Introdução

Estudos de capacidade de processo são uma pedra angular do controle de qualidade estatística, fornecendo uma medida quantitativa de quão bem um processo de fabricação ou serviço pode atender suas especificações. Enquanto estudos univariados tradicionais examinam uma característica de qualidade de cada vez, muitos processos do mundo real envolvem múltiplas variáveis inter-relacionadas que devem ser consideradas em conjunto. Realizar um estudo de capacidade de processo em um contexto multivariado é essencial quando as características são correlacionadas, pois avaliar cada variável separadamente pode levar a conclusões enganosas sobre o desempenho geral do processo.Este artigo fornece um guia abrangente, passo a passo para realizar um estudo eficaz de capacidade de processo multivariado, a partir de conceitos fundamentais através de técnicas de análise avançadas e interpretação prática.

Compreender a Capacidade Multivariável de Processos

A capacidade de processo multivariável estende os princípios da análise de capacidade univariada a situações onde duas ou mais características de qualidade são simultaneamente importantes e frequentemente correlacionadas. Por exemplo, em um processo de fabricação química, tanto a concentração quanto a temperatura de um produto podem precisar de se manter dentro de limites específicos, e essas variáveis frequentemente interagem. Nesses casos, avaliar a capacidade usando apenas os índices individuais de Cp ou Cpk para cada variável pode perder o comportamento conjunto que define a qualidade do produto.

A principal diferença entre a capacidade univariada e multivariada é o tratamento de correlação. Um processo pode parecer capaz para cada variável individualmente, mas a combinação de variáveis poderia produzir uma alta proporção de unidades não conformes que não se enquadram em uma região de especificação multivariada. Índices de capacidade multivariada como o Cp multivariado (Cp[]MV) e Cpk (Cpk[MV[[])) são responsáveis pela distribuição conjunta das variáveis, muitas vezes usando o conceito de distribuição normal multivariada e uma região de especificação definida por um elipsoide ou uma caixa retangular no espaço variável.

Outro conceito importante é o uso da análise de componentes principais (ACP) para reduzir a dimensionalidade, preservando a estrutura essencial dos dados. Ao transformar as variáveis correlacionadas originais em componentes principais não correlacionados, os analistas podem calcular índices de capacidade nesses componentes ou diretamente no espaço original usando a estatística T2 de Hotelling. A escolha do método depende da natureza das especificações e dos pressupostos subjacentes de normalidade e linearidade.

Passos para conduzir um estudo de capacidade de processo multivariável

1. Defina o Processo e Variáveis

Comece por identificar claramente os limites do processo e as principais características de qualidade que devem ser controladas. Engaje-se com engenheiros de processo, operadores e gestores de qualidade para selecionar variáveis que sejam tanto críticas aos requisitos do cliente quanto susceptíveis de apresentar correlação. Documente os limites de especificação para cada variável, observando se são bilaterais (superiores e inferiores) ou unilaterais. Quando as especificações são definidas como uma região (por exemplo, um retângulo ou elipse em duas dimensões), registre os limites exatos.

Também é importante determinar se o processo é estável e em estado de controle estatístico antes de tentar a análise de capacidade. Use gráficos de controle (como o gráfico de controle T2 de Hotelling) para verificar que o processo não exibe variação de causa especial durante o período de coleta de dados.

2. Coletar dados representativos

A coleta de dados para a capacidade multivariada requer um planejamento cuidadoso para garantir que a amostra represente adequadamente a variação do processo em condições normais de operação.Uma regra comum é coletar pelo menos 100 a 150 observações quando o número de variáveis é pequeno (por exemplo, 2–5), mas amostras maiores tornam-se necessárias à medida que a dimensionalidade aumenta.A amostra deve abranger um período suficiente para capturar a variação de causa comum, como mudanças nas matérias-primas, mudanças ambientais ou desgaste de ferramentas.

Registre os dados em tempo útil para permitir a verificação de autocorrelação e tendências. Se o processo for orientado para lotes, considere a amostragem entre lotes e dentro de lotes para capturar variações de curto e longo prazo. Documente quaisquer ajustes de processo ou eventos de manutenção que ocorram durante a amostragem, pois podem ajudar a explicar anomalias mais tarde.

3. Avaliar a Qualidade e Assunções dos Dados

Antes de construir qualquer modelo multivariado, inspecione os dados para outliers, valores ausentes e desvios da normalidade. Para normalidade multivariada, você pode usar o teste de Mardia ou um gráfico quantil-quantil das distâncias quadradas de Mahalanobis. Se os dados se desviarem significativamente da normalidade, considere transformações (por exemplo, Box-Cox) ou abordagens não paramétricas.

Verificar a multicolinearidade usando matrizes de correlação e fatores de inflação de variância (VIFs). A multicolinearidade alta pode desestabilizar cálculos de índice de capacidade e pode exigir redução de dimensionalidade através da seleção de subconjuntos de PCA ou variáveis. Também verificar se o processo é estável, plotando os dados em ordem de tempo e usando gráficos de controle multivariados.

4. Analisar as Relações Variáveis

Compreender a estrutura de correlação é central para a capacidade multivariada. Computar a matriz de correlação da amostra e visualizá-la usando matrizes de scatterplot ou heatmaps. Se as variáveis estão altamente correlacionadas, considere a análise de componentes principais (APC) para transformá-las em componentes não correlacionados. A ACP não só simplifica a análise, mas também revela quais direções no espaço variável contribuem mais para a variação global.

Outra técnica útil é a análise fatorial, que pode identificar fatores latentes que conduzem as correlações, porém, para a maioria dos estudos de capacidade, a PCA é preferida por se relacionar diretamente com a variância contabilizada e pode ser utilizada para calcular índices de capacidade nos escores dos componentes.

5. Modelar o processo

Existem várias abordagens de modelagem para análise de capacidade multivariada:

  • estatística T2 deHotelling: Para um processo que é multivariado normalmente distribuído, a estatística T2 mede a distância da média da amostra ao alvo. Você pode calcular a proporção de pontos de dados que se enquadram em um limite de controle T2 especificado, que serve como uma medida de capacidade.
  • ]Análise de componentes principais (PCA): Após PCA, você pode calcular índices de capacidade univariada em cada componente principal, porque os componentes são independentes.No entanto, os limites de especificação originais devem ser transformados para o espaço do componente, que pode ser complexo se os limites não forem elípticos.
  • Indices de capacidade multivariados (CpMV e Cpk[MV[): Estes índices são extensões de Cp e Cpk que usam o conceito de uma região de tolerância multivariada (frequentemente um elipsoide) em comparação com a variação do processo elipsóide definida pela matriz de covariância. Várias formulações existem; a mais comum é baseada na razão dos volumes do elipsoide de especificação e do elipsoide de processo.

Quando as especificações formam uma região retangular (o caso mais comum na prática), uma abordagem comum é usar a proporção de unidades não conformes estimadas a partir da distribuição normal multivariada. Esta proporção pode ser convertida em um índice de capacidade análogo ao Cpk usando uma transformação normal inversa.

6. Calcular os Índices de Capacidade

Vamos examinar o cálculo de CpMV mais de perto. Suponha que tenhamos duas variáveis (X1, X2) com uma distribuição normal bivariada. A região de especificação é definida por limites de especificação inferiores e superiores (LSL1, USL1, LSL2, USL2). A variação do processo é descrita pela matriz de covariância 9,5%. O índice Cp[MV[] é calculado como:

CpMV = (Volume da região de especificação) / (Volume da região de variação do processo)

A região de variação do processo é definida como a menor elipsoide que contém uma determinada proporção (geralmente 99,73%) da saída do processo, correspondendo a uma esfera de 3 sigma no espaço multivariado. O volume de um elipsoide p-dimensional é proporcional à raiz quadrada do determinante da matriz de covariância. Portanto, CpMV[ pode ser expresso como:

CpMV[ = (?(USLi - LSL]i) / (χ2p, 0,9973[]]p/2[ × ?

onde χ2p, 0,9973 é o valor crítico qui-quadrado com graus de p de liberdade para 99,73% de cobertura.

Para o CpkMV[, que corresponde ao centro de processos, um índice comum é o proposto por Chan, Cheng e Spiring (1988). Ele usa a razão da distância do processo média para o limite de especificação mais próximo ao longo da direção multivariada para a variação do processo nessa direção. Alternativamente, você pode usar a proporção de unidades não conformes abordagem: converter a fração estimada não conforme para um valor Z e então expressar Cpk[MV[ = Z]min[ / 3, onde Zmin] é o menor valor Z unilateral.

7. Interpretar resultados e identificar áreas de melhoria

A interpretação dos índices de capacidade multivariados requer cuidado. Um valor CpMV] maior que 1 indica que a variação do processo ocupa uma região menor do que a região de especificação, mas não garante que o processo esteja centrado. CpkMV[ deve ser usado para avaliar o centralamento. Quando Cpk[MV[[ é significativamente menor do que CpMV[, o processo significa ajuste de necessidades.

Examine quais variáveis contribuem mais para a falta de capacidade. Carregamentos de PCA podem indicar quais variáveis originais impulsionam os componentes principais com baixa capacidade. Por exemplo, se o primeiro componente principal (que explica a maior variação) mostra um índice de baixa capacidade, as variáveis com cargas elevadas nesse componente são candidatos primos para melhoria do processo.

Trace os dados e a região de especificação (por exemplo, sobreponha uma elipse de 99,73% de confiança em um gráfico de dispersão) para avaliar visualmente como o processo se compara com as especificações. Procure por clusters de pontos próximos a um limite de especificação ou fora da região.

Ferramentas e Técnicas

Análise de Componentes Principais (APC)

O PCA transforma um conjunto de variáveis correlacionadas num conjunto menor de componentes principais não correlacionados que capturam a variância máxima. É especialmente útil quando o número de variáveis é grande (por exemplo, 10 ou mais) ou quando existe multicolinearidade. Depois do PCA, você pode calcular índices de capacidade univariada nos primeiros componentes que respondem pela maioria da variação. No entanto, interpretar estes índices em termos de especificações originais requer retrotransformação.

Gráficos de Controle Multivariados

Antes de realizar a análise de capacidade, use gráficos de controle multivariados, como o gráfico T2 de Hotelling (para análise de fase I) e gráficos MEWMA ou MCUSUM (para monitoramento de fase II). Um processo estável é um pré-requisito para estimativas de capacidade válidas. O gráfico T2 mostra distância global do alvo; um ponto acima do limite de controle sugere um outlier multivariado ou uma mudança de processo.

Índices de Capacidade Multivariável

Além de CpMV e CpkMV[, existem outros índices, como o índice de capacidade multivariado proposto por Wierda (1992) baseado na proporção de unidades não conformes. Pacotes de software como Minitab, JMP e R (usando os pacotes ] ou ) oferecem funções para calcular esses índices. Os add-ins do Excel também estão disponíveis, mas muitas vezes limitados.

Interpretando os Resultados de Capacidade Multivariável

Ao interpretar a saída de um estudo multivariado de capacidade, considere as seguintes diretrizes:

  • CpMV > 1,33: A variação do processo está bem dentro da região de especificação, indicando excelente capacidade potencial.
  • 1.00 ≤ CpMV ≤ 1.33:] O processo é capaz, mas pode exigir monitorização para evitar deterioração.
  • CpMV < 1.00: A variação do processo excede a região de especificação; é necessário melhorar imediatamente.
  • CpkMV[ vs. CpMV[: Uma grande lacuna indica que o processo está fora do centro. Concentre-se em ajustar a média em direção ao alvo.
  • Índices univariados vs. multivariados: Se os valores de Cp/Cpk univariados forem todos altos, mas multivariáveis, a correlação entre as variáveis é o provável culpado. Reduzir a correlação através de alterações de desenho ou melhor controle de entradas pode ajudar.

Lembre-se de que os índices de capacidade multivariada são sensíveis à suposição de normalidade multivariada. Se os dados não forem normais, considere-se o uso de métodos não paramétricos que estimam a proporção de unidades não conformes diretamente da distribuição empírica, como a abordagem multivariada descrita por Shore (2005).

Melhores práticas e armadilhas comuns

Melhores Práticas

  • Coleta dados suficientes: Apontar para pelo menos 100 observações para casos de baixa dimensão, mais para dimensões mais elevadas. Use análise de potência para determinar o tamanho da amostra para a precisão necessária.
  • Verifique suposições: Sempre teste para a normalidade multivariada e estrutura de correlação antes de índices de computação. Use transformações se necessário.
  • Use software apropriado:] Aproveite pacotes estatísticos que suportam análise de capacidade multivariada, como Minitab, JMP, R, ou Python com bibliotecas como e . O NIST/SEMATECH e-Handbook of Statistical Methods fornece orientações detalhadas e exemplos. Visite o NIST e-Handbook.
  • Colabore com especialistas em domínio: Trabalhe com engenheiros de processos e estatísticos para garantir que as variáveis e especificações escolhidas sejam significativas e que a análise alinha-se com restrições práticas.
  • Validar o modelo: Utilizar dados de espera ou validação cruzada para confirmar que as estimativas de capacidade são fiáveis e estáveis ao longo do tempo.

Pistácios comuns

  • Ignorando a correlação: Este é o erro mais frequente. A capacidade univariada pode parecer boa, mas as variáveis correlacionadas podem causar uma alta porcentagem de unidades não conformes. Sempre realize uma análise multivariada quando as variáveis são conhecidas ou suspeitas de serem correlacionadas.
  • Usando dados insuficientes: Amostras pequenas levam a grandes erros de amostragem em estimativas de matriz de covariância, resultando em índices de capacidade não confiáveis.
  • Qualidade dos dados aparentes: Os outliers e dados em falta podem distorcer severamente os índices multivariados.
  • Indices de interpretação incorreta: CpMV[ não conta para centralização; sempre use CpkMV[ em conjunto. Além disso, lembre-se que muitos índices dependem da forma da região de especificação; especificações retangulares podem exigir uma abordagem diferente das elípticas.
  • Aplicar métodos multivariados a processos instáveis: A análise de capacidade não tem sentido se o processo não estiver no controle estatístico. Controlar o processo primeiro, então avaliar a capacidade.

Conclusão

Realizar um estudo de capacidade de processo em um contexto multivariado é mais complexo do que sua contraparte univariada, mas fornece uma imagem muito mais precisa do desempenho do processo quando as variáveis interagem. Ao definir as variáveis com cuidado, coletar dados representativos, verificar suposições, usando ferramentas estatísticas apropriadas como PCA e índices de capacidade multivariada robusta de computação, as organizações podem identificar o verdadeiro estado de capacidade do processo e melhorar o alvo de forma eficaz.A análise de capacidade multivariada é uma ferramenta poderosa para alcançar a produção de alta qualidade e reduzir os resíduos nos processos modernos de fabricação e serviço.Para mais estudos, a Sociedade Americana de Qualidade (ASQ) oferece cursos e os recursos de qualidade sobre capacidade de processo .Além disso, o livro “Controlo de Qualidade Estatística” de Montgomery fornece um tratamento aprofundado de métodos multivariados.