Императив статистического мышления в контроле качества

В производстве с высокими ставками инженерное решение о принятии или отклонении партии продукции редко основывается на 100%-ной проверке. Стоимость, время и деструктивный характер многих испытаний делают полную проверку непрактичной. Отбор проб на прием, основанный на статистической теории, обеспечивает дисциплинированную основу для принятия этих решений с количественным риском. Вместо того, чтобы исследовать каждую единицу, инженеры рисуют случайную выборку, тестируют ее и, основываясь на количестве обнаруженных дефектов, принимают или отвергают весь участок. Этот подход, формализованный в стандартах, таких как ISO 2859 и ANSI / ASQ Z1.4 , уравновешивает стоимость проверки с риском прохождения несоответствующего продукта. , позволяет инженерам строго контролировать качество при сохранении производственного потока.

Основные статистические основы

Выборка приемки основана на теории вероятностей, чтобы связать результаты выборки с характеристиками популяции. Фундаментальное предположение заключается в том, что выборка выбирается случайным образом из партии, и что производственный процесс достаточно стабилен для того, чтобы партия была репрезентативной. Ключевыми статистическими распределениями являются биномиальное распределение (для данных атрибутов, таких как проход / провал) и распределение Пуассона (часто используется для дефектов на единицу). Понимание этих распределений позволяет инженерам вычислить вероятность наблюдения определенного количества дефектов в выборке с учетом истинной скорости дефекта партии.

Риски производителей и потребителей

Каждый план отбора проб включает в себя два типа ошибок. Ошибка типа I или Риск производителя (α) , является вероятностью отказа от многого, что на самом деле соответствует приемлемому уровню качества (AQL). Ошибка типа II или риск потребителя (β), вероятность принятия многого, чей уровень дефекта превышает допуск лота на процент дефектных (LTPD). Это подвергает клиента к низкому качеству. Хорошо разработанный план минимизирует оба риска, как правило, устанавливая α на 0,05 или 0,01 и β на 0,10.

Операционная кривая (OC)

Кривая OC является наиболее важным графическим инструментом в приемке выборки. Она отображает вероятность принятия много (ось Y) против истинной фракции дефектной (ось x). Идеальная кривая OC будет ступенчатой функцией: принять все лоты ниже AQL, отклонить все выше. В действительности, кривая является гладкой S-образной. Чем круче кривая, тем более дискриминационный план. Инженеры используют кривую OC для оценки того, как план выполняется для различных уровней качества. Справочник инженерной статистики NIST дает подробное руководство по построению и интерпретации кривых OC для одиночных и двойных планов выборки.

Разработка плана отбора проб

Для разработки эффективного плана требуется указать четыре параметра: размер лота (N), размер выборки (n), число приемки (c - максимально допустимое число дефектов в образце) и число отклонения (r - обычно c + 1 для единичных планов). Они выбираются для удовлетворения AQL, LTPD, α и β. Процесс часто включает итеративный расчет: выберите пробные n и c, вычислите кривую OC, затем отрегулируйте, пока оба риска не будут в приемлемых пределах. Многие инженеры используют опубликованные таблицы (например, ANSI / ASQ Z1.4) или статистическое программное обеспечение для ускорения этого.

Одинарный, двойной и последовательный планы

Единая выборка является самой простой: взять один образец размера n. Если число дефектов ≤ c, принять; в противном случае отклонить. Двойная выборка предоставляет второй шанс: взять исходный образец размера n1. Если дефекты ≤ c1, принять; если > r1, отклонить; если между c1 и r1, взять второй образец размера n2. Комбинированные дефекты сравниваются со вторым приемочным номером c2. Этот план часто уменьшает общий осмотр для хороших партий.

Секвентивная выборка идёт ещё дальше: единицы проверяются по одному за раз. После каждой единицы суммарное количество дефектов сравнивается с верхней (отклонённой) границей и нижней (принятой) границей. Проверка продолжается до пересечения одной границы. Это наиболее эффективный план с точки зрения среднего размера выборки, особенно когда качество партии либо очень хорошее, либо очень плохое. ANSI/ASQ Z1.4 включает таблицы для схем двойной и множественной выборки.

Выбор правильного типа плана

Факторы, влияющие на выбор, включают стоимость инспекции, деструктивный характер испытаний, желаемую скорость и административную сложность. Единые планы просты в управлении, но могут потребовать более крупных образцов. Двойные и последовательные планы уменьшают средний размер выборки, но требуют более сложных правил принятия решений. В аэрокосмической и медицинской промышленности, где тестирование является разрушительным, часто предпочтительнее последовательная выборка, чтобы минимизировать количество разрушенных единиц.

Статистические распределения в выборке приемки

Биномиальная модель

При отборе проб из больших партий (обычно N > 10n) и проверке на дефекты атрибутов (например, проход/провал) биномиальное распределение моделирует число дефектов в образце. Вероятность наблюдения за дефектами x в n предметах, заданных фракцией лота дефектных p, составляет P(x) = C(n, x) p^x (1-p)^(n-x). Кривая OC для планов атрибутов вычисляется суммированием этих вероятностей для x от 0 до c. Эта модель предполагает бесконечное популяционное или выборочное с заменой, которое аппроксимируется большими размерами лота.

Близость Пуассона

При низких скоростях дефектов (р < 0,1) и больших размерах выборки распределение Пуассона обеспечивает близкое приближение. Параметр λ = n * p. Это упрощает вычисления и обычно используется в отраслевых таблицах. Вероятность принятия многого становится суммой вероятностей Пуассона для дефектов от 0 до c. Модель Пуассона также используется для дефектов на единицу (несоответствий), а не дефектных единиц.

Гипергеометрические соображения

Для малых размеров лотов (например, N < 10n) важна конечная коррекция популяции. Гипергеометрическое распределение следует использовать вместо биномиального, поскольку выборка без замены существенно меняет вероятности. В таких случаях кривая OC более круче, а риск потребителя ниже для заданного плана. Многие стандарты предоставляют отдельные таблицы для небольших размеров лотов.

Практические применения в разных отраслях

Автомобильное производство

Приемочная выборка используется для входящего сырья и субкомпонентов. Например, поставщик первого уровня может взять пробы тормозных колодок из партии 5000. Используя единый план с n=125 и c=3 (AQL=1,0%, LTPD=5,0%), поставщик может быстро решить, принимать ли партию или отклонять и возвращаться к поставщику. Это предотвращает попадание дефектных деталей на конвейер, снижая затраты на переработку. Стандарты качества автомобилей, такие как IATF 16949, часто требуют документированных планов отбора проб.

Электроника и полупроводниковая промышленность

В электронике тестирование каждого компонента невозможно из-за стоимости и времени. Отбор проб применяется к интегральным схемам, резисторам и разъемам. Поскольку частота дефектов чрезвычайно низкая (части на миллион), в планах часто используется нулевое число приемки (c = 0), чтобы избежать принятия плохих партий. Однако такие планы имеют высокий риск потребителя, если размеры выборки не велики. Последовательность или двойная выборка обычно используется для балансировки риска.

Фармацевтические и медицинские устройства

Регулирующие органы, такие как FDA, требуют строгой проверки планов отбора проб для тестирования на стерильность, где тестирование является разрушительным. Последовательное планирование предпочтительнее, потому что оно минимизирует количество разрушенных единиц при сохранении статистической уверенности. Кривая OC должна быть проверена, чтобы гарантировать, что план соответствует требованиям как производителя, так и потребителя к риску.

Аэрокосмическая и оборонная

В рамках проекта MIL-STD-1916 (в настоящее время замененный, но все еще используемый) для государственных подрядчиков предусмотрены планы отбора атрибутов и переменных параметров. Основное внимание уделяется высокой надежности и прослеживаемости. Планы двойного отбора образцов являются общими для сокращения размеров выборки при сохранении высокой дискриминации. Инженерные группы должны документально подтвердить статистическое обоснование каждого используемого плана.

За пределами атрибутов: выборка переменных

Выборка атрибутов (дефектная/недефектная) проста, но неэффективна для непрерывных измерений. Выборка переменных использует фактические измерения (например, диаметр, прочность на растяжение). План обычно предполагает нормальное распределение и использует среднее значение выборки и стандартное отклонение для оценки скорости дефекта партии. Планы переменных требуют меньших размеров выборки для той же дискриминационной мощности, что делает их привлекательными, когда измерения просты и распределение хорошо понятно. Стандарт ANSI/ASQ Z1.9 обеспечивает таблицы выборки переменных. Инженеры должны проверять нормальность и использовать соответствующую трансформацию, если это необходимо.

Общие подводные камни и заблуждения

  • Спутывание результатов выборки с качеством партии: Хороший образец не гарантирует хорошую партию; всегда есть ошибка выборки. Кривая OC количественно оценивает этот риск.
  • Используя нулевые планы принятия без надлежащей статистической основы: Многие предполагают, что планы c=0 «идеальны», но они часто имеют очень маленький риск для потребителя, только если размер выборки достаточно велик.
  • Игнорирование риска производителя: Чрезмерно строгие планы могут отклонить многие хорошие партии, вызывая сбои в цепочке поставок.
  • Применение стандартных планов без проверки допущений: Должна быть проверена однородность лота, случайная выборка и стабильность процесса. Кластерные дефекты могут обесценить биномиальные предположения.
  • Неспособность обновить планы: По мере улучшения процессов тот же план может стать слишком консервативным.

Заключение

Статистические основы приемочного отбора обеспечивают инженеров рациональным, основанным на риске методом обеспечения качества. Понимая кривую OC, риски производителя и потребителя и соответствующие типы плана отбора проб, инженерные команды могут разрабатывать проверки, которые балансируют стоимость, эффективность и качество. Независимо от того, используют ли планы атрибутов или переменных, ключом является строгое статистическое мышление, а не произвольные правила. Поскольку производство развивается с автоматизацией и данными в реальном времени, приемочный отбор остается жизненно важным инструментом - дополненным контролем процесса и постоянным улучшением. Инженеры, которые осваивают эти основы, гарантируют, что их продукты соответствуют стандартам при оптимизации ресурсов. Для дальнейшего чтения Американское общество качества (ASQ) [[FLT: 1]] предоставляет обширные ресурсы и обучение методологии приемочного отбора.