תפקיד קבלת ההסכמה בתהליכי ייצור מודרניים

היכרות עם ניהול מודרני

קבלת הדגימה נותרה כלי בקרת איכות בסיסי בייצור, המאפשר לחברות לקבל החלטות מונעות נתונים על ערכות מוצר מבלי לבדוק כל יחידה. על ידי הערכת מדגם מייצג, יצרנים יכולים לקבוע אם הרבה עומד בסטנדרטים איכותיים מוגדרים מראש, ובכך לאזן את הצורך באמינות נגד מגבלות הזמן, עלות ומשאבים.

מה זה קבלה?

קבלה של הדגימה היא טכניקה בקרת איכות סטטיסטית המשמשת כדי להחליט אם לקבל או לדחות אצווה (או הרבה) של מוצרים המבוססים על בדיקת דגימה שנמשכת מהרבה זה.התהליך בדרך כלל עוקב אחר תוכנית דגימה מוגדרת, אשר מפרטת את גודל הדגימה ואת מספר הקבלה (מספר מקסימלי של פריטים פגומים המותרים בדגימה עבור הרבה לקבל).

ההחלטה לקבל או לדחות היא בינארית: אם מספר הפגמים בדגימה עולה על סף קבלה, את הרוב נדחה (נשלח לעתים קרובות ל-100% בדיקות או חזרה לספק); אחרת, זה מתקבל על ידי ייצור או משלוח. גישה זו משמשת באופן נרחב כאשר בדיקות הרסניות נדרשת, כאשר עלויות בדיקה גבוהות, או כאשר 100% בדיקה יהיה לא מעשי או לא יעיל.

המונחים המרכזיים ב-Sampling כוללים:

(ב) ,0) ל"ד: "הכמות" של המוצר שממנו נמשכת הדגימה.
(ב) ,0) , ⁇ (ב) , ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
מספר (c): מספר ה-c:FigveLT:1 (המספר המקסימלי האפשרי של יחידות פגומים בדגם).
(ב) ,0) ,Average Outמתמשכים Quality Limit (AOQLrea): 1 רמה באיכות גבוהה יותר של מזוודה לאחר בדיקה ופעולה נכונה.
(הסיכוי של LT:0) לסכן את ההסתברות לדחות הרבה.
(ב) הסיכון של β:0 (β): ⁇ 1) להסתברות לקבל הרבה רע.

« הקשר היסטורי ואבולוציה

הדגימה של קבלה מקורה בתחילת המאה ה-20, שמקורה בצורך לשלוט באיכות הייצור ההמוני.העבודה הבסיסית של הרולד דוד והארי רומג במעבדות בל בשנות העשרים וה-30 הובילה לפיתוח של טבלאות הדגימה הסטטיסטית הראשונות.אלה היו מאוחר יותר מפרטים רשמיים כמו סטנדרטים צבאיים, כגון MIL-STD-105 (עבור דגימה), אשר הפכו ל- ISO/RPD-AQ לשיטות מסחריות רבות.

האבולוציה של הדגימה קבלה משקפת מגמות רחבות יותר בייצור: מבדיקה ידנית ועד מערכות אוטומטיות, מתכניות דגימה קבועות לשיטות הסתגלות וסיבתיות, ומבדיקות איכות עמידה למסגרות אבטחת איכות משולבות.היום, קבלת הדגימה מוטבעת לעתים קרובות בתוך שש Sigma, Lean Manufacturing, ו-ISO 9001 מערכות ניהול איכות, המשמשות כשומר שער עבור חומרים גולמיים, עבודה, סחורות מוגמרות, , , תוקפנות, ומושלמות.

קרנות סטטיסטיות של קבלה

קבלה של הדגימה מבוססת על הסתברות והתאמה סטטיסטית. עקומת המאפיין התפעולי (OC) היא כלי קריטי הממחיש את ההסתברות לקבל הרבה כתפקוד של שיעור הפגם האמיתי של הרבה. עקומות OC אידיאליות יעברו באופן חד הסתברות גבוהה של קבלה טובה להסתברות נמוכה עבור הרבה רע, אבל תוכניות דגימה אמיתית כרוכות במסחר בין סיכונים יצרנים וצרכנפיים.

מושגים סטטיסטיים מרכזיים כוללים:

(ב) ⁇ :0 (ב) ⁇ (ב) ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇ ⁇
(FLT:0) רמת איכות גבוהה (AQLigue): 1 לרמה הגרועה ביותר של איכות המזוודה שעדיין נחשבת מקובלת; רבים עם שיעורי פגם ב- AQL יש סיכוי גבוה לקבלה (בדרך כלל 95%).
(FLT:0) רמת איכות גבוהה (RQL) או לוט סובלנות Percent Defective (LTPD): FLT:1 רמת האיכות שאינה מקובלת; רבים כאלה צריכים להיות הסתברות נמוכה של קבלה (בדרך כלל 10%).
(ה) רמה איכות איכות (IQLura): 1:1 רמת האיכות שבה ההסתברות לקבלה שווה את זה של דחייה (בדרך כלל 50%).

הבנת הפרמטרים האלה מאפשרת מהנדסי איכות לתכנן תוכניות דגימה אשר מאזן את העלות של בדיקה נגד הסיכון של העברת מוצרים פגומים.לדוגמה, הידוק AQL (סובלנות פגומה קטנה יותר) מפחית את הסיכון לצרכן אבל דורש גדלים מדגם גדול יותר ולהגדיל את עלויות בדיקה.

תוכניות קבלה

עקבו אחרי Variable Sampling

קבלת הדגימה יכולה להתבצע על נתונים תכונה (למשל, להעביר /fail, פגומים / לא-defective) או נתונים משתנים (למשל, מדידות כמו משקל, קוטר, כוח רבייה) Attribute sampling הוא פשוט בשימוש נרחב, במיוחד עבור בדיקות go / no-goable.sampling דורש ידע של ההפצה ו יעיל יותר כאשר המוצר מספק לי יותר מידע מדידה.

תוכניות רווקות

תוכנית דגימה אחת כוללת נטילת דגימה אקראית אחת מהרבה.אם מספר הפגמים במדגם הוא ⁇ c, את הרוב מתקבל; אחרת, זה נדחה.זוהי הגישה הפשוטה ביותר, הדורשת מינימום overhead.גודל הדגימה ומספר הקבלה נקבעים מראש על בסיס גודל רב, AQL, סיכונים הרצויים.

תוכניות כפולות

דגימה כפולה מאפשרת הזדמנות שנייה להגיע להחלטה אם המדגם הראשון הוא בלתי כולל.בדרך כלל, המפקח לוקח מדגם ראשון (n1), אם מספר פגמים ⁇ c1, לקבל את הסכום; אם > c2, לדחות אותו.אם ספירת הפגם היא בין c1 ל- c2, מדגם שני (n2) נמשך מומים מוחלטים משתי הדגימות לקבוע את השיטה הסופית יכול להפחית את הגודל או את העודף באופן ברור כאשר העלות היא גבוהה מאוד, במידה רבה מאוד, אם זה הוא גדול מאוד, אם זה הוא גדול מאוד, אם זה הוא גדול מאוד, או באיכות טובה.

תוכניות מרובות וקיימות

מספר רב של דגימה מרחיבה את הרעיון של דגימה כפולה ליותר משני שלבים, כל אחד עם קריטריונים קבלה ודחייה משלו. sampling Sequential הולך רחוק יותר על ידי בדיקת יחידות אחד בכל פעם, עדכון ההחלטה לאחר כל פריט.גבול ההחלטה מוגדר על ידי שני קווים מקבילים על גרף; כמו פגמים מצטברים הם מסולקים, התהליך או מגיע קבלה או קו, או ממשיך לבדוק את המספר היעיל ביותר של בדיקות הוא בעיקר.

היתרונות של קבלת הסכמה

קבלת הדגימה מציעה מספר יתרונות משכנעים בסביבות הייצור המודרניות:

יעילות:0 (FLT:1) ,הבחנה של מדגם ולא כל הסכום מקטין עלויות בדיקה ישירות, עבודה וזמן, במיוחד עבור ייצור גבוה או כאשר יש צורך בבדיקות הרסניות.
(FLT:0) ,Reduced בדיקה עייפות: 1FLT 1 100% בדיקה יכול להוביל לעייפות מפקח ושיעורי שגיאה מוגברת; הדגימה שומרת על תשומת לב ואמינות.
(FLT:0) אובייקטיביות סטטיסטית: FLT:1) תוכניות סאמבלינג מבוססות על סיכונים סטטיסטיים מוסכמים, צמצום שיפוט סובייקטיבי ומספקות איכות חוזית בין הספק לקונה.
(ב) הפחתה של טיפול ונזק: הפחתה של מספר היחידות שטופלו במהלך הבדיקה מורידה את הסיכון לנזק מקרי.
(FLT:0) ניטור תהליך של תהליך ה-Facilitate: FIRLT:1) ניתן למיין תוצאות על ⁇ בקרה כדי לזהות שינויים באיכות התהליך לאורך זמן.
ניהול איכות הספק:0 (FLT:0) sampling קבלה מספק שיטה עקבית להערכת מוצרים נכנסים, עידוד ספקים לשמור על רמות באיכות גבוהה.

אתגרים ומגבלות

למרות היתרונות שלה, קבלת הדגימה אינה ללא חסרונות.הבנת המגבלות הללו חיונית לבחירת אסטרטגיות איכותיות מתאימות:

(FLT:0) ,הטעות והסיכון: FLT:1 לא תוכנית דגימה יכול להבטיח שכל יחידה פגומה נתפסת.הסיכון של הצרכן (β) נשאר, והסיכון של היצרן (α) עלול להוביל לדחיית מספר רב.
(FLT:0) הנחה של אקראיות: FLT:1igמיות חייב להיות נמשך באופן אקראי מן השפע, אבל השגת אקראיות אמיתית בייצור או מלאי יכול להיות קשה.
(FLT:0) הוגניות: FLT:1 השיטה מניחה כי פגמים מחולקים אחידים לאורך כל אותו דבר.אם פגמים אשכול (למשל, בשל תקלה במכונה במהלך תקופה מסוימת), המדגם עשוי לא לייצג את האיכות האמיתית של הרבה.
(ה)המידע החייב לשיפור התהליך: ההרחבה של קבלה 1 (הקבלה) מביאה בעיקר החלטות קבלה/הזרקה; היא אינה מספקת תובנות עמוקות בנוגע לסיבות השורשיות של פגמים או יציבות תהליכים.
(FLT:0) Cost של מדגם לעומת 100% בדיקה: ההרחבה 1 (FLT:1) עבור פריטים קטנים או פריטים זולים מאוד, העלות של דגימה ובדיקה עשויה לגשת לזה של 100% בדיקה, צמצום התועלת הכלכלית.
דרישות הלקוח: FLT:0) דרישות רישום ודרישות הלקוח: חלק מהתעשיות (למשל, מכשירים רפואיים, חלקי בטיחות רכב קריטיים) מחייבות 100% בדיקות או תוכניות מדגימות אפס, משאירה מקום קטן עבור קבלה מסורתית דגימה.

כדי להפחית את האתגרים הללו, יצרנים לעתים קרובות משלבים דגימת קבלה עם כלים איכותיים אחרים כגון בקרת תהליכים סטטיסטית (SPC), מצב כשל וניתוח אפקטים (FMEA), ותוכניות הסמכה הספק.

קבלת אישורים במערכות ייצור מודרניות

שילוב עם מערכות בדיקה אוטומטיות

קווי ייצור מודרניים יותר ויותר משתמשים בבדיקה אוטומטית באמצעות מערכות ראייה, רנטגן, בדיקות קוליות, וטכנולוגיות אחרות שאינן הרסניות.מערכות אלה יכולות לבצע בדיקה מהירה של 100% של תכונות מסוימות, צמצום הצורך של קבלת קבלה על המאפיינים האלה.עם זאת, עבור תכונות הרסניות לבדוק או היכן זיהוי אוטומטי אינו אפשרי, קבלת אישור נשאר רלוונטי יותר, תחנות דגימה אוטומטית יכול באופן אקראית מן היחידות האלה, באופן מיידי, ומאפשרת איסוף נתונים של זמן, ללא תקלות אישיות, ועדכונים, ללא תקלות, ועדכונים של זמן אמת.

Analytics נתונים ואיכות חיזוי

עם עליית התעשייה 4.0 ואינטרנט של הדברים (IoT), הדגימה הקבלה מועצמת על ידי ניתוח נתונים. תוצאות דגימה היסטורית, בשילוב עם פרמטרים של תהליכים (למשל, טמפרטורה, לחץ, מהירות), מאפשרת מודלים חיזוייים החיזוי הסבירות של הרבה נכשלים sampling.זה מאפשר הדגימה מבוססת סיכון: הרבה יכול לבדוק איכות גבוהה עם דגימות קטנות יותר, בעוד שמשתנים החלטות דינמיות יותר.

ניהול איכות הספק

קבלת הדגימה היא אבן הפינה של בקרת איכות הנכנסת. יצרנים גדולים לעתים קרובות להגדיר תוכניות דגימה עבור כל ספק מבוסס על ההיסטוריה הביצועים שלהם.ספק עם תיעוד מוכח של מסלול עשוי להיות זכאי לבדיקה מופחתת (למשל, לדלג על הרבה דגימה), בעוד ספקים חדשים או underperforming להתמודד עם ביצועים מוצצים.

שילוב עם Six Sigma and Lean

בסביבות שש Sigma, קבלת הדגימה משמשת בשפע כי המוקד הוא למנוע פגמים ולא לזהות אותם.עם זאת, עבור חומרים נכנסים ושחרור המוצר הסופי, דגימה נשאר הכרחי.הייצור Lean מדגיש הפחתה של פסולת, וקבלת קבלה יכול להפחית את תהליך קבלת יתר (מבחינה) תוך הגנה מפני פגמים.

יישומים תעשייתיים-חלקיים

ייצור אלקטרוניקה

באלקטרוניקה, דגימת קבלה משמשת נרחב לבדיקת לוחות מעגלים מודפסים (PCBs), רכיבים, ו- Assemblies. Defects יכולים לכלול פגמים מכרה, שגיאות מיקום רכיב, או נזק קוסמטי. בדיקה אופטית אוטומטית (AOI) מטפל בדיקות רבות, אבל קבלת הדגימה מוחלת עבור בדיקות הרסניות כגון ניתוח חלקי או כוח משותף.

תרופות ומכשירים רפואיים

גופי רגולציה כגון ה- FDA ו- EMA דורשים אבטחת איכות קפדנית.קבלת הדגימה מוחלת על חומרים גולמיים, רכיבי אריזה, ומוצרים גמורים.בגלל דרישות בטיחות קפדניות, תוכניות דגימה לעתים קרובות להשתמש בערכים AQL נמוך מאוד (למשל, 0.01% או אפס-קבלה עבור פגמים קריטיים).

תעשיית הרכב

יצרני הרכב לדבוק בסטנדרטים כמו IATF 16949, אשר מדגיש מניעת פגם.קבלת הדגימה משמשת באופן נרחב עבור חלקים נכנסים ספקים, במיוחד עבור רכיבים קריטיים בטיחותיים.שימוש ב-FLT:0 אפס-defect samplingsamplingsamplingsFLT:1 (k=0 תוכניות) הוא משותף כדי להתאים את מטרות התעשייה של אפס, בנוסף, אישור הייצור חלק (p) דורשות 3.

אוויר והגנת

בתחום התעופה, קבלת הדגימה עוקבת אחר סטנדרטים צבאיים (למשל, MIL-STD-1916) ו- ANSI/ASQ Z1.9 עבור משתנים.העלות הגבוהה של כישלונות מניעה תוכניות דגימה מחמירות מאוד, לעתים קרובות בשילוב עם 100% בדיקה עבור ממדים קריטיים. בדיקות הרסניות, כגון בדיקות Tenile של ⁇ s או דגימות מורכבות, מסתמכת על קבלת דגימות מופרכות למזער תכונות מזון תוך הבטחת תכונות חומריות.

השוואת קבלה ל-100% הערכה ולא בדיקה

כדי לבחור את הגישה הנכונה, יצרנים לשקול את העלות של בדיקה, העלות של העברת יחידה פגומה, ואת היכולת לחסל פגמים באמצעות בקרת תהליך.השולחן למטה (תפיסתי, לא ניתן כשולחן) ממחיש את עלויות המסחר.קבלה דגימה תופסת את הקרקע האמצעית: זה מספק רמה מוגדרת של הגנה על עלויות בדיקה מתונה.

תכנון תכנית קבלה יעילה

מהנדסי איכות חייבים לשקול מספר גורמים בעת תכנון תוכנית:

(FLT:0)Define AQL ו- RQL:FLT: 1:1 אלה מוסכם בין לקוחות לספק בהתבסס על סובלנות סיכון וביקורת המוצר.
(ב) ⁇ :0) בחר את סוג הדגימה: ⁇ 1 (Atribute) או משתנה; יחיד, כפול או רצף; בהתבסס על מגבלות בדיקה ומעקל OC הרצוי.
(FLT:0) קביעת גודל וסימן קוד מדגם: ההרחבה:ראהFLT ( 1) 1 שימוש בתקנים כמו ISO 2859-1 כדי למצוא את מדד גודל הדגימה המתאים.
(FLT:0) לנתב ומספרי קבלה ודחייה:FreaLT:1, כולל רמת הביקורת (רגיל, מוכודק, מופחת) בהתאם להיסטוריה וליציבות התהליך של הספק.
(FLT:0)Plan for nonconformingהרבה: FIRLT:1 Define the nature (האנס, העבודה, סוג, חזרה לספק) ופעולות מעקב (בקשת פעולה נכונה).
(FLT:0) מוניטור והתאמה: FLT:1rea השתמש לולאות משוב - אם שיעורי הפגם נמצאים באופן עקבי מתחת ל- AQL, לשקול מעבר לבדיקה מופחתת; אם הם עולים, מעוררים בדיקה.

כלי תוכנה זמינים כדי לעזור לדמות עקומות OC ואופטימיזציה של תוכניות דגימה, כגון FLT:0) קבלה של סלאבי מודול דגימה של סימול 10LT:1.

מגמות עתידיות: Smart Sampling and AI

במבט קדימה, קבלת הדגימה היא מיועדת לטרנספורמציה באמצעות בינה מלאכותית ולמידה של מכונה. AI יכול לנתח נתוני ייצור בזמן אמת כדי לחזות את גודל הדגימה אופטימלי ותדירות, התאמה דינמית של תוכניות המבוססות על תנאי תהליך נוכחיים.לדוגמה, אם מודל AI מזהה מגמה הולכת וגוברת בסוג פגם מסוים, זה יכול להגדיל באופן אוטומטי את גודל הדגימה עבור תכונה זו.

מגמה נוספת היא המעבר לכיוון ** דגימה מבוססת סיכון בתעשיות מוסדרות. Regulators מתחילים לקבל טענות דגימה סטטיסטית עבור תדירות בדיקה מופחתת כאשר בקרת תהליכים חזקים נמצאים במקום, כפי שניתן לראות בהנחיית ה- FDA על שחרור סיממטרי עבור מוצרים סטריליים.פרדיגמה זו מיישרת קבלה עם אימות מתמשך ולא החלטות רבות מבודדות.

מסקנה

קבלת הדגימה נותרה מרכיב חיוני, מתאים של אבטחת איכות הייצור המודרנית.זה מספק מסגרת מובנית וסטטיסטית לקבלת החלטות ברמת אצווה תוך שליטה על עלויות בדיקה. רחוק מלהיות מיושן, המשמעת מתפתחת - תוך הסתה עם בדיקה אוטומטית, ניתוח נתונים ו- AI כדי להפוך לרגיש יותר תגובתי וסיכון.אם להשתמש בו כדי להשיג שליטה בחומרים מתקדמים, שחרור סופי, או אימות, קבלת החלטות מוכחות עם שיפור יעיל יותר של תהליך אופטימיזציה של טכנולוגיות מתקדמות, כמו שיפור יעיל יותר, כמו אופטימיזציה של יעילות של יעילות של יעילות של יעילות של יעילות של ביצועים מתקדמים של איכות.