Что такое управление качеством (рубрикатор)

Статистический контроль процессов (SPC)

Статистический контроль процессов (SPC)

 Мало кто любит статистику. По крайней мере,  я ни разу не слышал, чтобы кто-нибудь открыто признавался в любви к статистике.

Причина неприязни вполне объяснима – многие просто не знают статистику или забыли её. Забыли, потому что нет смысла помнить то, что не применяется регулярно. Забыли, потому что во время учебы преподаватели вызвали ненависть к зазубриваемым наизусть формулам.

Я тоже не люблю статистику (простите меня, дорогие мои учители!). Но управление качеством  начиналось со статистических методов на производстве и статистика продолжает занимать почетное место в работе тысяч специалистов по качеству во всем мире (коллеги по шесть сигма, привет!!).

Поэтому я попытаюсь рассказать о статистическом контроле процессов (далее стат. контроль) простым языком для людей, которые слишком заняты, чтобы заново штудировать учебники статистики.

Партия продукции

Начнем с того, что стат. контроль это инструмент для работы с группами данных.

Большинство производимой продукции сегодня выпускается партиями.

Обычно партия это группа товара /  продукции, обладающая сходными характеристиками для всех единиц продукции, наработанная в один промежуток времени, из одного сырья и (обычно) наработанная на одном и том же оборудовании.

Если мы говорим о производственных процессах, то обычно стат. контроль применяют для расчетной обработки параметров (свойств) продукции (заготовок, деталей, упаковок и т.п.). С помощью этих расчетов мы можем оценить: 

- стабильность производственного процесса во время наработки одной партии продукции;

- стабильность общего большого производственного процесса (разные партии продукции, полуфабрикатов и сырья);

- обнаружить случаи, когда контролируемый процесс выходит из состояния стабильности.

Разброс значений (вариация)

Обратите внимание, что в описании, что такое партия, я использовал словосочетание

«это группа товара …обладающая сходными характеристикам». Почему «сходными»? Почему не «одинаковыми»?

Дело в том, что практически невозможно произвести одинаковую деталь или продукт, всегда на каком - то уровне точности (скажем, длина детали в мм) можно увидеть отличие одной детали от другой:

Деталь А - 23.5 мм

Деталь Б -  23.7 мм.

Но так как все детали были произведены из одной партии сырья, на одном станке (линии) в одно и то же время (скажем, смена №2), то и свойства у них всех будут очень близки.

Случайная Вариация и Систематическая Вариация

Появление небольших изменений в длине деталей, которое происходит само по себе без изменений во внешних факторах (изменение сырья, изменения в станке, человеческое вмешательство и т.п.) называется случайной вариацией. Мы не можем контролировать его.

Изменение в длине деталей, вызванное внешним фактором (сбой в станке, скажем) называется систематической вариацией.

Распределение значений

Предположим, что мы наработали 21 деталь. После внимательных измерений длины каждой детали мы получили следующий список:

23.1 23.2 23.3 23.4 23.5 23.6 23.7 23.2 23.3 23.4 23.5 23.6 23.2 23.3 23.4 23.5 23.3 23.4 23.5 23.4 23.3

Ничего не понятно, рябит в глазах.

Попробуем расставить их в виде таблички по частоте значений:

23.1 (1 деталь)

23.2 (3 детали)

23.3 (4 детали)

23.4 (6 деталей)

23.5 (4 детали)

23.6 (2 детали)

23.7 (1 деталь)

 

Но для еще большего удобства восприятия принято строить гистограмму:

 

                        23.4
                        23.4
                23.3 23.4 23.5
           23.2 23.3 23.4 23.5
        23.2 23.3 23.4 23.5 23.6
23.1 23.2 23.3 23.4 23.5 23.6 23.7

Или вот так, в более привычном для Вас варианте в EXCELL:

 

 Если мы соединим верхушки столбцов линией, то получим уже привычный нам вид гистограммы, показывающий частоту появления деталей в группе.  

Нормальное распределение

Такое распределение значений в группе (гистограмма в виде колокола) принято называть Гауссовским, или нормальным. Не вдаваясь в статистические определения, скажу только, что стабильный процесс имеет нормальное распределение частоты значений (в виде формы колокола).

Стабильный производственный процесс

Это процесс, в котором отсутствует системная вариация, то есть процесс, который последовательно производит продукцию, обладающую одинаковыми свойствами. В нашем случае речь идет о том, что длина деталей будет находиться в разбросе от 23,1 мм до 23,7 мм. Чаще всего будут встречаться детали  с длиной 23,4 мм. Все это видно на гистограмме, где максимальная высота столбика обозначает частоту появления деталей с длиной 23,4.

«Какая нам с этого польза?» - спросите Вы. А польза большая.

Мы можем проверить любую партию продукции или любой период наработки продукции на линии (станке) на стабильность процесса. Стабильность означает заранее известные результаты, что гарантирует нам качество. А вот нестабильный процесс непредсказуем, сегодня большая часть деталей производится с длиной 23,4 мм, а в следующей партии уже 23,6! В таком нестабильном процессе только и остается, что отбирать детали на проверку во время наработки и молиться, чтобы не пропустить момент, когда большинство деталей станут бракованными.

Мониторинг значений во время наработки

Представим себе ситуацию, когда вышеупомянутые детали нарабатываются на станке. Первая, вторая и т.д. Мы можем обозначить на графике длину каждой детали по ходу производства:

 

По сути это та же гистограмма, только показанная другим инструментом:

Так вот, когда процесс стабилен (а мы видим, что он стабилен на основе формы гистограммы), то вероятность появления детали с длиной  23,9 крайне мала.

И если она все-таки появилась – то её появление не случайно. Какая - то внешняя причина вызвала это появление. Срочно бегите к машине и проверяйте

- станок

- персонал

- сырье

и т.п.

«Ну, и что?» - скажете Вы, «подумаешь, мы и сами знаем, что есть проблема, когда деталь не соответствует требованиям спецификации».

Разница существует. Обратите внимание на то, что производственный процесс может быть:

 Ситуация  1: стабилен, производит продукцию, полностью соответствующую требованиям спецификации

 

Ситуация 2: стабилен, производит продукцию, частично не соответствующую требованиям спецификации

 

Ситуация 3: нестабилен, производит продукцию, соответствующую требованиям спецификации

 

 

 

Справа на рисунке пример нестабильного процесса:

 

 

В ситуации 2 мы имеем дело с неотработанной технологией процесса. Бесполезно кричать на операторов и требовать от них подгонки условий наработки. Процесс стабилен, он будет регулярно выдавать продукцию с заранее известными свойствами. Проблема в том, что эти свойства нас не устраивают. Но без изменения самой сути процесса – сырья, машины или технологии наработки мы не сумеем получить качественную продукцию. В данном случае даже опасно пытаться менять условия наработки без изменений самой технологии. Мы только разрушим стабильность процесса и получим брак.

 

 В ситуации 3 процесс еще производит продукцию, соответствующую требованиям спецификации. Брака пока нет. Но у нас есть уникальная возможность, не дожидаясь брака, исправить процесс, сделать его стабильным. Ведь основное требование к любому массовому производственному процессу – предсказуемость. Иначе нет смысла в технологии процесса, если мы заранее не знаем, как поведет себя процесс в будущем.

 

В этом - то и заключается основная польза от стат. контроля. Он позволяет нам

- сразу увидеть, находится ли процесс в состоянии статистического контроля

- обнаружить причины систематической вариации и устранить эти причины

 

Этапы внедрения и осуществления стат. контроля

 

1.  Первый этап это понимание того, что мы хотим контролировать.

Обратите внимание – мы контролируем не длину деталей, мы контролируем процесс производства деталей!

Длина это всего лишь некий ключевой параметр, позволяющий нам понять, что происходит с процессом!

 

Выберите ключевые параметры, с помощью которых мы хотим контролировать процесс. Обычно выбирают те параметры, которые чувствительны к изменениям в процессе (физические или химические характеристики). Спросите себя – что произойдет с проверяемым параметром, если изменится сырье, ошибется работник, произойдет сбой в машине?

 

  1. Второй этап – это проверка точности и чувствительности системы измерения.

Грубо говоря, измерительный прибор показывает не одно значение, а разброс значений, если измерить одну и ту же деталь несколько раз! Обычно мы не обращаем на это внимание, если шкала измерения очень груба (заниженная чувствительность прибора, заниженная распознавательная способность).

Пример:

Длина детали

Первое измерение – 23,4 мм

Второе измерение – 23,4 мм

Меняем измеряемый инструмент с увеличенной шкалой измерения (выше чувствительность)

Третье измерение – 23,45 мм

Четвертое измерение – 23, 44 мм

 

Видите, казалось бы одна и та же деталь, а результаты измерения разные.

 

Проблема усугубляется тем, что помимо разброса прибора (сходимость измерений) существует еще и разброс измерений из-за работы оператора (воспроизводимость) – разные люди по - разному измеряют. Вся эта сложная тема называется Сходимость и Воспроизводимость измерительной системы.

 

То есть, если длина произведенной детали изменилась с 23,4 мм на 23,7  в следующей проверке, то надо быть уверенным, что эти 0,3 мм изменения – реальное изменение детали, а не отклонение в измерении, которое произошло из-за того, что в смену вышел новый контролер ОТК.

Разброс значений того, ЧТО мы меряем, должен быть значительно больше разброса значений того, ЧЕМ мы меряем!

 

  1. Построение графиков

 

Самый простой график – график с точками данных. Даже без контрольных границ он уже может

- показать общую картину процесса (среднюю длину детали, нормы контроля)

- показать тенденции (тренды)

- показать разброс единичных значений в процессе.

 

 

 

Очень важно!

Нормы на предыдущем графике – это нормы приемки, не привязанные к статистическим контрольным границам процесса!

 

Удивительно, но даже столь простой график, который помогает дать общую картину происходящего и облегчить принятие решений и контроль, не применяется во многих организациях. Причем его можно использовать и для описания свойств партий получаемого сырья. И для производимых партий готовой продукции.

 

 Вот пример: на графике явственно видно, что изменилась насыпная плотность партий сырья, начиная с партии №14. Мало того, принимаемые партии хоть и соответствуют приемо-сдаточным требованиям, уже близки к верхней границе. Высока вероятность того, что в следующие партии будут не соответствовать приемо-сдаточным требованиям (места для  разброса свойств, случайной вариации, не остается, они и так уже на грани).

 

 

 

Два вопроса, которые возникают сразу:

- почему изменились значения старых партий (0,505 с первой по тринадцатой партии) на новые, более высокие значения (0,512 с четырнадцатой партии и дальше)?

- Как нам изменить процесс, чтобы не получить бракованную продукцию?

 

Суть стат. контроля

 

В предыдущих параграфах я уже говорил о разбросе значений (вариации) в группе значений. Любую группу данных можно охарактеризовать средним значением (сумма всех значений, поделенная на количество значений) и среднеквадратическим отклонением (стандартное отклонение, показатель, который характеризует  рассеивание значений в группе, степень близости значений к среднему группы).

 

1 Большое стандартное отклонение, большой разброс между максимальными значениями, минимальными и средним  в группе.

 

2 Маленькое стандартное отклонение, небольшой разброс между максимальными значениями, минимальными и средним  в группе.

 

Среднеквадратичное отклонение (далее сигма) имеет большое прикладное применение в разных процедурах контроля качества. В случае стат. контроля одно свойство является бесценным:

В стабильном процессе с нормальным распределением значения располагаются на определенном удалении от среднего.

 

 

 

На диаграмме мы видим, что

-  68,2 % из всех значений находятся на удалении плюс минус 1 сигма от среднего

- 95,5 %  из всех значений находятся на удалении плюс минус 2 сигмы от среднего

- 99,7 % из всех значений находятся на удалении плюс минус 3 сигмы от среднего.

 

Так что любое значение из группы данных  стабильного процесса имеет определенную вероятность находиться на определенном расстоянии от среднего.

 

Вероятность того, что каждая новая нарабатываемая деталь в стабильном процессе будет иметь длину в пределах одной сигма от среднего значения – 68,2 %.

 

Вероятность того, что каждая новая нарабатываемая деталь в стабильном процессе будет иметь длину в пределах двух сигм от среднего значения – 95,5 %.

 

Вероятность того, что каждая новая нарабатываемая деталь в стабильном процессе будет иметь длину в пределах трех сигм от среднего значения – 99,7 %.

 

А вот вероятность того, что длина новой  детали в стабильном процессе будет длиннее на 3 сигма, чем средняя длина практически равна нулю! И если мы получили такую деталь, то наверняка есть какой - то внешний фактор, повлиявший на нарушение стабильности в процессе.

 

 

 

Обратите внимание на тот факт, что нижняя и верхняя границы графика это не нормы приемки сдачи!

 Это естественные границы стабильного процесса! Плюс минус 3 сигма.

 Виды графиков стат. контроля:

В зависимости от целей применения используют разные виды графиков.

Две основные группы графиков – графики для переменных (количественные признаки) и атрибутов (качественные признаки).

 

Вид данных

Название графика

Обозначаемые данные

Переменные

График средних и размахов

 Средние значения выборки и значения размаха

График средних и стандартных отклонений

Средние значения выборки и стандартные отклонения выборки

График значений и двигающихся размахов

Индивидуальные значения и двигающиеся размахи

График медиан и размахов

Медианы и размахи выборки

Атрибуты

График p

Пропорция дефектных деталей в выборке

График np

Количество дефектных деталей в выборке

График с

Количество дефектов на одну деталь в выборке

График u

Средний номер дефектов на единицу продукции

 

В большинстве случаев  мы не можем измерять каждую деталь. Стат. контроль использует выборку (часть деталей) из популяции (все проверяемые данные).

 

Как пример – каждые 2 часа проверяется  5 деталей из производимых на линии.

На основании данных вычисляется

- точка для графика средних

- точка для графика размахов

 

Пример формы для графика средних и размахов

 

 

Формула для расчета графиков средних и размахов

 

 

 

 

 

Интерпретация графиков стат. контроля:

Все графики, кроме первого, показывают случаи систематической вариации.

 

1 Стабильный и предсказуемый процесс

 

 

 

2 Процесс с точкой выше верхнего контрольного предела на графике размахов

 

 

 

3 Процесс с «пробегом» точек над средними значениями в графике размахов

 

 

 

4 График с тенденцией (трендом) на графике размахов

 

 

5 Процесс с точками вне контрольных пределов на графике средних

 

 

6 Процесс с тенденцией вниз на графике средних

 

 

 

 

 

Использование стат. контроля для непроизводственных процессов (оказание услуг).

Хотя стат. контроль процессов зародился в недрах производства, он может и должен быть использован для контроля бизнес процессов, не производящих материальную продукцию:

- количество ошибок в оформлении документации в офисных подразделениях

-  время доставки товаров в процессах распространения продукции

- время обработки заказов в сервисных центрах  и т.п.

Основная идея использования стат. контроля в этих процессах – обнаружение нарушения стабильности в проверяемом процессе и расследование причин нарушения.