Inleiding

Procescapaciteitsstudies zijn een hoeksteen van statistische kwaliteitscontrole, die een kwantitatieve maatstaf biedt voor hoe goed een fabricage- of serviceproces aan zijn specificaties kan voldoen. Hoewel traditionele univariate studies één kwaliteitskenmerken tegelijk onderzoeken, omvatten veel processen in de praktijk meerdere onderling gerelateerde variabelen die samen moeten worden beschouwd. Het uitvoeren van een procescapaciteitsstudie in een multivariate context is essentieel wanneer kenmerken onderling worden gecorreleerd, omdat de evaluatie van elke variabele afzonderlijk kan leiden tot misleidende conclusies over algemene procesprestaties. Dit artikel biedt een uitgebreide, stapsgewijze gids voor het uitvoeren van een effectieve multivariate procescapaciteitsstudie, van basisconcepten via geavanceerde analysetechnieken en praktische interpretatie.

Begrip Multivariate Process Capability

Multivariate procescapaciteit breidt de principes van univariate vermogensanalyse uit tot situaties waarin twee of meer kwaliteitskenmerken gelijktijdig belangrijk zijn en vaak correleren. Bijvoorbeeld, in een chemisch productieproces, zowel de concentratie als de temperatuur van een product nodig hebben om binnen specifieke grenzen te blijven, en deze variabelen vaak interageren. In dergelijke gevallen, het beoordelen van de capaciteit met alleen individuele Cp of Cpk indices voor elke variabele kan missen het gezamenlijke gedrag dat de productkwaliteit definieert.

Het belangrijkste verschil tussen univariate en multivariate capaciteit is de behandeling van correlatie. Een proces lijkt geschikt voor elke variabele afzonderlijk, maar de combinatie van variabelen kan een hoog percentage niet-conforme eenheden produceren die buiten een multivariate specificatieregio vallen. Multivariate vermogensindices zoals de multivariate Cp (Cp[MV) en Cpk (CpkMV[) zijn verantwoordelijk voor de gezamenlijke verdeling van de variabelen, vaak met behulp van het concept van een multivariate normale distributie en een specificatieregio gedefinieerd door een ellipsoïde of een rechthoekig vak in de variabele ruimte.

Een ander belangrijk concept is het gebruik van de belangrijkste componentanalyse (PCA) om de dimensionaliteit te verminderen en tegelijkertijd de essentiële structuur van de gegevens te behouden. Door de oorspronkelijke gecorreleerde variabelen om te zetten in niet-correlated hoofdcomponenten, kunnen analisten vermogensindices berekenen op die componenten of rechtstreeks in de oorspronkelijke ruimte met behulp van de T2-statistiek van Hotelling. De keuze van de methode is afhankelijk van de aard van de specificaties en de onderliggende aannames van normaliteit en lineariteit.

Stappen om een multivariate procescapaciteitsstudie uit te voeren

1. Definieer het proces en de variabelen

Begin met het duidelijk identificeren van de procesgrenzen en de belangrijkste kwaliteitskenmerken die gecontroleerd moeten worden. Ga samen met procesingenieurs, operators en kwaliteitsmanagers om variabelen te selecteren die zowel van cruciaal belang zijn voor de klant als waarschijnlijk correlatie vertonen. Documenteer de specificatielimieten voor elke variabele, waarbij wordt opgemerkt of ze bilateraal (boven en beneden) of eenzijdig zijn. Wanneer specificaties worden gedefinieerd als een regio (bijvoorbeeld een rechthoek of ellips in twee dimensies), noteert u de exacte grenzen.

Het is ook belangrijk om te bepalen of het proces stabiel is en in een staat van statistische controle voordat u de mogelijkheidsanalyse probeert. Gebruik controlekaarten (zoals de controlekaart van Hotelling.T2) om te controleren of het proces geen speciale oorzaak variatie vertoont tijdens de gegevensverzamelingsperiode.

2. Verzamelen van representatieve gegevens

Voor het verzamelen van gegevens voor multivariate capaciteit is een zorgvuldige planning nodig om ervoor te zorgen dat het monster de procesvariatie onder normale bedrijfsomstandigheden adequaat weergeeft. Een gemeenschappelijke vuistregel is om minstens 100 tot 150 waarnemingen te verzamelen wanneer het aantal variabelen klein is (bijv. 2

Registreer gegevens in de tijd om controles op autocorrelatie en trends mogelijk te maken. Als het proces batch-georiënteerd is, overwegen bemonstering tussen partijen en binnen partijen om zowel korte-termijn en lange termijn variatie te vangen. Document elke procesaanpassingen of onderhoud gebeurtenissen die zich voordoen tijdens de bemonstering, omdat ze kunnen helpen anomalieën later verklaren.

3. De kwaliteit van de gegevens en de veronderstellingen beoordelen

Voor het bouwen van een multivariate model, controleer de gegevens voor uitschieters, ontbrekende waarden, en afwijkingen van de normaliteit. Voor multivariate normaliteit, kunt u de Mardia test of een quantile plot van de kwadraat Mahalanobis afstanden gebruiken. Als de gegevens significant afwijken van de normaliteit, overwegen transformaties (bijv., Box-Cox) of niet-parametrische benaderingen.

Controleer op multicollineairheid met behulp van correlatiematrices en variatie inflatiefactoren (VIFs). Hoge multicollineairheid kan de berekeningen van de vermogensindex destabiliseren en kan dimensionaliteitsreductie vereisen via PCA of variabele deelverzameling selectie. Controleer ook of het proces stabiel is door de gegevens in tijdvolgorde in te stellen en multivariate controlediagrammen te gebruiken.

4. Analyse van variabele relaties

Het begrijpen van de correlatiestructuur is centraal voor multivariate mogelijkheden. Bereken de steekproef correlatiematrix en visualiseer het met behulp van scatterplot matrices of warmtekaarten. Als de variabelen sterk gecorreleerd zijn, overwegen belangrijkste component analyse (PCA) om ze te transformeren in niet-correlated componenten. PCA vereenvoudigt niet alleen de analyse, maar onthult ook welke richtingen in de variabele ruimte het meest bijdragen aan de totale variatie.

Een andere nuttige techniek is factoranalyse, die latente factoren die de correlaties sturen kan identificeren. Echter, voor de meeste vermogensstudies, PCA wordt de voorkeur omdat het rechtstreeks verband houdt met de variatie die wordt verantwoord en kan worden gebruikt om vermogensindices op de componentscores te berekenen.

5. Model van het proces

Er bestaan verschillende modelbenaderingen voor multivariate vermogensanalyse:

  • Hotelling.T2 statistiek: Voor een proces dat normaal wordt multivariate gedistribueerd, meet de T2 statistiek de afstand van het monster tot het doel. U kunt het aandeel van de datapunten berekenen die binnen een gespecificeerde T2 controlegrens vallen, die dient als een vermogensmaat.
  • Principale componentanalyse (PCA): Na PCA kun je univariate capability indices berekenen op elk hoofdcomponent, omdat de componenten onafhankelijk zijn. Echter, de oorspronkelijke specificatie limieten moeten worden omgezet in de componentruimte, die kan complex zijn als de limieten niet elliptisch zijn.
  • Multivariate vermogensindices (CpMV en CpkMV):[ Deze indices zijn uitbreidingen van Cp en Cpk die het concept van een multivariate tolerantieregio (vaak een ellipsoïde) gebruiken in vergelijking met de procesvariatieellipsoïde gedefinieerd door de covariale matrix. Er bestaan verschillende formuleringen; de meest voorkomende is gebaseerd op de verhouding van de volumes van de specificatieellipsoïde en het procesellipsoïde.

Wanneer specificaties een rechthoekig gebied vormen (het meest voorkomende geval in de praktijk), is een gemeenschappelijke aanpak het gebruik van het percentage niet-conforme eenheden dat wordt geschat op basis van de normale verdeling van de multivariate. Dit aandeel kan worden omgezet in een vermogensindex die analoog is aan Cpk met behulp van een inverse normale transformatie.

6. Bereken vermogensindexen

Laten we de berekening van CpMV nader bekijken. Stel dat we twee variabelen (X1, X2) hebben met een bivariate normale verdeling. Het specificatiegebied wordt gedefinieerd door de laagste en bovenste specificatiegrenzen (LSL1, USL1, LSL2, USL2). De procesvariatie wordt beschreven door de covariate matrix Σ. De CpMV[index wordt berekend als:

CpMV = (Volume van specificatieregio) / (Volume van procesvariatieregio)

De procesvariatieregio wordt gedefinieerd als de kleinste ellipsoïde die een bepaalde verhouding (meestal 99,73%) van de procesuitvoer bevat, wat overeenkomt met een 3-sigma bol in de multivariate ruimte. Het volume van een p-dimensionale ellipsoïde is evenredig met de vierkantswortel van de determinant van de covariate matrix. Daarom kan Cp[MV worden uitgedrukt als:

Cp[MV = (

waarbij χ2[p, 0,9973[] de chi-kwadraat kritische waarde is met p-vrije vrijheid voor 99,73% dekking.

Voor CpkMV[, die de procescentrering in rekening brengt, is een gemeenschappelijke index die voorgesteld wordt door Chan, Cheng en Spring (1988). Het gebruikt de verhouding van de afstand van het proces tot de dichtstbijzijnde specificatiegrens langs de multivariate richting naar de procesvariatie in die richting. Als alternatief kun je het aandeel van niet-conforme eenheden benadering gebruiken: zet de geschatte fractie niet conform aan een Z-waarde om en drukt Cpk[MV[ = Z]min[ / 3, waarbij Zmin[[ is de kleinste eenzijdige Z-waarde.

7. Tolken resultaten en identificeren verbeteringsgebieden

Een CpMV waarde groter dan 1 geeft aan dat de procesvariatie een kleinere regio beslaat dan de specificatieregio, maar het garandeert niet dat het proces gecentreerd wordt. CpkMV[] moet worden gebruikt om het centreren te beoordelen. Wanneer CpkMV is significant lager dan CpMV[, moet het proces gemiddelde aanpassing nodig hebben.

Onderzoek welke variabelen het meest bijdragen aan het gebrek aan capaciteit. PCA-belasting kan aangeven welke oorspronkelijke variabelen de belangrijkste componenten met een lage capaciteit drijven. Bijvoorbeeld, als de eerste hoofdcomponent (die de meeste variatie verklaart) een lage vermogensindex toont, zijn de variabelen met hoge belasting op dat onderdeel de belangrijkste kandidaten voor procesverbetering.

Stel de gegevens en het specificatiegebied (bijvoorbeeld een 99,73% betrouwbaarheidsellips op een scatterplot) in om visueel te beoordelen hoe het proces zich verhoudt tot specificaties. Zoek naar clusters van punten in de buurt van één specificatiegrens of buiten de regio.

Gereedschappen en technieken

Belangrijkste componentanalyse (PCA)

PCA transformeert een reeks samenhangende variabelen in een kleinere reeks niet-correlerende hoofdcomponenten die de maximale variantie vastleggen. Het is vooral handig wanneer het aantal variabelen groot is (bijv. 10 of meer) of wanneer multicollineairheid bestaat. Na PCA, kunt u univariate vermogensindices berekenen op de eerste paar componenten die de meeste variatie in rekening brengen. Echter, het interpreteren van deze indices in termen van originele specificaties vereist back-transformation.

Multivariate controlegrafieken

Voordat u vermogensanalyses uitvoert, gebruik u multivariate controlekaarten zoals de T2-kaart van Hotelling. (voor fase I-analyse) en de MEWMA- of MCUSUM-diagrammen (voor fase II-monitoring). Een stabiel proces is een voorwaarde voor geldige vermogensschattingen. De T2-grafiek toont de totale afstand tot het doel; een punt boven de controlelimiet suggereert een multivariate uitschieter of een procesverschuiving.

Multivariate vermogensindexen

Naast CpMV en CpkMV[ bestaan er andere indices, zoals de multivariate vermogensindex die door Wierda (1992) wordt voorgesteld op basis van het aandeel niet-conforme eenheden. Softwarepakketten zoals Minitab, JMP en R (met behulp van de ] of ] pakketten) bieden functies om deze indices te berekenen. Excel-invoegtoepassingen zijn ook beschikbaar maar vaak beperkt.

Vertolking van resultaten van multivariate vermogens

Bij het interpreteren van de output van een multivariate capaciteitsstudie, moet u de volgende richtlijnen overwegen:

  • CpMV > 1.33: De procesvariatie ligt ruim binnen het specificatiegebied, wat wijst op een uitstekende potentiaalcapaciteit.
  • 1.00 ≤ CpMV ≤ 1,33: Het proces is geschikt maar kan monitoring vereisen om verslechtering te voorkomen.
  • CpMV < 1.00: De procesvariatie overtreft het specificatiegebied; onmiddellijke verbetering is nodig.
  • CpkMV vs. CpMV: Een grote kloof geeft aan dat het proces buiten het centrum ligt. Focus op het aanpassen van het gemiddelde naar het doel.
  • Univariate vs. multivariate indices: Als univariate Cp/CPK waarden allemaal hoog zijn maar multivariate indices laag zijn, is correlatie tussen variabelen de waarschijnlijke schuldige. Het verminderen van correlatie door ontwerpveranderingen of een betere controle van inputs kan helpen.

Houd er rekening mee dat multivariate vermogensindices gevoelig zijn voor de aanname van multivariate normaliteit. Als de gegevens niet normaal zijn, overweeg dan niet-parametrische methoden te gebruiken die het aandeel van niet-conforme eenheden direct uit de empirische verdeling schatten, zoals de multivariate benadering beschreven door Shore (2005).

Beste praktijken en gemeenschappelijke valkuilen

Beste praktijken

  • Verzamel voldoende gegevens: Richt op ten minste 100 waarnemingen voor lage-dimensionale gevallen, meer voor hogere afmetingen. Gebruik energieanalyse om de steekproefgrootte te bepalen voor de vereiste precisie.
  • Verifiëren veronderstellingen: Test altijd op multivariate normaliteit en correlatiestructuur voordat de indices worden berekend. Gebruik transformaties indien nodig.
  • Gebruik geschikte software: Gebruik statistische pakketten die multivariate vermogensanalyse ondersteunen, zoals Minitab, JMP, R, of Python met bibliotheken als en . Het NIST/SEMATECH e-Handbook of Statistical Methods biedt gedetailleerde richtsnoeren en voorbeelden. Bezoek het NIST e-Handbook.
  • Werk samen met domeinexperts: Werk samen met procesingenieurs en statistici om ervoor te zorgen dat de gekozen variabelen en specificaties zinvol zijn en dat de analyse aansluit bij praktische beperkingen.
  • Valideer het model: Gebruik hold-out gegevens of kruisvalidatie om te bevestigen dat de vermogensschattingen betrouwbaar en stabiel zijn in de tijd.

Vaak voorkomende valkuilen

  • Verwante correlatie: Dit is de meest voorkomende fout. Univariate capaciteit kan er prima uitzien, maar gecorreleerde variabelen kunnen een hoog percentage van niet-conforme eenheden veroorzaken. Voer altijd een multivariate analyse uit wanneer variabelen bekend zijn of vermoedelijk worden gecorreleerd.
  • Met onvoldoende gegevens: Kleine monsters leiden tot grote steekproeffouten in de schattingen van de covariummatrix, wat resulteert in onbetrouwbare vermogensindices.
  • Omzichtige gegevenskwaliteit: Uitschieters en ontbrekende gegevens kunnen multivariate indices ernstig verstoren.
  • Misinterpreterende indexen: CpMV is niet verantwoordelijk voor het centreren; gebruik altijd CpkMV in combinatie. Onthoud ook dat veel indices afhankelijk zijn van de vorm van de specificatieregio; rechthoekige specificaties vereisen een andere benadering dan elliptische.
  • Multivariante methoden toepassen op onstabiele processen: Capaciteitsanalyse is zinloos als het proces niet in statistische controle is. Controleer het proces eerst, en beoordeel vervolgens de capaciteit.

Conclusie

Het uitvoeren van een procescapaciteitsstudie in een multivariate context is complexer dan zijn univariate tegenhanger, maar het biedt een veel nauwkeuriger beeld van procesprestaties wanneer variabelen interageren. Door variabelen zorgvuldig te definiëren, representatieve gegevens te verzamelen, aannames te verifiëren, gebruik te maken van geschikte statistische instrumenten zoals PCA en Hotelling.T2 en robuuste multivariate vermogensindices te berekenen, kunnen organisaties de ware staat van procescapaciteit en verbeteringen effectief identificeren. Multivariate vermogensanalyse is een krachtig instrument voor het bereiken van hoge kwaliteit output en het verminderen van afval in moderne productie- en serviceprocessen. Voor verder onderzoek biedt de American Society for Quality (ASQ) cursussen en de Kwaliteitsbronnen op Process ›]. Daarnaast biedt het boek › › › › › › › › Quality Control door Montgomery een diepgaande behandeling van multivariate methoden.