Методы выборки и визуализации данных для лучшего принятия решений

Введение в выборку приемки и контроль качества, основанный на данных

В обрабатывающей промышленности, логистике и даже в сфере услуг задача обеспечения баланса между качеством и эффективностью работы является постоянной. Выборка приемки предлагает статистически обоснованное решение: вместо проверки каждого блока в много-мдаше; что часто нецелесообразно или непомерно дорого; вы исследуете случайно выбранную выборку. Исходя из количества дефектов, обнаруженных в этой выборке, вы принимаете решение принять или отклонить всю партию. Этот метод был краеугольным камнем промышленного контроля качества с 1940-х годов, впервые предложенный Гарольдом Доджем и Гарри Ромигом в Bell Labs.

Однако, только сырые данные приемки выборки могут быть трудно интерпретировать. Без контекста, один уровень дефекта может не указывать на системную проблему. Вот где визуализация данных становится критической. Сравнивая результаты выборки с течением времени, сравнивая распределения дефектов по производственным линиям, или визуализируя кривые эксплуатационных характеристик (OC), лица, принимающие решения, получают немедленную информацию. Объединение этих двух дисциплин — выборка приемки и визуализация данных — преобразует контроль качества из реактивной проверки в проактивный, интеллектуальный процесс.

Что такое выборка принятия? Определение и основные понятия

Приемочная выборка - это метод статистического контроля качества, при котором определенное число единиц выбирается случайным образом из партии. Эти единицы проверяются на соответствие заранее определенным критериям качества. Число наблюдаемых дефектов сравнивается с приемочным числом (c). Если количество дефектов находится на уровне или ниже c, принимается вся партия; если оно превышает c, партия отклоняется или подвергается дальнейшей проверке.

Этот подход особенно полезен, когда:

• Тестирование является деструктивным (например, разрушение компонента для измерения прочности на разрыв).
• Стоимость 100% осмотра выше, чем стоимость прохождения нескольких дефектных предметов.
• У поставщика проверенная история надежности, и 100% проверка добавит ненужных задержек.

Выборка приемки не устраняет дефектные элементы; скорее, она контролирует риск принятия лота низкого качества или отказа от хорошего. Эти риски количественно определяются через кривую функциональной характеристики (OC) , приемлемый уровень качества и лот допуска процентов дефектных (LTPD) .

Ключевые статистические параметры

• Допустимый уровень качества (AQL): Наихудший уровень качества, который все еще считается приемлемым. Обычно выражается в процентах дефектов (например, 1% AQL означает много с 1% дефектов имеет высокую вероятность принятия).
• Процентная непереносимость (LTPD): Уровень качества, который считается неприемлемым. План отбора проб должен иметь низкую вероятность принятия многого в LTPD.
• Риск производителя (α): Вероятность отказа от многого, что на самом деле соответствует AQL (ложная тревога). Обычно устанавливается на уровне 5% или 1%.
• Риск потребителя (β): Вероятность принятия многого, что находится на или хуже, чем LTPD. Обычно устанавливается на уровне 10%.

Понимание этих параметров имеет важное значение для разработки плана выборки, который уравновешивает стоимость и качество. Американское общество качества (ASQ) предоставляет подробное руководство по установлению значений AQL и LTPD для различных отраслей промышленности.

Типы планов отбора образцов для принятия

Планы отбора проб не являются универсальными. В зависимости от требуемой точности, бюджета и инспекционной способности организации могут выбирать из нескольких стандартных конструкций.

Единый план отбора проб

В одном плане выборки берется один образец размера n, если число дефектных элементов ≤ c (номер приема), то принимается жребий. В противном случае он отклоняется. Это самый простой и наиболее часто используемый план, определяемый парой n, c. Он быстрый, но требует относительно большого размера выборки для достижения желаемых уровней риска.

Двойной план отбора проб

Двойная выборка уменьшает средний размер выборки, позволяя второй шанс. Первоначальная меньшая выборка берется. Если количество дефектов низкое, принять; если высокое, отклонить; если в среднем диапазоне, взять второй образец. Комбинированные дефекты из обоих образцов затем определить решение. Двойная выборка часто использует меньше общих единиц в среднем, особенно когда качество партии либо очень хорошо или очень плохо.

Многократные и последовательные планы отбора проб

Многократная выборка расширяет концепцию дальше, позволяя до нескольких этапов выборки до принятия окончательного решения.Последняя выборка, наиболее эффективная с точки зрения среднего размера выборки, проверяет единицы по одному до тех пор, пока не будет достигнуто четкое принятие или отклонение решения. Оба метода математически более сложны, но могут значительно снизить затраты на проверку, когда партии последовательно хороши или плохи.

Стандартизированные планы: ANSI/ASQ Z1.4 и ISO 2859

Большинство отраслей принимают стандартизированные таблицы выборки, такие как ANSI/ASQ Z1.4 (ранее MIL-STD-105E) или ISO 2859-1. Эти таблицы предоставляют предварительно рассчитанные размеры выборки и номера приемки на основе размера партии, уровня инспекции (I, II, III) и AQL. Использование признанного стандарта обеспечивает согласованность между поставщиками и облегчает связь. ISO 2859-1:1999 остается широко упоминаемым международным стандартом для отбора атрибутов .

Методы визуализации данных, которые повышают выборку приемки

Сырые данные выборки — количество дефектов, частота дефектов и принятие решений — могут быть представлены в таблицах, но таблицы неясны тенденции. Визуализация приводит данные к жизни. Ниже приведены наиболее эффективные методы для контекстов выборки принятия.

Операционные характеристики (OC) кривые

Кривая OC показывает вероятность принятия лота по отношению к фактическому качеству лота (процентный дефект). Различные планы выборки производят разные кривые. Визуализация кривых OC позволяет инженерам по качеству сравнивать дискриминационную силу альтернативных планов. Крутая кривая OC указывает на высокую чувствительность: небольшое изменение скорости дефекта приводит к большому колебанию вероятности принятия. Вы можете быстро увидеть, адекватно ли данный план защищает потребителя (low β в LTPD) без чрезмерной жесткости по отношению к производителю (low α в AQL).

Контрольные диаграммы (p-Charts и np-Charts)

Когда приемочная выборка применяется неоднократно в течение времени, например, в конце каждого производственного сдвига, пропорции дефекта из каждого образца могут быть нанесены на график p-схемы (неисправная пропорция) или np-схемы (неисправное число). Эти контрольные диаграммы имеют верхние и нижние контрольные пределы, полученные из исторической средней скорости дефекта. Точка за пределами пределов или пробег точек с одной стороны сигнализирует об изменении процесса, что побуждает к расследованию до того, как будет произведено много плохих партий.

Гистограммы распределения дефектов

Группировка данных выборки в корзины скорости дефектов и график гистограммы выявляет центральную тенденцию и изменчивость качества партии. Гистограмма, перекошенная вправо, предполагает, что многие партии хорошо находятся в AQL, тогда как широкий разброс может указывать на нестабильность. Наложение порогов AQL и LTPD на гистограмму обеспечивает немедленный визуальный контроль того, как часто партии попадают в зону, отбрасываемую.

Карты Парето для дефектных категорий

Если во время выборки собирать данные о типе дефекта (например, царапины, трещины, ошибки в размерах), то частоту каждой категории дефектов ранжирует диаграмма Парето. Часто применяется принцип 80/20: небольшое количество типов дефектов вызывает большинство отказов. Посредством визуализации этого качественные команды могут фокусировать корректирующие действия там, где они окажут наибольшее влияние.

Тепловые карты и панели инструментов

Современные инструменты бизнес-аналитики позволяют приборным панелям в реальном времени, которые объединяют кривые OC, контрольные диаграммы и диаграммы дефектов Парето в единый вид. Тепловая карта может показывать частоту дефектов на разных производственных линиях, периодах времени или партиях материалов. Цветовое кодирование (зеленый для приемлемого, желтый для маргинального, красный для отклонения) позволяет руководителям сразу же обнаружить проблемы и сверлить основные данные выборки.

Наилучшие методы визуализации данных рекомендуют избегать «сланцевых» диаграмм, использовать соответствующие масштабы и включать размеры выборки для каждой точки данных, чтобы избежать неправильной интерпретации небольших образцов.

Пример: Сочетание выборки приемки с визуализацией в заводе по переработке пищевых продуктов

Замороженный овощной процессор получает тысячи метрических тонн сырой фасоли каждый урожай. Поскольку тестирование на остаток пестицидов является дорогостоящим и трудоемким, 100% проверка невозможна. На заводе принят единый план отбора проб ISO 2859-1 с AQL = 0,65% и общим уровнем проверки II. Каждая входящая грузовая машина (размер лота ~ 1200 кг) отобрана с 125 образцами. Номер приемки - 2 дефекта.

Менеджер по качеству изначально отслеживал только ставки пропуска/неудачи в электронной таблице. После внедрения панели мониторинга в реальном времени с p-картой и диаграммой Парето с дефектным типом появилось несколько идей:

• P-карта показала, что частота дефектов была вблизи верхнего контрольного предела непосредственно перед ливнями, что указывает на то, что воздействие воды повлияло на качество бобов.
• График Парето показал, что на чужеродный материал (маленькие камни, стебли) приходилось 70% всех дефектов, что было замаскировано при рассмотрении только общего количества дефектов.
• Визуализация кривой OC помогла руководству обосновать переход на план двойной выборки, что снизило средние затраты на проверку на 22% при сохранении тех же уровней риска.

В течение полугода завод сократил отказы поставщиков на 15% и улучшил показатели удовлетворенности потребителей.Наглядный подход превратил статический процесс проверки в инструмент динамического совершенствования процесса.

Преимущества интеграции визуализации данных с выборкой приемки

• Быстрое принятие решений: Визуальные резюме мгновенно сообщают о риске. Вместо сравнения чисел с таблицей менеджеры видят, где каждый лот падает относительно зон принятия/отказа.
• Идентификация тренда: Контрольные диаграммы и диаграммы запуска показывают изменения в качестве, которые могут быть невидимыми, только если смотреть на индивидуальные решения о лоте. Раннее обнаружение позволяет осуществлять превентивные действия.
• Сниженные затраты на инспекцию: Визуализация кривой OC помогает выбрать наиболее эффективный план отбора проб. Для процессов с очень низкими скоростями дефектов переход на уменьшенный осмотр (меньший образец) безопасен и экономически эффективен.
• Улучшенная коммуникация с поставщиками: Визуализация облегчает обмен данными о качестве с поставщиками. Поставщик может видеть тенденцию их дефектов с течением времени, понимать порог AQL и сотрудничать в области непрерывного улучшения.
• Аудиторская способность и соответствие: панели приборов с временными метками, размерами выборки и решениями создают четкий аудиторский след для регулирующих органов в регулируемых FDA отраслях или автомобильных стандартах качества, таких как IATF 16949.

Ограничения и соображения

Хотя выборка приемки с визуализацией является мощной, она не лишена подводных камней. Во-первых, выборка всегда несет в себе риск неправильных решений— кривая OC количественно это определяет, но некоторые менеджеры неверно интерпретируют высокую вероятность принятия как гарантию качества. Визуализация может непреднамеренно переуверить, если не отображаются доверительные интервалы или размеры выборки.

Во-вторых, приемочная выборка предназначена для проверки методом лота-по-лоту. Для непрерывного мониторинга производственного процесса может быть более целесообразным статистическое управление процессом (SPC) с отбором проб в режиме реального времени. Такие инструменты SPC, как диаграммы X-bar и R, лучше подходят для обнаружения дрейфов процесса до изготовления дефектных продуктов.

В-третьих, качество визуализации данных имеет значение. Вводящие в заблуждение масштабы диаграмм, неправильная агрегация или скрытие размера выборки могут привести к неправильным выводам. Поле визуализации данных выявило много распространенных ошибок , которых следует избегать практикующим, например, вишневые окна времени или использование 3D-эффектов, которые искажают восприятие.

Наконец, приемочная выборка наиболее эффективна, когда производственный процесс находится в статистическом контроле. Если процесс является крайне неустойчивым, предположения, лежащие в основе AQL и LTPD, ломаются, и ни выборка, ни визуализация не спасут качество.

Лучшие практики для внедрения выборки приемки с визуализацией

1. Определите четкие показатели качества и пороговые значения перед выбором плана выборки. Используйте AQL, LTPD и уровни риска, которые соответствуют требованиям клиентов и бизнес-целям.
2. Выберите правильный стандарт плана выборки (ANSI/ASQ Z1.4, ISO 2859 или OC-кривая, оптимизированная по индивидуальному заказу). Визуализируйте кривые OC планов кандидатов для сравнения их дискриминации.
3. Используйте поэтапный подход: Начните с однократной выборки, затем перейдите к двойной или последовательной, если данные оправдывают изменение. Мониторинг среднего размера выборки через контрольную диаграмму для проверки экономии.
4. Постройте панель инструментов , которая включает в себя, по крайней мере: решение о пропуске / отказе на уровне партии, кумулятивную тенденцию скорости дефекта, p-схему с ограничениями контроля и диаграмму Парето типа дефекта. Обновите ее в режиме реального времени.
5. Обучить лиц, принимающих решения, читать и интерпретировать визуализации. Предоставить контекст для ограничений контроля и зон принятия, чтобы они не путали вариацию общей причины с особой причиной.
6. Периодически пересматривайте и пересматривайте план отбора проб. По мере улучшения процессов вы можете претендовать на снижение инспекции. По мере появления новых рисков затягивайте AQL или переходите на более высокий уровень инспекции.