reduced Inspection Costs:031 , OC עקומת הדמיה עוזר לבחור את תוכנית הדגימה היעילה ביותר.עבור תהליכים עם שיעורי פגם נמוכים מאוד, מעבר לבדיקה מופחתת (דגימה קטנה יותר) הוא בטוח ויעיל עלות.
• (FLT:0) שיפור תקשורת הספק: FLT:1 ויזואליזציה מקלה על שיתוף נתונים איכותיים עם ספקים.ספק יכול לראות את מגמת הפגם שלהם לאורך זמן, להבין את סף AQL ולשתף פעולה על שיפור מתמשך.
• (FLT:0) אחריות והתאמה: ריצוף 1: 1 (Dashboards with timestamps, דגימות גדלים, והחלטות יוצרות מסלול ביקורת ברור עבור גופי רגולציה ב- FDA או תקני איכות רכב כמו IATF 16949.

הגבלות ושיקולים

בעוד קבלה דגימה עם הדמיה היא חזקה, זה לא ללא תקלות. הראשון, דגימה תמיד יש סיכון של החלטות שגויות & mdash; עקומת OC לכמת את זה, אבל כמה מנהלים טועים הסתברות קבלה גבוהה כמו ערבות של איכות. ויזואליזציה יכול להיות ללא סייג על ביטחון אם מרווחי ביטחון או דגימות אינם מוצגים.

שנית, קבלת הדגימה מיועדת לבדיקה רבה-על-ידי-לוט.עבור ניטור מתמשך של תהליך הייצור, בקרת תהליכים סטטיסטית (SPC) עם הדגימה בזמן אמת עשויה להיות מתאימה יותר.כלים SPC כמו X-bar ו- R ⁇ מתאימים יותר לגילוי סחף תהליך לפני ביצוע מוצרים פגומים.

שלישית, איכות ויזואליזציה של נתונים משנה.מאזני תרשים מבעיתים, הפחתה לא נכונה, או מסתירה את גודל הדגימה יכולה להוביל למסקנות שגויות.FLT:0;0) שדה של ויזואליזציה נתונים זיהה שגיאות נפוצות רבות של 1 כי מתרגלים צריכים להימנע, כגון חלונות זמן של הדובדבן או שימוש באפקטים תלת-ממדיים המעוות תפיסה.

לבסוף, קבלת הדגימה היא יעילה ביותר כאשר תהליך הייצור הוא בשליטה סטטיסטית.אם התהליך הוא לא יציב באופן פרוע, ההנחות שמאחורי AQL ו- LTPD מתפרקות, ולא דגימה ולא הדמיה יחסוך איכות.

שיטות טובות ליישום קבלת הסכמה עם ויזואליזציה

1. (FLT:0)Define ברור איכות מדדים ו- סף ריצוף 1:1 לפני בחירת תוכנית דגימה. השתמש AQL, LTPD ורמות סיכון התואמים לדרישות הלקוח ומטרות עסקיות.
2. (FLT:0) בחר את התוכנית הנכונה של תוכנית דגימה סטנדרטית של סטנדרטים 1 (ANSI / ASQ Z1.4, ISO 2859, או מותאם אישית OC-curve-optimated) ויזואליזציה של עקומות OC של תוכניות המועמד להשוות את האפליה שלהם.
3. (FLT:0) גישה מגובשת: FLT:1 התחל עם דגימה אחת, ולאחר מכן מעבר להכפיל או ל-Squential אם הנתונים מצדיקים את השינוי. Monitor את גודל הדגימה הממוצע באמצעות תרשים בקרה כדי לאמת חיסכון.
4. (FLT:0) בניית לוח המחוונים של LT:1 הכולל לפחות: החלטה מעבר / הפסקת זמן רב, מגמת עלייה מצטברת של שער הפגם, p-chart עם מגבלות שליטה, ו תרשים פגם מסוג Pareto.עדכון זה כמעט בזמן אמת.
5. (ב) [ה]הבאת החלטות [ה] [ה] [ה] [ה] [ה]] [ה]]], [ה], [ה], [ה]]]]ה'], [ה'], [ה']'''ה'''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''''
6. (FLT:0) Review and reviseFLT:1 תוכנית הדגימה מעת לעת, כמו תהליכים לשפר, אתה יכול להיות זכאי לבדיקה מופחתת.

מסקנה

עם זאת, קבלת הדגימה נותרה אחת השיטות המעשיות והנפוצות ביותר לשליטה איכותית בתעשייה.כוחה, עם זאת, היא נעולה כאשר מוזגת נתונים יעילה.על ידי הפיכת פגום מופשט ספירות לסיפורים חזותיים ברורים ו-OC עקומות, תרשימים שליטה, דיאגרמות פארטו, ולוחדיונים אינטראקטיביים & mdash; ארגונים יכולים לעבור מעבר להחלטות פשוטות / חולפות לשיפור של תרבות אקטיבית.

השילוב מקטין את עלויות הבדיקה, משפר את מערכות היחסים של הספק, ובסופו של דבר מספק מוצרים איכותיים ללקוחות.בעידן שבו הנתונים בשפע אך הזמן הוא בקושי, היכולת לראות מגמות איכות במבט היא לא מותרות & mdash; זהו צורך תחרותי.התחל על ידי ביקורת על נהלי הדגימה הנוכחיים שלך, ואז להשקיע בכלי החזותית ובמיומנויות שהופכים את בדיקת הנתונים לתובנות אסטרטגיות.

לקריאה נוספת על תקני הדגימה של קבלה, מתייחסת ל-FLT:0 (ASQ ’ קבלה של משאבים מדגימים 1:1 או לחקור את ה-FLT:2NIST Engineering Commission Handbook Part on Acceptance samplingFLT 3 עבור פרטים סטטיסטיים עמוקים יותר.