Monte Carlo Simülasyonları Daha İyi Kabul Planları tasarlamak için nasıl kullanılır

Giriş: Neden Geleneksel Kabul Sampling Kısa Süreyebilir

Kabul örnekleme planları, üretim kalitesi kontrolünün bir temelidir. Ancak, bu sabit planlar, belirli bir üretim sürecinin kabul edip değerlendirilmesi konusunda karar verme veya reddetmeye karar vermek için yapılandırılmış bir yol sunar.Sert/ASQ Z1.4 veya MIL-ST-105 gibi standartlar, maliyetler için çok pahalı veya çok pahalıya mal oluyor.

Monte Carlo simülasyonları bu ikilemden pratik bir yol sunar. Statik tablolara güvenmek yerine, gerçek işlem parametrelerinizi modelleyebilirsiniz - hata oranı dağılımı, örnekleme maliyeti ve risk toleransı - ve daha sonra binlerce olası sonuç oluşturmanız için pratik bir yaklaşım, hedef kalite seviyesini en aza indirmeniz için bir örnekleme planı tasarlamanıza yardımcı olur.

Monte Carlo Simülasyonları Nedir? Kısa Bir Genel Bakış

Monte Carlo simülasyonları, bir sistemin belirsizlikle ilgili olasılık dağılımını tahmin etmek için tekrarlanan rastgele örneklemeleri kullanılarak yapılan hesaplama teknikleridir. Adının kendisi, Lizbon'daki Monte Carlo Casino'nun ilham aldığı Manhattan Project'da, şans ve rastgele kontrol rolü nedeniyle, bunun bir dizi olayın rastgele doğasını modellemesini ve rastgele bir şekilde seçilmesini sağlamak için kullanabilirsiniz.

Onun özünde, Monte Carlo simülasyonu aşağıdakileri yapar:

Bu teknik finans, proje yönetimi ve mühendislikte yaygın olarak kullanılmaktadır. Kaliteli kontrolde, parladığı için, kabul örneği, doğrusal olmayan şekillerde etkileşime giren birçok değişken kaynağı içerir - örneğin rastgelelik ve hatta ölçüm hatası. Bir simülasyon, kapalı form matematiksel çözümlerine gerek kalmadan tüm bu etkileşimleri yakalayabilir.

Monte Carlo Simülasyonları, Sampling Planlarının Kabul Edilmesine Uygulanıyor

Adım 1: Parametreleri ve Asvoltları Tanımlayın

Programlama aracı kullanmaya veya kullanmaya başlamadan önce, sorunu açıkça tanımlamanız gerekir. Bu şunları içerir:

2. Adım: Simülasyon Modelini Yapın

R, Python, MATLAB gibi bir yazılım platformu kullanın veya hatta Excel ek-ins ile. model bir kez bir topluu simul edecektir:

  1. Rastgele olarak, her biri bir hata statüsü (düşük veya olmayan) mevcut hata oranına göre bir N ürünü oluşturur.
  2. Randomly, o topluluğun yedek olmadan n eşyalarını seçer.
  3. Örnekte d kusurların sayısını sayın.
  4. Kuralı uygulayın: eğer d ≤ c, partiyi kabul ederse; aksi takdirde reddediyor.
  5. Track sonuçları: kabul veya reddedilme, tam topludaki gerçek dizi kusurların sayısı ve yapılan maliyetler.

Bu süreç birçok toplu için tekrarlanır (örneğin,% 100,% 2,% 10,% 10,% 2, ...,% 10 - bir işletim özelliği oluşturmak için (OC) eğrisi.

Adım 3: Simülasyonları ve Analyze Sonuçları çalıştırın

Simülasyonları çalıştırdıktan sonra, her senaryo için bir çıkış masası alacaksınız. Anahtar metrikler şunları içerir:

Planın risk kriterlerini karşıladığını görmek için bu çıktıları analiz edin.Eğer değilse, n ve c ve tekrarlayın. Monte Carlo birçok kombinasyonu hızlı bir şekilde keşfetmenize olanak sağlar.

Adım 4: Planın optimize edilmesi

Optimizasyon genellikle rekabet hedeflerini dengelemeyi içerir. Örneğin, artan n hem α hem de LR azaltır ancak denetim maliyetine sahiptir. Tüm olası maliyetle ilgili simülasyonu kullanmak için ortak bir yaklaşım (n, c) çiftleri ve tatmin edici risk kısıtlamalarına sahip olan birini seçmek. Ayrıca çok-objective çerçeveyi de dahil edebilirsiniz: α% 5 ve α% 10'u belirtilen kalite seviyelerinde ≤% 10'u kullanmak.

Çünkü simülasyon modeli stochastic, birden çok çoğaltma çalıştırmalısınız (örneğin, her biri 100.000 kişi çalışır) ve maliyet tahmininin anlamını ve özelliklerini takip edin. Bu, şanslı rastgele bir tohuma dayanan bir plan seçmekten kaçınır.

Gelişmiş Düşünmeler: Temel Single-Sampling Planlarının Ötesinde

İşletim Karakteristik (OC) Curves

OC eğrisi en önemli tanı aracıdır. Monte Carlo ile, önerilen bir plan için bir OC eğrisi arsayabilir ve ideal eğriye kıyasla (bir adım fonksiyonu) eğrisi ve tüketicinin riskleri arasında çok fazla maliyet gösterir.Eğer eğri çok dikse (küçük bir değişiklik Pa'da büyük bir düşüşe neden olur), çok daha sığsa, plan ayrımcı güçten yoksundur.

Ortalama Outgoing Quality Limit (AOQL)

Yeniden inceleme planları için (taraf edilen toplular% 100 ekranlı ve düzeltilmiş), AOQ eğrisi genellikle orta bir hata oranında zirveler. Bu zirve AOQL. Monte Carlo simülasyonu AOQL'yi analitik yaklaşımlardan daha doğru tahmin edebilir, özellikle de hata oranı dağılımı düzgün değildir.

Çok yönlü Sampling ve Sequential Sampling

Monte Carlo tek parçalı planlarla sınırlı değildir. Çift örnekleme, birden fazla örnekleme veya hatta tamamen eşdeğer planları modelleyebilirsiniz. Örneğin, çift örnekleme planı ilk örnek alır; eğer hata sayılırsa; eğer çok yüksekse, reddedilir; aksi takdirde, ikinci bir örnek alın. karar kuralları onları doğal olarak azaltır.

Alüding Ölçüm Uncertainty

Birçok denetim sürecinde, ölçüm hatası bir gerçek - afetin tekrarlanabilirliği ve reproducability (R&R) çalışmaları, bu olasılığın geçiş/fail kararlarının mükemmel bir şekilde güvenilir olmadığını gösteriyor.İkinci rastgele bir tabakaya yatırım yapmayı modelleyebilirsiniz: bir hata kaçırılabilir (daha az negatif) veya iyi bir birim yargılanabilir (daha iyi bir şekilde) veya iyi bir birim bu olasılığı da değerlendirilebilir.

Monte Carlo Simülasyonlarını Kullanımının Faydaları

Monte Carlo simülasyonunu kabul etmek örnekleme tasarımı için kabul etmek, geleneksel tabloların sunabileceği ötesinde somut avantajlar sunar:

  • [FONT:0] Gerçek dünya değişkenliği için planladılar [[Döneticileri 1 ): Bir tek boyutlu bir plan yerine, gerçek hata oranını dağıtım, toplu boyut dalgalanmalarını ve maliyet yapısını dahil edebilirsiniz.
  • [FONT=0)Robust duyarlılık analizi[[Dönetici:0)[Dönetici:0)Robust duyarlılık analizi[[Dönetici:0)[[Dönetici: Hata oranı beklenenden% 20 daha yüksekse, veya ölçüm sistemi tahmin edilenden daha fazla hataya sahipse, bu, planın olumsuz koşullar altında tutacağına güven verir.
  • [FONT=0] Tedarik zincirindeki en düşük optimizasyon ([Dönetici:0)Temizli toplam maliyet (inspection + başarısızlık + rework), en düşük birleşik maliyete sahip örnek boyutlarını belirleyebilirsiniz. Örneğin, denetim maliyetindeki küçük bir artış, genel kârlılığı artırmak için büyük ölçüde azaltılabilir.
  • [FONT:0]Visual ve sezgisel iletişim[Dönemli: 100.000 simülasyondan toplam maliyetinin bir statik tablodan daha fazla ikna edici olduğunu gösteriyor.Sadece bir ortalama değil.
  • [FONT:0] Karmaşık tedarik zincirlerine göre erişilebilirlik[[Dönetici: Farklı hata oranlarına sahip birden çok tedarikçi varsa ve tüm akışı taklit edebilir ve bir örnekleme stratejisi tasarlayabilirsiniz.

AİLM:0) Uygulamalı ASQ kaynağı kabul örneği üzerine ([Dönetici) notlar, geleneksel planlar faydalı olsa da, bu boşluğu tam olarak sizin sürecinizde ne olacağını simüle etmek için doldururlar.

Uygulama İpuçları ve Ortak Pitfalls

Doğru Yazılım Seçin

R ve Python, simülasyon ve istatistik analizi için mükemmel kütüphaneler vardır. R, theİLFLT:0) veya ESFLT:1) paketler yardımcı olabilir, ancak aynı zamanda kendi işlevlerinizi yazabilirsiniz.In Python, useETHFLT:2 ve [[DÜDÜDÜDÜDÜDÜDÜDÜDÜDÜSÜSÜSÜSÜSÜSÜSÜSÜSÜSÜSÜSÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜNÜŞÜN

Defect Rate Dağıtımı: Doğru ol

Monte Carlo çalışmasındaki en büyük hata kaynağı, hata oranı için bir nokta tahmini varsayıyor. Bunun yerine, planın bu belirsizliklere karşı sağlam olup olmadığını göstermek için tarihi verileri toplamak.

Kısa vs. Long Runs

Simülasyonun standart hatası, 1/128 (işlem sayısı) en kaliteli uygulamalar için, senaryodaki 10.000 ila 50.000 iterasyonlar, Pa tahminleri için% 1-2 altında göreceli hata tutmak için yeterlidir. Maliyet optimizasyonu için, yakın planlar arasında ayrım yapmanız gerekebilir.Her zaman birden fazla tohum ve çekak arsaları çalıştırabilirsiniz.

Over-Optimization için İzle

Bu, bir dizi makul hata oranları üzerinde iyi performans gösteren tek en iyi (n, c) çift için arama yapmak caziptir, ancak simülasyon bir modeldir, gerçek bir hata oranı dağılımı, zaman içinde iyi bir şekilde değişebilir.Bu nedenle, bir dizi makul hata oranları üzerinde iyi performans gösteren bir plan seçin, sadece mevcut tahmin. Sağlam bir plan, maliyetin nispeten düzeldiği bir durumdur - bıçak-en iyi bir şekilde "iyi bir şekilde" bölge.

Vaka Çalışması: Bir Tedarikçiyle İrtibat kurun

[FONT:0]Scenario: [DÜDÜDÜDÜDÜDÜŞÜNÜ: 0,5 $ α% 5 ve α% ≤% 1 oranında bir birim test etme maliyeti $ 0.5 birim alır (bu nedenle başarısızlar, hasta riski) 200 $ civarında tahmin edilir.

[FONT:0]Traditional yaklaşım: [Dönetici: [Dönetici: 0,2, CPU/ASQ Z1.4, örnek boyut kodu L, n=200, c=3. Bu plan, bir yıl içinde sadece 100 $ 'lık bir incelemede mükemmel bir ayrıma sahiptir, bu da 1,2 milyon dolar.

[FONT:0)Monte Carlo simülasyon yaklaşımı: [Dönetici: 0,8] Takım, her bir birimi için 50.000 simülasyon kullanıyor ve toplam% 44 oranında tedarikçi verileri için bir beta dağılımı kullanıyor.[0] n=80, c=2 verim α=4.8%, α=9% (hem sınırları içinde) ve toplam beklenen $ 0.528 $ 'lık bir birim başına,% 44 indirim.

[FONT:0)Outcome: [Dönetici: [Döntilmiş bir hata verileri kullanarak simülasyonu gözden geçiriyorlar ve planın beklenen 500 $ 'ı aştığını ve şirket diğer tedarikçiler için aynı metodolojiyi kullanıyor.

Sonuç: Akıllı Bir Kalite Stratejisi Oluşturma

Monte Carlo simülasyonları, genel kabul örnekleme tablolarının ötesine geçmek için kaliteli mühendislere güçlü bir yol verir. Gerçek sürecinizi modellemek ve maliyet yapısını modellemek için, risk iştahınızı ve bütçenize tam olarak ayarlanan planları tasarlayabilirsiniz. Yaklaşım karmaşık değildir: girişleri tanımlamak, analiz etmek ve optimize etmek.Modern hesaplama gücü ile, haftalar içinde binlerce aday planlarını değerlendirebilirsiniz.

Küçük başlayın - yüksek hacimli bir ürün hattı seçin ve Python veya R.'de bir simülasyon inşa edin. Bu durumda, yöntemi diğer ürünlere ve tedarikçilere genişletin. Zamanla, toplam kalitenin tamamının güvenliğini veya müşteri memnuniyeti olmadan azaltılmasına yönelik optimize edilmesi gereken bir kütüphane yaratacaksınız.

Daha fazla okuma için, [[Üyetim:0)iSixSigma kabul örnekleme üzerine kılavuzunu inceler)Kalite Mühendisliği)) Kalite kontrolün geleceği veri odaklı ve simülasyon tabanlıdir -Monte Carlo bu geçişte önemli bir araçtır.