Daha İyi Karar Verme Teknikleri için Sampling ve Data Visualization Techniques'i kabul et

Sampling ve Data-Driven Quality Control

Üretimde, lojistik ve hatta hizmet endüstrileri, operasyonel verimlilikle kalite güvencenin dengeleme zorluğu sürekli olarak geçerlidir. Örnekleme örneği, tüm topluca kabul veya reddetme kararı verirsiniz.Bu yöntem 1940'lardan beri endüstriyel kalite kontrolün temel taşı olmuştur, Harold Dodge ve Harry Romig Labs tarafından desteklenen;

Ancak, ham kabul örnekleme verileri yalnızca yorumlanması zor olabilir. bağlam olmadan, tek bir hata oranı bir sistemsel problem gösterebilir.Bu iki disiplinin görselleştirilmesi) kritik hale gelir.In arsating results over time, Karşılaştırma dağıtımları üretim hatlarında karşılaştırılır veya görselleştirme işlemine (OC) eğrileri, karar vericiler bu iki disiplinleri hemen bilgi edinmektir.

Sampling Kabul Nedir? Tanım ve Core Concepts

Kabul örneği, belirli sayıda birimin rastgele bir çok sayıda çizildiği bir istatistiksel kalite kontrol tekniğidir. Bu birimler önceden tanımlanmış kaliteli kriterlere uygun olarak incelenir. Gözlemlenen kusurların sayısı kabul edilen bir sayıya kıyasla (c) karşı karşılaştırılırsa, tüm sayı kabul edilir; eğer c, çok fazla denetim yapılırsa veya daha fazla denetime maruz kalır.

Bu yaklaşım özellikle kullanışlıdır:

• Test yıkıcıdır (örneğin, çekme gücünü ölçmek için bir bileşeni kırın).
• Yüzde 100 inceleme maliyeti birkaç yanlış öğeyi geçme maliyetinden daha yüksektir.
• Sağlayıcının kanıtlanmış bir güvenilir geçmişi vardır ve% 100 denetim gereksiz gecikmeler ekleyecektir.

Kabul örneği yanlış olmayan eşyaları ortadan kaldırmaz; bunun yerine, fakir bir kalite seviyesini kabul etme riskini kontrol eder veya iyi bir kişiyi reddeder.Bu riskler, ayıplı (LTPD))|D) eğrisiacceptable kaliteli seviye (AQL), ve ) ile ölçülür.

• [Üye Olmayan Kalite Düzeyi (AQL): ) Hala kabul edilebilir olan en kötü belge kalitesi seviyesidir. Genellikle kusurların yüzdesi olarak ifade edilir (örneğin,% 1 AQL,% 1'lik bir kabul olasılığı çok yüksektir).
• [FONT=0)Lot Tolerance Percent Defective (LTPD): [[Dönemli olarak kabul edilen kalite seviyesi) LTPD'de çok fazla kabul etme olasılığı düşük olmalıdır.
• [FONT:0)Producer'in Riski (α): [Dönetici: 1) aslında AQL ile karşı karşıya olan çok fazla reddetme olasılığı (veya% 1'de ayarlandığında).
• [FONT=0]Consumer'in Riski (β): [Dönetici: 1) LTPD'den çok daha kötü olan bir çok şeyi kabul etme olasılığı.

Bu parametreleri anlamak, dengelerin maliyeti ve kalitesi ile ilgili bir örnekleme planı tasarlamak için gereklidir.ETHFLT:0) Amerikan Kalite Topluluğu (ASQ) AQL ve LTPD değerlerinin belirlenmesine ayrıntılı rehberlik sağlar).

Kabul Koşulları Sampling Planları

Sampling planları tek boyutlu bir özellik değildir. Gerekli hassasiyete, bütçeye ve denetim kapasitesine bağlı olarak, organizasyonlar çeşitli standart tasarımlardan seçim yapabilirler.

Tek Sampling Plan

Tek bir örnekleme planında, bir boyut örneği:0)n) alınır.Eğer yanlış olmayan ürünlerin sayısı ≤FLT:2.c)[Dönetici sayısı), çok fazla kabul edilir.

Çift Sampling Plan

Çift örnekleme, ikinci bir şansa izin vererek ortalama örnek boyutunu azaltır. İlk küçük bir örnek alınırsa, hata sayılırsa; yüksek, reddedilir; orta bir aralıkta, ikinci bir örnek alın. Çift örneklemeden bir araya gelen hatalar genellikle kararın daha az toplam birimleri kullanırsa, özellikle de çok iyi veya çok kötü.

Birden çok ve Sequential Sampling Planları

Birden çok örnekleme kavramı daha da genişletir, son bir karardan önce birkaç örnekleme aşamasına izin verir.Sequential sample, ortalama örnek büyüklüğü açısından en verimli, net bir kabul veya karara kadar bir tane denetim birimlerine ulaşır. Her iki yöntem de matematiksel olarak daha karmaşıktır, ancak çok tutarlı bir şekilde iyi veya kötü olduğunda denetim maliyetlerini önemli ölçüde azaltabilir.

Standartlaştırılmış Planlar: ANSI/ASQ Z1.4 ve ISO 2859

Çoğu endüstri, ANSI/ASQ Z1.4 (eski olarak MIL-STD-105E) veya ISO 2859-1 gibi standart örnek boyutlarını ve kabul numaralarına dayanan standart bir standarttır ve AQL., tanınmış bir standart kullanarak iletişim.ENFLT:0ISO 2859-1:1999, örnekleme seviyesi için yaygın olarak kabul edilen uluslararası standart olarak kabul edilir (I, II.

Yeni Kabul Edilen Veri Görselleştirme Teknikleri Sampling

Raw örnekleme verileri vedash;tect say, hata oranları ve kabul kararları ve kabul edilebilirlik; masalarda sunulmakta, ancak tablolar belirsiz eğilimler. Görselleştirme, veriyi hayata getirir. Aşağıda kabul Örnek bağlamları için en etkili tekniklerdir.

İşletim Karakteristik (OC) Curves

Bir OC eğrisi gerçek çok kaliteli (percenta) karşı çok fazla kabul olasılığı arsamaktadır. Farklı örnekleme planları tüketiciyi uygun bir şekilde korumayı sağlar (düşük vebeta; LTPD) yapımcı üzerinde aşırı derecede sert olmadan karşılaştırmak için kaliteli mühendislere izin verir. AQL.

Kontrol Charts (p-Charts ve np-Charts)

Kabul örneği defalarca zaman vedash'ta uygulanır; örneğin, her üretim değişikliğinin sonunda; her örnekten gelen hata oranı bir p-kart (proportion) veya np-chart üzerinde arsalanabilir.

Defect Dağıtım Histogramları

Doğru bir şekilde yapılan örnek veriler, AQL ve LTPD eşlerini çok kaliteli bir şekilde ortaya çıkarırken, AQL içinde birçok kişinin iyi olduğunu gösteriyor.

Pareto Charts for Defect Kategoriler

Örnekleme sırasında hata türü verileri toplarsanız (örneğin, çizer, çatlaklar, boyut hataları), Pareto grafiği her hata kategorisinin frekansına sahiptir. 80/20 prensibi sıklıkla uygulanır: küçük sayıda hata türü reddedilmelerin çoğunluğuna neden olur.Bu, kaliteli takımların en büyük etkisi olduğu doğrulayıcı eylemlere odaklanabilir.

Heatmaps ve Dashboards

Modern iş zekası araçları, OC eğrilerini birleştiren gerçek zamanlı panolar, kontrol grafikler ve def Pareto grafikleri tek bir görüşe göre ortaya çıkarabilir. Bir ısımap farklı üretim hatları, zaman dönemleri veya malzeme yığınları gösterir. Renk kodlaması (muhtemelen, marjinal, kırmızıya göre) bir bakışta sorun gidermeye ve alt örnekleme verilere kadar denemelere izin verir.

[FONT:0) Veri görselleştirmede en iyi uygulamalar[[Döntgen: 1) grafiklerden kaçınılmasını ve her veri noktası için örnek boyutlarını küçük örnekleri yanlış yorumlamaktan kaçınmayı tavsiye eder.

Vaka Çalışması: Bir Gıda İşleme Bitkileri Bitkileri Üzerine Görselleştirmeyi Kabul Etmek

Donmuş bir sebze işlemcisi her hasat için binlerce metrik ton ham fasulye alır. Çünkü pestisit kalıntıları için test pahalı ve zaman alıcıdır,% 100 denetim imkansızdır. Bitki AQL = 0.65% ve genel denetim seviyesi II. Her gelen kamyon yükü ile birlikte 125 kg olarak kabul edilir.

Kaliteli yönetici başlangıçta sadece bir yay / kartal oranları takip etti. Gerçek zamanlı bir pano ve bir defek-tip Pareto grafiği ile gerçek zamanlı bir paniğe uygulamadan sonra, birkaç içgörüler ortaya çıktı:

• P-chart, sadece yağmur fırtınalarından önce üst kontrol sınırının yakınında olduğunu gösterdi, su maruz kalmanın kaliteli olduğunu öne sürdü.
• Pareto grafiği, yabancı malzemenin (küçük taşlar, kökler) tüm kusurların% 70'ini hesapladı; sadece toplam kusur sayılarında maskelenmiş bir bulgu.
• OC eğrisi görselleştirme, aynı risk seviyelerini korumak için ortalama denetim maliyetlerini yüzde 22 azaltan çifte örnekleme planına doğru geçişe yardımcı oldu.

Altı ay içinde, bitki tedarikçi reddedilmelerini %15 azalttı ve tüketici memnuniyeti puanlarını geliştirdi. Görsel yaklaşım dinamik bir süreç iyileştirme aracına statik bir denetim prosedürü dönüştürdü.

Data Visualization with acceptance Sampling

• [FONT:0)Faster Decision-making: [Dönetici:[Döneticiler): Görsel summaries bir masaya sayıları kıyasla karşılaştırır, yöneticiler her bir çok şeyin kabul / bölgelerin kabul edilebilir olduğunu görürler.
• [FONT:0]Trend Tanım:[Dönetici:[Dönetici:0) Kontrol grafikler ve koşu grafikler, yalnızca bireysel birçok karara baktığımızda görünmez olabilecek kalitede değişimleri ortaya koyar. Erken algılama, önleyici eylem sağlar.
• [FONT:0)Redüktör Maliyetleri: [Dönder: [Dönder: 1) OC eğrisi görselizasyon en verimli örnekleme planını seçmeye yardımcı olur.Çok düşük hata oranları ile süreçler için denetim (küçük örnek) güvenli ve maliyet- etkisizdir.
• [[Düzücük:0) Geliştirilmiş Tedarikçi İletişimi: [Dönetici:[Döneticileri) Görselleştirmeler, tedarikçilerle kaliteli verileri paylaşmayı kolaylaştırmaktadır. Bir tedarikçi, AQL eşini anlayabilir ve sürekli iyileştirme üzerinde işbirliği yapabilir.
• [FONT:0]Süreklilik ve Uyum: [Dönder: 2) Dashboards zaman damgaları, örnek boyutlar ve kararlar FDA tarafından belirlenen endüstrilerde veya otomotiv kalite standartlarındaki düzenleyici organlar için açık bir denetim yolu oluşturur.

Sınırlar ve Tahminler

Görselleştirme ile örnekleme güçlü olsa da, ilk olarak, örnekleme her zaman yanlış kararların riskini taşır; OC eğrisi bunu doğrulamaktadır, ancak bazı yöneticiler kaliteli bir garanti olarak yanlış kabul edilebilir. Görselleştirme güven aralıkları veya örnek boyutları gösterilemeyecek kadar güvene sahip olabilir.

İkincisi, kabul örneği çok fazla doz denetim için tasarlanmıştır. Üretim sürecinin sürekli izlenmesi için, gerçek zamanlı örnekleme ile istatistiksel süreç kontrolü (SPC) daha uygun olabilir. X-bar ve R grafikler gibi SPC araçları, arızalı ürünler yapılmadan önce tespit etmek için daha uygundur.

Üçüncü olarak, veri görselleştirmenin kalitesi önemli. Yanlış grafikler, uygunsuz bir agresyon veya örnek boyutu gizlemek yanlış sonuçlara yol açabilir. ”Ücretsiz:0)Veri görselleştirme alanı birçok yaygın hataları tespit etmiştir).

Son olarak, kabul örneği, üretim sürecinde istatistiksel kontrol altında olduğunda en etkilidir. Süreç vahşice kararsızsa, AQL ve LTPD'nin arkasındaki varsayımlar azalır ve ne örnekleme ne de görselleştirme kaliteli olacaktır.

Görselleştirme ile Örnekleme için En İyi Uygulamalar

1. [FONT:0)Açık kaliteli ölçümler ve eşler [DÜT:1] örnekleme planı seçmeden önce.AQL, LTPD ve müşteri gereksinimleri ve iş hedefleri ile uyumlu risk seviyelerini kullanın.
2. [FONT=0) Doğru örnekleme planı standart olarak kabul edilir[Dönetici:0) (ANSI/ASQ Z1.4, ISO 2859 veya özel OC-curve-optimed). Adayların OC eğrilerini ayrımlarını karşılaştırmak için görselleştirmek için görselleştirmek.
3. [[Dönetici:0) Bir fazlı yaklaşımı kullanın:[Dönetici:[Dönetici:0)Tek bir örnekle başlayın, sonra değişikliği haklı çıkarırsanız çift veya eşdeğerliğe geçiş yapın.
4. [FONT:0) Bir pano inşa etmek [Dönetici: En az aşağıdakiler dahil olmak üzere: çok seviyeli geçiş / güç kararı, kümülatif hata oranı trendi, kontrol sınırları ile p-kart ve bir hata türü Pareto grafiği. Update it in near real-time.
5. [FONT:0] Eğitim karar vericileri [Döneticileri okumak ve yorumlamak için[Dönlendirmeler için) genel sebeplerle ortak nedenle ilgili bir neden karıştırmamak için bağlam oluşturmaları.
6. [FONT:0]Review ve geri dönüşüm[[Dönetici: 1 ) Sürekli olarak örnekleme planına göre, denetimin arttırılması için uygun olabilir. Yeni riskler ortaya çıkar, AQL veya daha yüksek bir denetim seviyesine taşınır.

Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç

Kabul örneği endüstrideki en pratik ve yaygın olarak kullanılan kaliteli kontrol yöntemlerinden biri olarak kalır. Ancak, etkili bir görselleştirme ile eşleştirilen zaman ortaya çıkabilir.Sürüsel hataları dönüştürmek açık görsel hikayeler vedash;OC eğrileri, kontrol grafikler, Pareto diagramları ve interaktif panjurlar ve artırılmış modeller, basit geçiş/fail kararları sürekli iyileştirme kültürüne dönüştürebilir.

Kombinasyon maliyetlerini azaltır, tedarikçi ilişkilerini geliştirir ve nihayetinde müşterilere daha yüksek kaliteli ürünler sunar.Verilerin bol olduğu bir çağda, zaman düşük, bir bakışta kaliteli trendleri görme yeteneği lüks bir&mdash değildir; rekabetçi bir zorunluluktur.Mevcut örnekleme prosedürlerinizi denetim altına almak için başlayın, sonra ham inceleme verileri stratejik anlayışa dönüştürmek için görselleştirme araçlarına ve becerilere yatırım yapın.

Örnekleme standartları hakkında daha fazla okuma için, [[0)ASQ’ kabul örnekleme kaynakları) veya [[Üye Olmayan İstatistik El Kitabı bölümünü kabul Örnekler) olarak kabul etmek için bakınız.