История и эволюция выборки приемки в промышленности

Введение: Роль выборки приемки в контроле качества

Приемка выборки - это статистический метод контроля качества, который позволяет производителям принимать решения о прохождении или отказе от целых партий продукции на основе проверки случайно выбранного подмножества. Вместо того, чтобы проверять каждую единицу (100-процентная проверка), приемка выборки предлагает прагматичный баланс между стоимостью и гарантией. Метод был краеугольным камнем управления промышленным качеством в течение почти столетия, от его истоков в военных закупках до его текущей интеграции с цифровыми производственными системами.

Фундаментальная логика отбора проб на принятие основывается на теории вероятностей. Образец взят из множества, и если число дефектных единиц в образце падает ниже числа принятия, принимается весь лот; в противном случае он отвергается. Этот подход предполагает, что образец является репрезентативным для партии, и он использует предопределенные статистические риски - риск производителя (α) и риск потребителя (β) - для контроля вероятности принятия неправильных решений. Со временем выборка на принятие превратилась из простых ручных процедур в сложные, управляемые компьютером схемы, которые могут адаптироваться к изменчивости процесса в реальном времени.

Понимание истории и эволюции приемочного отбора образцов обеспечивает контекст для его современных применений. Метод пережил волны критики со стороны сторонников тотального управления качеством и статистического контроля процессов, но он по-прежнему широко используется в отраслях, где деструктивное тестирование, производство большого объема или сторонняя проверка предотвращает 100%-ную проверку. По мере того, как производство движется к Индустрии 4.0 и прогностическому качеству, приемочный отбор продолжает адаптироваться, доказывая его прочную полезность.

Происхождение выборки принятия

Корни приемочной выборки лежат в развитии статистического контроля качества в начале 20-го века. В 1920-х и 1930-х годах исследователи из Bell Telephone Laboratories — в первую очередь Гарольд Додж и Гарри Ромиг — начали формулировать таблицы выборки для проверки телекоммуникационного оборудования без тестирования каждого компонента. Их работа, опубликованная как Таблицы проверки выборки Додж-Ромиг , предложила первый систематический подход к выборке приемки на основе распределения вероятностей.

Однако катализатором для широкого распространения стали события Второй мировой войны. Американским военным требовалось проверить огромное количество боеприпасов, оружия и других материалов, произведенных тысячами подрядчиков. 100%-ная проверка была непрактичной — часто невозможной — потому что испытание одной пули или артиллерийского снаряда могло уничтожить его. Отбор проб на прием обеспечивал математически оправданный способ оценки качества при сокращении времени и затрат на проверку. Военное министерство выпустило первые официальные стандарты отбора проб, позже кодифицированные как MIL-STD-105, которые стали фактическим стандартом на десятилетия.

Ранние методы были концептуально просты. Для проверки было представлено много размеров N; выборка размера n была нарисована случайным образом. Если число дефектных единиц в образце превышало фиксированное число приемки c, то весь лот был отклонен. Вероятность принятия много с заданной фракцией дефектов можно было рассчитать по гипергеометрическому или биномиальному распределению. Эти планы были разработаны для защиты потребителя от принятия плохих партий, давая производителю справедливый шанс получить хорошие партии.

Ранние методы и разработки

Планы одиночного отбора проб

План одиночной выборки является наиболее базовой формой отбора приёмки. Инспектор рисует одну случайную выборку размера n из множества размеров N. Если число дефектных единиц в образце ≤ c (номер приёмки), то партия принимается; в противном случае, она отклоняется. Однократная выборка проста в администрировании, но может потребовать относительно большого размера выборки для достижения желаемой дискриминации между хорошими и плохими партиями.Операционная характеристика (OC) кривой одного плана выборки показывает вероятность принятия как функцию истинной фракции лота, дефектной, обеспечивая четкую картину выполнения плана.

Планы двойного отбора проб

Для уменьшения необходимого среднего размера выборки были введены планы двойной выборки. В плане двойной выборки берется первый образец размера n1. Если число дефектов ≤ c1, то партия принимается немедленно; если оно ≥ r1 (номер отклонения), то партия отклоняется. Если количество падает между c1 и r1, то выбирается второй образец размера n2. Затем решение основывается на комбинированном количестве дефектов в обоих образцах. Двойная выборка может достичь той же статистической защиты, что и один план с меньшим средним размером выборки, особенно когда партии либо очень хороши, либо очень плохи. Эта эффективность сделала двойную выборку популярной в отраслях с большим объемом, таких как автомобильные детали и электроника.

Многократные и последовательные планы отбора проб

Планы множественной выборки расширяют идею двойной выборки, позволяя до k этапов выборки. На каждом этапе кумулятивное число дефектов сравнивается с границами принятия и отклонения. Наиболее продвинутой формой является последовательная выборка , в которой предметы проверяются по одному за раз и решение о принятии, отклонении или продолжении выборки принимается после каждого наблюдения.Последняя выборка была разработана Авраамом Уолдом в Колумбийском университете во время Второй мировой войны и является математически оптимальной, достигая наименьшего возможного среднего размера выборки для заданных рисков ошибок. Однако ее операционная сложность ограничивала ее использование до появления компьютерной проверки.

Стандартизация и принятие промышленности

По мере того, как выборка приемлемости становится более зрелой, появляются национальные и международные стандарты, призванные унифицировать практику в различных отраслях и странах.

  • MIL-STD-105 (позже заменен ANSI/ASQ Z1.4): Набор таблиц, обеспечивающих единичные, двойные и множественные планы отбора проб для проверки атрибутов. Он определил нормальные, ужесточенные и пониженные уровни проверки, которые корректируют интенсивность отбора проб на основе истории поставщиков. Стандарт использовал AQL (Допустимый уровень качества) в качестве основного индекса.
  • ISO 2859-1: Международный эквивалент MIL‐STD‐105, широко принятый в Европе и Азии. Он гармонизировал процедуры отбора проб через границы, облегчая глобальные цепочки поставок.
  • ANSI/ASQ Z1.9: Стандарт для планов выборки переменных, в которых используются измерения (например, длина, вес, напряжение) вместо подсчета дефектов. Планы переменных могут достигать той же защиты при меньших размерах выборки, когда распределение измерений является нормальным.

Эти стандарты обеспечили согласованность в обеспечении качества в различных секторах, начиная от аэрокосмической промышленности и заканчивая фармацевтическими препаратами. Они включали правила переключения: если последние партии поставщика отличаются высоким качеством, проверка может быть снижена; если качество ухудшается, применяется ужесточение контроля. Этот динамический подход стимулировал поставщиков поддерживать качество выше AQL.

Стандартизация также позволила сторонним инспекционным агентствам и регулирующим органам указать общий язык. Например, Управление по контролю за продуктами и лекарствами США (FDA) ссылалось на прием проб в своем Регламенте системы качества для медицинских устройств, требуя от производителей использовать статистически обоснованные планы отбора проб, когда 100%-ная проверка невозможна.

Математические основы

Эффективность любого плана отбора проб для принятия определяется несколькими ключевыми понятиями:

Операционная характеристика (OC) кривая

Кривая OC показывает вероятность принятия лота (P)a против истинной фракции лота с дефектом (p). идеальный план будет прыгать от 1 до 0 при AQL, но реальные кривые наклонены. Крутизна кривой указывает на способность плана различать хорошие и плохие лоты. Факторы, влияющие на кривую OC, включают размер выборки n, число приемки c и размер лота N (хотя для больших лотов относительно размера выборки N имеет незначительный эффект).

AQL, LTPD и риски

  • AQL (Допустимый уровень качества): Максимальный процент дефектов, который считается приемлемым в качестве среднего процесса. Лоты с ≤ AQL имеют высокую вероятность принятия (обычно ≥ 0,95).
  • LTPD (Lot Tolerance Percent Defective): Процент дефектных считается неприемлемым. Лоты с ≥ LTPD имеют низкую вероятность принятия (обычно ≤ 0,10).
  • Риск производителя (α): Вероятность отказа от большого количества AQL качества (хорошая партия). Обычно устанавливается на уровне 0,05.
  • Риск потребителя (β): Вероятность принятия большого количества LTPD качества (плохой лот). Обычно устанавливается на уровне 0,10.

Математически биномиальное распределение часто аппроксимирует вероятность принятия для больших партий: Pa = Σ (от x=0 до c) [C(n,x) pxn-x. Для небольших партий используется гипергеометрическое распределение.Современное программное обеспечение вычисляет точные кривые OC и помогает в разработке планов, отвечающих как требованиям производителя, так и потребителя.

Эволюция с технологией

Изобретение электронного калькулятора, а затем и персонального компьютера превратило выборку приемки из ручного упражнения по поиску таблиц в динамический процесс, управляемый данными. В 1970-х и 1980-х годах системы мэйнфреймов позволили заводам хранить истории выборки и автоматически применять правила коммутации. К 1990-м годам статистические пакеты программного обеспечения интегрировали выборку приемки с более широкими инструментами SPC, позволяя операторам генерировать планы, строить графики OC и анализировать производительность поставщиков.

Два технологических достижения оказали огромное влияние:

  • Автоматизированное контрольное оборудование: Системы зрения, лазерные микрометры и координатные измерительные машины могут проверять предметы на высокой скорости, подавая данные непосредственно в алгоритмы отбора проб. Это делает возможным двойную и последовательную выборку на производственных линиях, где остановка для ручного контроля будет дорогостоящей.
  • Цифровой сбор данных и интеграция MES: Современные системы исполнения производственных процессов (MES) отслеживают отслеживаемость партий, решения по проверке и данные о дефектах. Планы отбора проб могут запускаться автоматически на основе типа продукта, исторического качества или требований клиентов. Панели приборов в реальном времени показывают состояние партий в очереди отбора проб, ускоряя принятие решений.

Кроме того, рост облачных вычислений и , а также , позволил объединить данные выборки на разных участках. Многонациональная компания теперь может контролировать производительность выборки на всех своих заводах на одной платформе, идентифицируя поставщиков или сдвиги, которые постоянно производят пограничные партии.

Современные тенденции в выборке приемки

Риск-ориентированный отбор проб

Вместо применения универсального AQL современные планы отбора проб на основе рисков адаптируют размеры выборки и критерии приемлемости к критичности характеристик продукта. Например, дефект в автомобильной тормозной системе требует гораздо более жесткой выборки, чем косметический недостаток. В планах на основе рисков используются оценки режима отказа и эффектов (FMEA) для классификации характеристик в категории A, B, C, каждая со своим собственным планом. Этот подход концентрирует ресурсы проверки, где они обеспечивают наибольшую ценность.

Планы непрерывного отбора проб (CSP)

CSP являются альтернативой многократной выборке, используемой при производстве блоков в непрерывном потоке. Процесс чередуется между 100%-ной инспекцией и периодической выборкой, основываясь на количестве последовательно соответствующих элементов, найденных. CSP распространены на высокоскоростных сборочных линиях и операциях по упаковке. Стандарты, такие как MIL-STD-1235 и ANSI / ASQ Z1.4-CSP, предоставляют руководящие принципы.

Байесовская выборка приемки

Байесовские методы включают в план отбора проб предварительные знания о процессе (например, исторические показатели дефектов, надежность поставщика). Предварительная информация сочетается с данными выборки для получения заднего вероятности того, что качество партии соответствует спецификациям. Байесовские планы могут значительно уменьшить размеры выборки, когда предыдущие данные сильны, при этом все еще защищая от неожиданностей. Они получают признание в таких отраслях, как фармацевтика, где данные из предыдущих партий многочисленны.

Интеграция с промышленным IoT (IIoT)

Технологии Индустрии 4.0 размыли грань между 100% автоматизированным контролем и отбором проб. На интеллектуальных фабриках каждый продукт может быть проверен встроенными датчиками, но решение о принятии или отклонении «виртуального лота» может быть принято с использованием логики отбора образцов на данных датчиков. Этот гибридный подход позволяет производителям поддерживать статистическую дисциплину отбора проб при использовании данных высокой плотности из сетей IIoT.

Будущие направления

Прогнозируемый менеджмент качества

По мере внедрения моделей машинного обучения в производственные системы выборка приемки может перейти от принятия реактивных решений к управлению качеством прогнозирования. Вместо проверки выборки для принятия решения о текущей партии модель может использовать параметры процесса, показания датчиков и исторические данные для прогнозирования вероятности того, что партия пройдет выборку. Только партии с неубедительными вероятностями вызовут физический осмотр. Это может резко снизить затраты на проверку при сохранении или даже улучшении защиты потребителей.

Блокчейн и отслеживаемость

Технология блокчейна предлагает неизменную запись каждого решения о проверке и его подтверждающие данные. В регулируемых отраслях (медицинские устройства, аэрокосмическая промышленность) регуляторы могут принимать записи о выборке, проверенные блокчейном, вместо бумажных сертификатов. Смарт-контракты могут автоматически выпускать партии для отправки, когда результаты цифровой проверки соответствуют заранее определенным критериям, ускоряя цепочки поставок.

Нулевая парадигма дефекта и меняющаяся роль выборки

Стремление к нулевым дефектам, отстаиваемое Six Sigma и бережливым производством, иногда ставит под сомнение необходимость отбора образцов для принятия. Критики утверждают, что выборка просто сортирует хорошие партии из плохих, а не предотвращает дефекты. В ответ современная выборка для принятия переформулируется как система раннего предупреждения о деградации процесса, а не конечный шлюз. В будущем, вероятно, будет наблюдаться более тесная интеграция между выборкой для принятия и статистическим контролем процесса (SPC), где сигналы вне контроля в данных выборки вызывают корректировки процесса в реальном времени.

Заключение

Отбор проб на прием прошел долгий путь от таблиц ручного управления 1940-х годов. Его эволюция отражает более широкую траекторию промышленного контроля качества: от реактивного скрининга до принятия решений, основанных на данных. Несмотря на периодические прогнозы его устаревания, выборка на прием остается жизненно важным инструментом в наборе инструментов инженера по качеству, особенно в ситуациях, когда 100% проверка непрактична или невозможна. Формализация стандартов, таких как ISO 2859 и ANSI / ASQ Z1.4 , обеспечила общий язык для мировой торговли, в то время как достижения в области вычислений, датчиков и аналитики сделали выборку более эффективной, чем когда-либо.

Заглядывая вперед, интеграция выборки принятия с большими данными, искусственным интеллектом и блокчейном обещает сделать ее еще более мощной. Организации, которые понимают как историю, так и последние разработки, лучше всего подходят для разработки стратегий выборки, которые уравновешивают риск, стоимость и качество. Для дальнейшего чтения страница ASQ Acceptance Sampling предлагает авторитетное руководство, а NIST / SEMATECH e-Handbook of Statistical Methods предоставляет подробные математические объяснения планов выборки, включая кривые OC и расчеты рисков.