Program de instruire în domeniul [606229]

Program de instruire în domeniul
Calității : SPC, MSA
Rolem Codlea
Iulie , 201 4

Principalele obiective ale cursului
Participan ții vor fi capabili să înțeleagă :
•ce este Controlul Statistic al Procesului (SPC)
•utilitatea , construirea și interpretarea diagramei de control
•ce înseamn ă un studiu de capabilitate
•ce sunt corela ția și regresia liniara și cum pot fi folosite
•de ce este necesar un studiu MSA Program de instruire în domeniul
Calității : SPC, MSA
1

9/9/2014 Instruire in domeniul calitatii
2

Agenda cursului
1. Înțelegerea importan ței și impactului calității în organiza ții pe o piață competitiv ă
2.1 Introducere în Controlul statistic al proceselor
Tipuri de date
Distributia normala , Histograma
2.2 Stabilitatea proceselor
2.3 Studiul de capabilitate
2.4. Rela ția între caracteristicile produsului și parametri i procesului .
Introducere în Corela ție și Regresia liniar ă
3. Introducere în Analiza Sistemului de Masurare (MSA)
4. Indrumare pentru proiecte

3

Agenda cursului
1. Înțelegerea importan ței și impactului calității în organiza ții pe o piață competitiv ă
2.1 Introducere în Controlul statistic al proceselor
Tipuri de date
Distributia normala
2.2 Stabilitatea proceselor
2.3 Studiul de capabilitate
2.4. Rela ția între caracteristicile produsului și parametri i procesului .
Introducere în Corela ție și Regresia liniar ă
3. Introducere în Analiza Sistemului de Masurare (MSA)
4. Indrumare pentru proiecte
99%
4

Agenda cursului
1. Înțelegerea importan ței și impactului calității în organiza ții pe o piață competitiv ă
2.1 Introducere în Controlul statistic al proceselor
Tipuri de date,
Distributia normala ,
2.2 Stabilitatea proceselor
2.3 Studiul de capabilitate
2.4. Rela ția între caracteristicile produsului și parametri i procesului .
Introducere în Corela ție și Regresia liniar ă
3. Introducere în Analiza Sistemului de Masurare (MSA)
4. Indrumare pentru proiecte

5

Obiective
•Diferen țierea între caracteristicile produsului și parametri i procesului
•Înțelegerea și deprinderea tehnicilor de eșantionare și de colectare a
datelor
•Reamintirea unor tehnici statistice de baz ă
•Prezentarea indicatorilor de localizare
•Prezentarea indicatorilor de dispersie
•Introduce propriet ățile distribu ției normale
•Preg ătește introducerea instrumentelor statistice folosite în restul cursului

6

Ce este un proces?
Proces (de fabricație )= totalitatea procedeelor folosite pentru transformarea
intrărilor (materiilor prime și a semifabricatelor) în produse /servicii
(finite)

Opera ția 1
Opera ția 2
Opera ția 3 Produs
Materie primă
7

Rela ția caracteristici – factori
Realizarea unor produse cu caracteristici conforme cu specifica țiile este
influen țată de factori ai procesului
Identificarea și controlul acestor factori permite obținerea produselor
conforme
Proces Intrari/factori
(inclusiv parametri )
X Iesiri
(inclusiv
caracteristici)
Y Y = f (X)
8

Ce urm ărim la procese?
Procesele urmăresc generarea unor produse / servicii cu anumite
caracteristici
Produsele / serviciile care au caracteristici în afara specificațiilor sunt
neconforme
Exemplu: la piesa din imagine , caracteristicile sunt:
Dimensionale (g rosime , …)
Aspect vizual
…….. ?
Dati exemple de parametri ai procesului
realizare a unui produs din compania dvs.

9

Ce avem nevoie s ă știm referitor la date
1. De ce ne dorim datele?
2. Cărui scop servesc ele?
3. Unde vom colecta datele ?
Înainte de orice teorie statistică, trebuie să dezvoltăm viziunea asupra datelor :
−Care este de fapt întrebarea pentru care căutăm un răspuns prin date?
−Datele pe care le avem ar trebui să conțină răspunsul?
−Datele sunt complete și de încredere?
−Cum putem reprezenta grafic datele pentru ca răspunsul la întrebarea
noastră să apară clar?

În Dumnezeu credem.
Toți ceilalți trebuie să
aducă date. (W.E.
Deming)
10

De unde s ă începem cu colectarea datelor?
Scopul unui proces de produc ție este ob ținerea produsului ale c ărui
caracteristici sunt conforme cu specifica țiile
Din acest motiv începem să analiz ăm întâi caracteristicile
Ulterior, analiz ăm și parametri i
Proces Intrări/ factori
(Input)
Parametri Ieșiri
(Output)
Caracteristici
11

Colectarea datelor
Colectarea datelor presupune :
Preg ătirea unui plan de colectare date care descrie pentru fiecare
factor de colectat :
-definitia opera țional ă,
-unde, cum, cine, cu ce și când colecteaz ă datele
-cum asigur ăm acurate țea datelor (inclusiv GR&R)

Colectarea datelor
-Preg ătirea Foilor de colectare date
-Definirea circuitului informa țiilor
-Instruirea personalului implicat
12

Colectarea datelor de încredere
Poate fi făcută în două moduri:

Evaluează fiecare pas din procesul de colectare a datelor, identifică
riscurile potențiale și aplică măsurile
Evaluează fiecare pas din procesul de colectare a datelor, identifică
riscurile potentiale și folosește dupa caz Attribute sau Variable Gage
R&R ; aplică măsurile de corectare până când se atinge nivelul de
încredere potrivit (detalii mai departe în material).

Obiectivul este să avem în faza de analiza doar date de încredere

13

De ce Plan de colectare date ?
Considera ți exemplul procesului de realizare a unui ceai
Echipa identific ă temperatura ceaiului ca factor critic pentru satisfac ția
clientului și trebuie s ă înregistreze date despre acest factor .
O persoan ă înțelege c ă temperatura se m ăsoar ă când ceaiul p ărăsește
bucătăria, alta atunci c ând ajunge la client și o a treia atunci c ând se
opre ște fierberea.
Prima persoan ă foloseste un termometru și celelalte dou ă aproximeaz ă din
experien ță.
Care va fi rezultatul studiului ?
Cum ar trebui s ă sune Defini ția operational ă pentru a elimina neclarit ățile ?

14

Metode de colectare date
Popula ție
Toate elementele care prezint ă interes fa ță de obiectivul studiului
Esantion /sample
Un extras semnificativ mai mic al popula ției utilizat pentru a realiza o
deduc ție
Selectarea de unit ăți din întreaga popula ție bazat ă pe o metod ă de
eșantionare (random, stratified, systematic);
Pro și cons Pro Cons
Popula ție : precizie ridicat ă costuri ridicate
Eșantionare : costuri&timp rezonabile precizie mica – moderat ă

15

Tehnici de e șantionare
Random / Aleatorie
Selectarea unit ăților dintr -o populatie astfel încât toate unit ățile au o
șansă egală în a fi selectate
Stratified / Stratificare
Selectarea unit ăților în așa fel încât un num ăr propor țional de unit ăți
sunt selectate dintr -un subgrup al popula ției care poate fi impar țită în
subgrupuri pe baza ra țional ă. Exemple: de la operator la operator,
tură la tur ă, echip ă la echip ă, ma șină la ma șină
Systematic / Sistematic ă
Selectarea unit ăților la intervale regulate – fiecare zi / ora / început de
schimb, etc .

16

Preg ătirea fiselor de colectare date
1.Alege factorii și datele care s ă fie incluse
2.Determin ă pe ce perioad ă se va face colectarea (zi,
săptămână, schimb, etc)
3.Realizeaz ă capul de tabel
1. Alege modelul care se potrive ște
2. Aloc ă spațiu pentru nume, data, comentarii(coloana)
3. Folose ște formatul de data complet ă (zi, luna, an)
4. Folose ște un titlu descriptiv
5. Decide și noteaz ă unitățile de m ăsură (secunde / minute / ore;
microni/ millimetri , etc)
4.Testeaz ă modelul și îmbun ătățeste dup ă caz

17

Exemple de fi șe de colectare date
18

Exemple de fi șe de colectare date
19

Colectarea datelor
Recomand ări
Realizeaz ă pentru fiecare variabil ă de colectat, o analiz ă a
sistemului de m ăsurare ca s ă te po ți baza pe datele ce vor fi
culese
Asigur ă-te că s-a înțeles Planul de colectare
Stabile ște de la început circuitul informa țiilor (al formularelor,
transferul în PC)
“Automatizeaz ă“ acest circuit !
Verific ă periodic, mai ales la începerea înregistr ărilor
Asigur ă-te că formularele sunt completate în timp real
Implic ă responsabilii de proces

Plan
Colectare
Date
Preg fise
colectare
Instruire
Completare
fise colectare
Strângere
fișe
Transfer date
în PC 20 Aplicație practica

SPC – ce este?
Un acronim pentru Statistical Proces Control – Controlul statistic al
proceselor
Mai concret, o serie de instrumente utilizate cu scopul de a evalua
predictibilitatea (stabilitatea) și capabilitatea proceselor

21

De ce SPC ? Pentru c ă …
….stabilitatea și capabilitatea sunt cerin țe ale standard elor de calitate ISO
9001 și ISO TS 16949
Într-adev ăr, dar nu-i principalul motiv

… este o cerin ță a clien ților ?
Corect, dar mai este ceva

… stabilitatea și capabilitatea proceselor reduc costurile datorate
rebuturilor, întârzierilor, plângerilor clien ților conduc ând la creșterea
satisfac ției clien ților, a comenzilor și a profitabilit ății – CEL MAI
IMPORTANT ;
…reduc interven țiile pompieristice repetate și … bătăile noastre de cap –
deloc de neglijat

22

Descrierea unui proces
Orice proces poate fi descris prin :
Centrare
Varia ție

Variatie A
B C
Centrare
23

Indicatori ai centrării
Mean sau x̄ / media
Media aritmetică a unui set de valori
Reflectă influența tuturor valorilor
Puternic influențată de valorile extreme
Median / mediana
Valoarea de mijloc a unei distribuții
Este puțin influențată de valorile extreme
Mode / mod, valoare mod
cea mai frecventă valoare dintr -o mulțime de valori
24

Indicatori ai varia ției
Range / amplitudine
Diferența dintre numărul cel mai mare și cel mai mic dintr –
un set de date
Variance (s2 ) / dispersia
Abaterea medie pătratică a fiecărui punct față de medie

Standard Deviation(s)/ abatere standard
Rădăcina pătrată a dispersiei
Cea mai utilizată măsură a variabilității

Range = max – min x
i
x̄
25

Exerci țiul nr.1
•Pentru datele alăturate,
calculați :
•Amplitudinea =

•Dispersia (S2 ) =

•Deviația standard(s) =

Date Xi-Xm (Xi-Xm)2
4
5
5
3
10
5
2
9
6
3
Xm Σ(Xi-Xm)2
Σ(Xi-Xm)2/(n-1) dispersia
Σ(Xi-Xm)2/(n-1) deviatia standard
26

Distribu ția normal ă – propriet ăți (1)
Distribuția normală este cea mai întâlnită distribuție din statistică.

Caracteristicile distribuției normale sunt:
Este perfect simetrică față de medie (mean)
Media /mean, mediana și mod sunt egale
50% din date sunt în stânga mediei și 50% sunt în dreapta
medie, mediana, mod 50% 50%
27

Distribu ția normal ă – propriet ăți (2)
Zona de sub curbă este utilizată
pentru probabilitatea
teoretică a apariției anumitor
evenimente
În practica pot apărea mici
diferențe

+6 -1 -3 -4 -5 -6 -2 +4 +3 +2 +1 +5
68.27 % din date se afl ă în interiorul a +/ – 1 devia ții standard
95.45 % din date se afl ă în interiorul a +/ – 2 devia ții standard
99.73 % din date se afl ă în interiorul a +/ – 3 devia ții standard
99.9937 % din date se afl ă în interiorul a +/ – 4 devia ții standard
28

Tipuri de date
29

Agenda cursului
1. Înțelegerea importan ței și impactului calității în organiza ții pe o piață competitiv ă
2.1 Introducere în Controlul statistic al proceselor
Tipuri de date,
Distributia normala
2.2 Stabilitatea proceselor
2.3 Studiul de capabilitate
2.4. Rela ția între caracteristicile produsului și parametri i procesului .
Introducere în Corela ție și Regresia liniar ă
3. Introducere în Analiza Sistemului de Masurare (MSA)
4. Indrumare pentru proiecte

30

•Minitab descriere generală
•Analiza normalității / Histograma
Histograma
Realizarea histogramei stratificată pe variabile, Layout
Sumar grafic cu statistici descriptive /Graphical summary with
descriptive statistics
•Analiza stabilității / Diagrame de control
Diagrame de control, ex. IM -R
Testarea cauzelor speciale cu Minitab
Etapizarea diagramelor de control / sta gging

9/9/2014 Stabilitatea proceselor cu aplicații în Minitab
31

Obiective
Dobândirea cunoștințelor de bază în utilizarea MINITAB
Introducerea unor instrumente de analiza grafică dintre cele mai
utilizate:
Analiza normalității Histograma
Analiza stabilității / Diagrame de control
Analiza capabilității MINITAB descriere generală
32

•Fereastra session deschisa prin tr-un clic k in fereastra,
ctrl M sau selectand Window> session .
•In aceasta fereastra sunt prezentate comenzile si
analizele statistice
• Fereastra cu date este activat ă printr -un clic k în
aceasta fereastra , ctrl D sau selectind window>
worksheet.
• Aici introducem, edit ăm si vedem datele.
• Minitab trateaz ă fiecare coloana ca un c âmp .
• Din acest motiv, trebuie s ă fim aten ți la modul în care
introducem datele Bară meniu MINITAB descriere generală
33

Foile de lucru / worksheets
•Este posibil să avem mai multe foi de
lucru (worksheets) deschise simultan.
•Fiecare foaie de lucru poate fi salvată
separat.
•În orice moment al sesiunii, doar una
dintre ferestre (worksheet) este
selectată
MINITAB descriere generală
34

Minitab este un software puternic de analiza a datelor
și reprezentare grafică
Analiza proceselor și proiectele de îmbunătățire pot fi
sprijinite și derulate mai rapid cu succes folosind
acest software.
Utilizam Histograms pentru a ilustra frecvența
distribuțiilor
Vom folosi Graphical summary with descriptive
statistics pentru a determina normalitatea unei
distribuții
MINITAB descriere generală
35

Analiza normalității – Histograma
Histograma este o afișare vizuală a frecvenței distribuției pentru
date cantitative
Se poate folosi pentru cantități mari de date
Este o variantă specializată a hărții tip bară (bar chart)
Axa orizontală reprezintă posibilele valori a variabilei selectate,
axa verticală reprezintă frecvența
Datele individuale sunt grupate împreună în clase
Arată poziția, forma și variația datelor.
Folosită pentru ilustrarea capabilității procesului

36

Elementele unei histograme
Pentru histograme, următoarele date sunt
calculate:
Mean: media tuturor valorilor.
Minimum: cea mai mică valoare.
Maximum: cea mai mare valoare.
Lățimea clasei / Class Width: distanța pe
axa x între marginile din stânga și dreapta a
fiecărei bare din histograma.
Numărul de clase: numărul de bare
(incluzând barele cu înălțime zero din
histograme.

Analiza normalității – Histograma
37

Realizarea histogramei cu MINITAB
Deschideti aplicatia SPC_SCURT
Graph =>Histogram=>Simple, click OK

Analiza normalității – Histograma
38

Selecta ți inreg , click OK

48 40 32 24 16 820
15
10
5
0
inregFrequencyHistogram of inreg Ce va indica
graficul? Realizarea histogramei cu MINITAB Analiza normalității – Histograma
39

Interpretarea histogramei (1)
1. O distribuție asimetrică/ skewed, cu o “coadă” mai
lungă decât cealaltă. Posibil distribuție non -normal,
conține mai multe sub -procese (schimburi, masini,
operatori, material, etc)
2.O curbă cu două vârfuri, Distribuție non –
normal, indică de multe ori două procese
distincte cu medii diferite. Analiza normalității – Histograma
40

3. O curbă trunchiată cu vârful în dreptul sau
apropierea mediei, și cu coada coborând lin în
partea opusă, poate semnifica că distribuția a
fost “filtrată” prin inspecții. Aceste situații sunt
un bun start pentru proiecte de îmbunătățire
4.Curba tip platou înseamnă de multe ori ca
procesul nu este definit clar pentru cei
implicați și ei pot și fac după cum cred de
cuviință. Interpretarea histogramei ( 2) Analiza normalității – Histograma
41

5. Valori aberante/ Outliers în histograma – Bare
care sunt despărțite de celelalte cu distanța a cel
puțin lățimea unei bare, indică faptul că probabil
un proces separat a fost inclus, dar unul care nu se
întâmplă de fiecare dată sau au fost înregistrate
evenimente speciale . Interpretarea histogramei (3) Analiza normalității – Histograma
42

Histograma / Sumar grafic cu statistici descriptive
Pentru a obține și o descriere statistică, inclusiv determinarea normalității,
folosim Graphical Summary with Descriptive statistics pentru
Stat > Basic Statistics > Graphical Summary ….

Analiza normalității – Histograma
43

48 40 32 24 16 8
MedianMean
32 31 30 29 28 27 261st Q uartile 22,500
Median 27,500
3rd Q uartile 37,750
Maximum 51,000
27,608 31,372
26,000 30,258
8,329 11,020A -Squared 1,53
P-V alue < 0,005
Mean 29,490
StDev 9,486
V ariance 89,990
Skewness 0,366311
Kurtosis -0,549867
N 100
Minimum 7,000A nderson-Darling Normality Test
95% C onfidence Interv al for Mean
95% C onfidence Interv al for Median
95% C onfidence Interv al for StDev
95% Confidence IntervalsSummary for inreg•Media
•Deviația
standard Daca P -value <
0,05, distribuția
este non -normală Histograma / Sumar grafic cu statistici descriptive Analiza normalității – Histograma
44

Realizarea histogramei stratificată pe variabile
Analiza normalității – Histograma
45

48 40 32 24 16 812
10
8
6
4
2
0
inregFrequency
48 40 32 24 16 810
8
6
4
2
0
inregFrequencyHistogram of inreg
perioada = inainteHistogram of inreg
perioada = dupa Analiza normalității – Histograma
46 Realizarea histogramei stratificată pe variabile

Dreapta mouse= > Selectie Histogram =>Layout
Realizarea Layout tool Analiza normalității – Histograma
47 Aplicație practica

Data => Selectie Unstack Columns
48 Utilizarea comenzilor Unstack/ Stack Analiza normalității – Histograma

Selectie Data => Selectie Unstack Columns

Utilizarea comenzilor Unstack/ Stack Analiza normalității – Histograma
49
Obs. Se genereaza o noua
foaie de lucru !!!
(worksheet)

Ce înseamn ă un proces stabil?
Un proces stabil este un proces care analizat prin perspectiva
unei caracteristici, este predictibil
Cu alte cuvinte, mă aștept, cu o probabilitate ridicată, ca
valorile viitoare ale caracteristicii să se încadreze într -un
interval cunoscut
Îmi este de folos?

50

Teoria nu -i rea, cum r ămâne cu practica ?
W.A. Shewart a aplicat prin experimentare în anii ’20 conceptul de control
statistic al procesului utiliz ând diagrama de control

UCL
LCL media
procesului
date ordonate cronologic caracteristica
monitorizata UCL = upper
control limit
LCL = lower control
limit
51

Cum recunosc un proces stabil?
Folosesc un instrument care se numește Diagrama de control /
Control chart

73 65 57 49 41 33 25 17 9 11600
1500
1400
1300
1200
ObservationIndividual Value
_
X=1378,5UCL=1582,6
LCL=1174,31I Chart of Tone / tren
52

Tipuri de cauze ale varia ției
Cauza comun ă
Este prezent ă în toate procesele și se datoreaz ă procesului însuși
Reprezint ă varia ția normal ă a unui proces
Poate fi înlăturat ă sau minimizat ă dar necesit ă o schimbare a
procesului care impune implicarea managementului
Cauza special ă
Provine din din situatii anormale sau evenimente unice (factori “X”
importan ți)
Poate fi identificat ă prin monitorizarea cu SPC
Pot fi îndep ărtate prin îmbun ătățiri punctuale sau proiecte de
îmbun ătățire

53

71 64 57 50 43 36 29 22 15 8 11550
1500
1450
1400
1350
1300
1250
1200
ObservationIndividual Value
_
X=1377,7UCL=1532,7
LCL=1222,8I Chart Incarcare / camion (kg)Stabil Ce este un proces stabil ?
Un proces ale carui caracteristici urmărite nu au evenimente speciale
Un proces predictibil
blocaj rola
Eroare
software
Instabil
54

Instabil / stabil, care este leg ătura cu
defectele ?
Un proces instabil nu genereaza neap ărat (cel pu țin pe moment) defecte

55

Instabil / stabil, care este leg ătura cu
defectele ?
Un proces stabil nu înseamn ă implicit c ă nu produce defecte
56

Stabil si Predictibil
ObservationIndividual Value
100 90 80 70 60 50 40 30 20 10 170
65
60
55
50
45
40
35_
X=50.90UCL=66.40
LCL=35.40I Chart of Data
Acest proces este stabil si
predictibil

Daca nu apar perturbatii:
Acest proces va continua
sa functioneze cu o medie
de 50.90
Practic, toate datele se
vor incadra intre 35.40 si
66.40

Proces instabil si nepredictibil
ObservationIndividual Value
100 90 80 70 60 50 40 30 20 10 1100
90
80
70
60
50
40
30
20
10_
X=51.26UCL=71.72
LCL=30.811
1
111
111
11111111
11
111111
111
11
111
11I Chart of Data 2
Acest proces nu este stabil si ca
urmare, nu este predictibil

Daca nu apar alte perturbatii:
Procesul poate aluneca usor
peste sau sub limitele de
control
Procesul nu este bine descris
sau inteles.
Un studiu de capabilitate pentru
aceste date poate conduce la
concluzii eronate

ObservationIndividual Value
100 90 80 70 60 50 40 30 20 10 1100
90
80
70
60
50
40
30
20
10_
X=51.26UCL=71.72
LCL=30.811
1
111
111
11111111
11
111111
111
11
111
11I Chart of Data 2
ObservationIndividual Value
30 27 24 21 18 15 12 9 6 365
60
55
50
45
40
35_
X=50.13UCL=65.60
LCL=34.66I Chart of Data 2Date pe termen scurt Vs. Date pe termen lung
Datele din stanga reprezinta un esantion al procesului
din dreapta . Pare stabil si predictibil . De ce?
59

Date pe termen scurt
Colectate pe o durata relativ
scurta de timp
Fara (sau doar cateva)
schimbari ale diferitelor intrari
-Acelasi schimb de lucru
-Acelasi lot
-Acelasi operator
-Aceiasi zi
-Etc.
Nu inseamna neaparat ca a fost
utilizat un numar mic de
inregistrari •Date pe termen lung
–Colectate pe o durata
relativ lunga de timp
–Majoritatea variabileleor s –
au modificat in timpul
respectiv
•Schimburi diferite
•Loturi diferite
•Operatori diferiti
•Zile diferite
•Etc.
–Nu inseamna neaparat un
numar mare de esantioane

60 Date pe termen scurt Vs. Date pe termen lung

Avantajele Diagramei de control
Selectarea modalit ății
potrivite de interven ție
Procesul este stabil, deci
acțiunile “pompieristice“ nu
au efect !
61

Testarea cauzelor speciale cu MINITAB
Opțiuni:
•Toate testele – test foarte
fin, poate fi însă mai
“scump”
•Doar anumite teste – un
compromis câteodată
optim
•Nici un test – nu verificăm
stabilitatea procesului

62

Testul 1 si testul 2
63

Testul 3 si testul 4
64

Testul 5 si testul 6
65

Testul 7 si testul 8
66

Tipuri de Diagrame de control
În funcție de tipurile de date, pot fi :

Deși construcția diferă într-o mică măsură, interpretarea este aceeași Pentru date continue
•I-MR (observații
individuale)
•X-Bar (medii)

Pentru date atributive
•NP (număr de produse
neconforme)
•P (procentaje de produse
neconforme)
•C (număr de defecte)
•U (număr de defecte / Unitate)

67

Selectarea tipului de diagram ă
Unit ăți
neconforme
Date Continue
sau
discontinue
Grupare
rațional ă
Defecte sau
unități
neconforme
Mărime
constanta
esantion
Mărime
variabil ă
eșantion
I MR
X bar R
c chart
u chart
np chart
p chart continue discontinue
defecte
da
nu nu
da da nu
68

Realizarea I -MR cu MINITAB
Deschide ți ANALIZA PRODUCTIE_LUCRAT
Urm ărim stabilitatea pentru min /zi
Stat>Control charts>Variable charts for individuals>IMR
•Completati ca in imaginea
alaturata
•Clic OK
69

Interpretarea I -MR Limita de control
superioară =
media +3 std dev
Amplitudinea/ range între
observații consecutive Observații
individuale
Limita de control inf =
media -3std dev X̄ =Media valorilor
individuale
MR̅ = Media
amplitudinilor
70

Exerci țiu
Verifica ți stabilitatea pentru min/ piesa folosind diagrama de control I -MR

Comenta ți

5 min

71 Obs. C -da
Edit X scale

Realizarea X -Bar R
Ne propunem s ă verific ăm
stabilitatea mediilor min/ zi
săptămânal
Stat>Control charts>Variable
charts for subgroups
>Xbar -R
Completa ți ferestrele ca
alături
Click ok

72

Xbar – R
Limita de control
superioară =
media + 3 std dev
Amplitudinea/ range
subgrupului Media
subgrupului
Limita de control inf = media
-3std dev X̄ =Media
MR̅ = Media
amplitudinilor
73

Exerci țiu
Verifica ți stabilitatea pentru min/ piesa folosind diagrama de control Xbar -R

Comenta ți

5 min

74

Unitati
neconforme
Date Continue
sau
discontinue
Grupare
rationala
Defecte sau
unitati
neconforme
Marime
constanta
esantion
Marime
variabila
esantion
I MR
X bar R
c chart
u chart
np chart
p chart continue discontinue
defecte
da
nu nu
da da nu
Selectarea tipului de diagram ă
75

Realizarea P -chart
Pentru a reduce defectele de
inscriptionare a pieselor, acestea
sunt inspectate zilnic
Vrem s ă vedem evolutia procentajului
de piese inscrip ționate neconform
Desi avem inspectie 100%, num ărul de
pieselor inspectate zilnic nu este
identic
Stat > Control Charts >Attributes Charts
> P.
Completa ți ferestrele ca al ăturat.
Click ok

76

P chart – interpretare
Mean of
proportion
defective Încălcarea
regulii 1 Limitele de control țin cont de
mărimea (inegală a) eșantionului
77

P chart – mărime egal ă a eșantioanelor
•Din acela și fișier, consider ăm că
num ărul de piese inspectate zilnic
este constant și egal cu 300.
•Stat > Control Charts >Attributes
Charts > P.
•Completa ți ferestrele ca al ăturat
•Am considerat mărimea
eșantioanelor egală cu 300
•Click ok

78

P chart – interpretare
Media ratei
de defecte Incalcarea
regulii 1 Limitele de control pentru marimea
egala a esantionului
79

Realizare U chart – eșantioane inegale
•Inspectorii au înregistrat și
num ărul de erori de inscrip ționare
•Vrem să monitoriz ăm stabilitatea
acestora în timp
•Stat > Control Charts > Attributes
Charts > U.
•Completa ți ferestrele ca alături
•Click OK

80

73 65 57 49 41 33 25 17 9 10,7
0,6
0,5
0,4
0,3
0,2
0,1
0,0
SampleSample Count Per Unit
_
U=0,2808UCL=0,5354
LCL=0,0263
111 111
11 11
1U Chart of Nr greseli incriptionare
Tests performed with unequal sample sizesInterpretare U chart
Media
defectelor/unitate Încălcarea
regulii 1 Limitele de control țin cont de
mărimea (inegala a) eșantionului
81

Uchart – mărime egal ă a eșantioanelor
•În acela și fișier, consider ăm
că num ărul de piese
inspectate zilnic este
constant și egal cu 300.
•Stat > Control Charts >
Attributes Charts > U.
•Completa ți ferestrele ca
alături
•Click OK

82

Interpretare U chart – Eșantioane egale
Media
defectelor /unitate Limitele de control țin
cont de m ărimea egală a
eșantionului
83

Etapizarea diagramelor de control /
staging
•Pentru îmbun ătățirea caracteristicii min/ zi s-a
realizat un proiect de îmbun ătățire și s-au colectat
rezultatele

•Pentru analiza rezultatelor se va folosi pentru
început diagrama de control împar țită pe două
etape (stages): inițial și după îmbun ătățire

84

Etapizarea diagramelor de control – cu MINITAB
•Vrem să vedem dacă avem o
schimbare
•Stat>control charts> Var charts for
individuals >I -MR
•Completa ți fereastra ca mai sus
•Click I-MR options
•Completa ți fereastra ca alături
•Click OK, OK

85

Vizualizarea evolu ției pe stadii
Graficele sunt împărțite în două zone, aceleași
ca în coloana selectată la “stages” Limitele de control și
mediile sunt
calculate pentru
fiecare perioada în
parte
Se poate deduce că este foarte probabil ca după implementarea acțiunilor
s-a obtinut atât o mediei mai buna a valorilor cât și o reducere a variației 86

Diagrama de Pre -Control
Utilizat ă direct în linie pe baza unor reguli
•Creșterea vitezei de reac ție
•Nu înlocuiesc diagramele de control

Ajusteaz ă
procesul
Opre ște
procesul și ia
măsuri Menține
procesul
87

Diagrama de Pre -Control
88

Aprobarea producției
Pentru a valida un proces, este necesara ca măsurătorile a cinci piese
consecutive sa se poziționeze in zona verde. Procesul trebuie validat dupa
schimbarea sculelor, reglaje, schimbarea operatorilor, schmibarea
materialelor, intreruperi pentru reparatii etc.
Monitorizarea Procesului
Se masoara doua piese consecutive, la frecventa prestabilita
-Daca una din masuratori este in zona rosie, opriti productia si gasiti cauzele
-Daca una din masuratori este in zona galbena si cealata in
-zona verde, atunci continuati,
-Zona galbena, de aceiasi parte, este necesar reglajul procesului
-Zona galbena sau cea rosie pe partea opusa, procesul trebuie oprit!!!

89 Diagrama de Pre -Control

Studiu de caz stabilitate
Vezi anexa
90 Aplicație practica

Agenda cursului
1. Înțelegerea importan ței și impactului calității în organiza ții pe o piață competitiv ă
2.1 Introducere în Controlul statistic al proceselor
Tipuri de date,
Distributia normala
2.2 Stabilitatea proceselor
2.3 Studiul de capabilitate
2.4. Rela ția între caracteristicile produsului și parametri i procesului .
Introducere în Corela ție și Regresia liniar ă
3. Introducere în Analiza Sistemului de Masurare (MSA)
4. Indrumare pentru proiecte

91

Scop
Este menit să ofere informații periodice asupra măsurii în care un proces
îndeplinește specificațiile.

LSL USL
92 Are relevanță atunci când se aplică pe
procese stabile !!!!!

Categorii de procese
LSL USL
LSL USL
LSL USL
LSL USL
93

Indicatorii de capabilitate
Proveniența : din Statistical Quality Control Handbook Capability de la
Western Electric Company (1956 ).
Toți indicii de capabilitate compară Vocea Clientului cu Vocea Procesului
(VOC vs VOP) și descriu cât de bine lucrează procesul raportat la
specificațiile clientului .
Indicii de capabilitate pot fi pe termen lung sau scurt
Măsurarea capabilității procesului se face prin:
Cp= capabilitatea procesului,
Cpk= indice de capabilitate a procesului
Pp= performanța procesului
Ppk = indice de performanța procesului

94

Ce este Cp ?
Cp =1
Cp=1,33
Cp= 1,67
•Este vorba despre
capabilitatea potențială a
procesului și este o
reflecție a variației
procesului față de
specificații
95

Calculul Cp
VOP
VOC
LSL USL
VOP VOC
LSL USL Cp = (USL -LSL)
6s VOC
VOP =
VOP VOC
USL LSL
96

Calculul Cpk
Ecuația pentru Cpk include media procesului sau X̅
Cu cât media procesului se apropie de limitele specificate, Cpk scade

Formula de calcul pentru Cpk este :
Cpk = min (CPL, CPU) , unde
CPL=( X̄- LSL)/ 3s ; CPU= (USL – x̄)/3s
VOP VOC
LSL USL
97

Capabilitatea pe termen lung
Pp si Ppk sunt calculate și interpretate în același fel ca si Cp și Cpk
Diferența constă în estimarea considerând deviația standard pe termen lung
care include deplasarea procesului de -a lungul timpului

Cp , Pp = (USL -LSL)
6s VOC
VOP =
sST sau sCpk,Ppk =min( X̄ – LSL
3s USL-X̄
3s , )
98

Exercițiul nr. 3
Calcula ți Cp si Cpk pentru situa țiile de mai jos

USL=14;LSL=2; x =8; s=0,5
USL= 14;LSL= 2; x =14; s=0,5
USL= 14;LSL= 2; x =16; s=0,5
USL= 14;LSL= 2; x =14; s=2
USL=14;LSL=2; x =8; s=2 Cp = (USL -LSL)
6s VOC
VOP =
Cpk =min( X̄ – LSL
3s USL-X̄
3s , )
99

Pași în studiul de capabilitate
1.Identificarea caracteristicii și a specificațiilor
2.Colectarea datelor
3.Analiza normalității distribuției
4.Analiza stabilității
5.Analiza capabilității
6.Concluzii și plan de măsuri
7.Implementare măsuri și reluare de la pasul 2.

LSL USL
100

Traseul studiului de capabilitate
Stabilitate
Normalitate
Capabilitate
SPC, I -MR
Descriptive statistics;
Normality test;
Capability test
Regulile nu sunt încalcate,
proces stabil
Distribuția este:
Normala: P -value>= 0,05
Cpk > 1,33: proces capabil
Cp, Cpk, Pp, Ppk
Ce urmărim
Instrumente (MINITAB)
Caracteristica
analizată Studiu de capabilitate
101

Studiul de capabilitate
(1) Normalitatea distributiei
Deschide ți Analiza productie
Se dore ște studiul capabilit ății pentru min/ zi ale caror specificatii sunt 1283
si 1418
Verificam normalitatea (consideram mediile saptamanale) :

P-value= 0,656 > 0,05
distributie Normala
102

Studiul de capabilitate cu MINITAB –
stabilitatea
Verificam stabilitatea mediilor inainte de masuri :
Proces stabil
103

Studiul de capabilitate cu MINITAB –
capabilitate
Stat>Quality
tools>Capability
Analysis>Normal

•Completati ferestrele
ca in modelul alaturat
•Clic OK

104

Capabilitate – Interpretare
Atât Cp cat si Cpk au valori
mici, deci va trebui să
îmbunătățim în primul rând
centrarea și apoi variația Detalii despre proces –
specificațiile, media, nr de
observații, deviațiile std
Graficul ne arată că
procesul nu este
centrat, are o variație
mare și o pondere mare
de defecte Cpk < 1,33 deci procesul
nu este capabil
105

Studiul de capabilitate – o singura
specificatie
Compania / divizia trebuie sa respecte o singura specificatie de maxim 4,3
min/ piesa
Pe baza datelor din fisier, determinam capabilitatea

Proces stabil
106

Studiul de capabilitate – o singura
specificatie
Apare doar limita specificata
(USL), iar ca date: Cpk si Ppk Proces incapabil
107

Ce facem daca avem date non normale?
Stratificam datele

Consideram mediile

Colectam mai multe date

Apelam la un specialist
108

Studiu de caz
O echip ă a companiei a primit sarcina îmbun ătățirii capabilit ății procesului în
ceea ce prive ște grosimea produsului finit (in mm).
S-au colectat date din cele doua sec ții (LTG 1 si LTG 2) și apoi au fost
transpuse în grafic
Datele au fost analizate și s-a constatat c ă sunt normal distribuite și procesele
sunt stabile în ambele cazuri
Echipa își propune s ă răspund ă următoarelor întreb ări:
1. Pe ce anume ar trebui s ă se concentreze pentru îmbun ătățire?
2. În care dintre cele dou ă secții va fi mai dificil ?
3. Cu care ar trebui s ă înceap ă, date fiind resursele limitate ?
109

Studiu de caz LTG1
110

Studiu de caz LTG 2
111

Studiu de caz – utilizare six pack
112
Deschide ți Analiza productie. Se dore ște studiul capabilit ății pentru min/ zi
ale caror specificatii sunt 1283 si 1418 .
Stat – > Quality tools Capability – > Capability Sixpack
Aplicatie
practica

Agenda cursului
1. Înțelegerea importan ței și impactului calității în organiza ții pe o piață competitiv ă
2.1 Introducere în Controlul statistic al proceselor
Tipuri de date,
Distributia normala
2.2 Stabilitatea proceselor
2.3 Studiul de capabilitate
2.4. Rela ția între caracteristicile produsului și parametri i procesului .
Introducere în Corela ție și Regresia liniar ă
3. Introducere în Analiza Sistemului de Masurare (MSA)
4. Indrumare pentru proiecte

113

Stim capabilitatea caracteristicilor si acum ?
Scopul unui proces de productie este obtinerea produsului ale carui
caracteristici sunt conforme cu specificatiile
Din acest motiv am inceput sa analizam intai caracteristicile
Acum, in special pentru caracteristicile critice si cele cu probleme trebuie sa
identificam si sa analizam parametri care le influenteaza
Proces Intrari/factori
(Input)
Parametri Iesiri
(Output)
Caracteristici critice
si/sau cu probleme
114

Exercițiul nr. 5
Realiza ți pentru unul din procesele cunoscute, un IPO descris în maxim 5 sub-
procese

Determina ți :

Principalele caracteristici (ie șiri)
Factorii de influen ță principali (intr ări) # 1
# 2
# 3
# 4
Intrari
Proces
Iesiri
115

Introducere în Corela ție și Regresie
Scop
Evaluarea legăturii între variabile de tip continuu
Calcularea coeficienților de corelare
Înțelegerea corelației și a noțiunii de cauzalitate
Generarea și interpretarea instrumentelor Corelație și Regresie liniară .

116

Rela ția liniar ă
O relație liniară între două variabile înseamnă că atunci
când o variabilă crește, cealaltă crește sau scade cu
o valoare proporțională.
În exemplul alăturat se poate observa cum variabila B
se menține de 2 ori mai mare decât A.: B= f(A) = 2 x
A
Pe Scatter plot putem vedea cum datele reale (punctele
roșii) se suprapun perfect peste model (linia
albastră)
Relația între A si B este perfect liniară
117

Corela ția
Corelația este o măsură a asocierii liniare a două variabile de tip continuu, de
exemplu compoziția chimică și rezistența la rupere
Mărimea asocierii liniare a corelației este dată de un coeficient denumit
coeficient de corelație (Pearson correlation coefficient).
Coeficientul de corelație (rXY ) ia valori între –1 și +1, inclusiv, cu semnificația
de asociere negativă / pozitivă după semnul coeficientului și de lipsă de
asociere pentru rXY = 0.
Dacă rXY = -1 si +1 înseamnă că asociația dintre cele două variabile este totală .

118

Interpretarea corela ției
Se calculează P value (probability value) care se folosește în testarea unei
ipoteze
Dacă P value <0,05 ne indică existența unei corelații semnificative între cele
două variabile
Daca P value >= 0,05 , nu există o corelație semnificativă între cele două
variabile
Corelația afișează și Pearson correlation / r value – coeficient de corelație
Coeficientul de corelație ia valori între –1 și +1, inclusiv, cu semnificația de
asociere negativă/pozitivă după semnul coeficientului și de lipsă de
asociere pentru r =0
119

Exemplu corela ție
Într-o oțelărie se monitorizează concentrația chimică versus proprietățile
mecanice pentru marca de otel P355NH

Se verifică influența a patru elemente C, MN, SI si P asupra caracteristicii
Rezistența la rupere
120

Determinarea corelatiei cu MINITAB
Deschideti fisierul Exemple C&Regresii.MPJ
Stat > Basic Statistics>Correlation
121

Interpretare
Comentati
Pvalue < 0,05 ; Exista o
influenta semnificativa a
C asupra RZ_ RUP
Pvalue > 0,05 ;
NU exista o influenta semnificativa a MN
asupra RZ_ RUP
Coeficientul de corelatie
este mare;
Corelatia este puternica
Coeficientul de
corelatie este mic si
negativ ;
Corelatia slaba,
negativa
122

Regresia
Creează modele de relaționare între una sau mai multe variabile
independente(intrări) și o variabilă dependentă (ieșire)
Expresia Y=f(x) este transformată în numere și ne permite să găsim nivelul
necesar al lui X în expresia pentru un Y dat
În acest fel la schimbările cerute de către client pentru Y, noua valoare a
variabilei X poate fi identificată rapid astfel încât să se obțină noile
cerințe .

123

Regresia cu MINITAB
In fisierul Exemple C&Regresii.MPJ verificam relatia intre Rz_Rup si
concentratiile C , MN, SI si P
Stat>Regression > Regression
124

Exemplu regresie
Pentru exemplul anterior, s-a decis utilizarea regresiei pentru a determina
influența cumulată a celor patru elemente –C,MN,SI si P asupra caracteristicii
Rezistența la rupere

Modelul matematic de tip
Y=f(x1, x2…)
Pvalue < 0,05 ; modelul matematic
continand elementele, influențează
semnificativ Rz_Rup
125 Aplicație practica
Pvalue indica influenta statistica
a fiecarui element
Mai exista alti factori care au o influență
mare asupra RZ_ RUP

Rezumat
Controlul statistic al proceselor (SPC) include două cele mai utilizate
instrumente :
diagrama de control și studiul capabilit ății
Diagrama de control ne indic ă dacă un proces este stabil și diferen țiază cauzele
speciale de cele comune
Un proces capabil este în primul rând stabil și are Cpk>= 1,33
Corela ția și regresia sunt instrumente utile în a determina mărimea influen ței
unui factor continuu asupra unei caracteristici sau variabile continue
Regresia poate sprijini optimizarea procesului prin modelul matematic generat,
de tip y=f(x)
Utilizarea instrumentelor statistice trebuie facuta intotdeauna in combinatie cu
experienta practica din procese

126

Agenda cursului
1. Înțelegerea importan ței și impactului calității în organiza ții pe o piață competitiv ă
2.1 Introducere în Controlul statistic al proceselor
Tipuri de date,
Distributia normala
2.2 Stabilitatea proceselor
2.3 Studiul de capabilitate
2.4. Rela ția între caracteristicile produsului și parametri i procesului .
Introducere în Corela ție și Regresia liniar ă
3. Introducere în Analiza Sistemului de Masurare (MSA)
4. Indrumare pentru proiecte

127

Concepte de bază MSA
•Obiective MSA și terminologie
•Procesul de măsurare și efectele
•Strategia și Planificarea măsurătorilor
•Dezvoltarea sistemului de măsurare
•Probleme ale sistemului de măsurare

Derularea unui studiu R&R
9/9/2014
128 Analiza sistemului de măsurare
(Measurement Systems Analysis – MSA )

Protot ip Omologare Produc ție
USL LSL •Validarea producției
•Ținerea sub control a proceselor
•Îmbunătățire continuă Obiective MSA și terminologie
•Utilizarea datelor măsurabile
•Calitatea datelor măsurate
9/9/2014 Analiza sistemului de măsurare (MSA )
129 Terminologie
•Măsurători
•Instrumente de măsurare
•Sistem
Termeni principali
•Standarde
•Instrumente
•Sursa variației
•Mărimea variației
•Variația sistemului

•Măsurătoare : alocarea unui număr (sau valoare atributivă) unui fenomen sau a unei
caracteristici, la un moment dat.
•Instrument de măsurare: orice instrument sau aparat care măsoară starea
unui fenomen sau a unei caracteristici și care îi alocă (sau nu) o valoare
numerică, la un anumit moment. Include și dispozitivele de tip Trece/ Nu trece.
•Sistem de măsurare (MS): ansamblul de instrumente și dispozitive de măsură
și control, standarde, operații, metode, dispozitive de fixare, softuri, personal,
mediu și ipoteze utilizate pentru cuantificarea unității de măsură sau evaluarea
caracteristicii de măsurat; procesul complex prin care se obțin măsurătorile.
9/9/2014 130 Terminologie Analiza sistemului de măsurare (MSA )

• Sistemele de măsurare sunt extrem de importante în confirmarea fabricației și
îmbunătățirea continuă a proceselor.

• Trebuie să măsurăm, ca să știm unde ne aflăm.

• Utilizăm măsurători pentru a ști dacă avem probleme în proces sau dacă o
schimbare adusă procesului l -a îmbunătățit.

• Pentru ca măsurătorile să fie efective, acestea trebuie să fie precise, să aibă
acuratețe și să fie precizat timpul la/ în care au fost efectuate.

• Deoarece nu putem aborda ceva ce nu a fost măsurat cu precizie sau când
precizia de măsurare nu este cunoscută, trebuie să începem cu o evaluare a
sistemului de măsurare.
9/9/2014 131 Analiza sistemului de măsurare (MSA )

Standard
Bază față de care comparăm
Criterii de acceptare
Valoare cunoscută în cadrul unor limite, acceptată ca valoare
reală
Valoare de referință

Descrierea operațională
•Standard care trebuie să fie astfel definit încât să se obțină același
rezultat al măsurării, atât la furnizor cât și la client, în condițiile în
care se utilizează aceleași mijloace de măsurare, ieri, astăzi sau
mâine.
9/9/2014
132 Terminologie Analiza sistemului de măsurare (MSA )

Instrumente de măsură
Rezoluția instrumentului de măsurare
-Cea mai mică unitate de măsură ce se poate
citi, scala, limita de detecție
-Întotdeauna raportată ca unitate de măsură
-Regulă empirică: 10:1 (alegerea aparatului de
măsură: precizia să fie de 10 ori mai mică decât
toleranța)
Rezoluția efectivă
-Sensitivitatea sistemului de măsura față de
capabilitatea procesului, pentru o anumită
aplicație
9/9/2014 133 Terminologie Analiza sistemului de măsurare (MSA )

–Acuratețea
-Apropierea de valoarea de referință

Justețea (Bias) sau Eroarea sistematică
-Diferența intre media observată și valoarea
de referință

Stabilitatea (Stability)
-Schimbarea justeței de alungul timpului
-Un proces MS stabil este sub control
statistic și respectă localizarea (centrarea)

Linearitatea (Linearity)
-Schimbarea justeței dealungul scalei de
măsurare
-Corelarea uneia sau mai multor erori de
justeței dealungul scalei de măsurare
9/9/2014 134 Terminologie Analiza sistemului de măsurare (MSA )

9/9/2014 135
Repetabilitatea Reproducibilitate
a R&R + = Repetabilitate ( Repeatability )
-Repetabilitatea măsurării sau fidelitatea măsurării este variația
observată atunci când un operator măsoară același etalon, cu
același instrument, de mai multe ori.
-Analize pe termen scurt
-Se mai numește și EV – Equipment variation
Reproductibilitate ( Reproductibility )
-Reproductibilitatea, este o variație adițională observată atunci
când operatori diferiți utilizează același instrument pentru a
măsura același etalon.
GRR ( Gauge R&R) Combinarea celor două
Capabilitatea sistemului de masurare Variabilitatea SM pe
termen scurt (ex GRR incluzând și grafice) Terminologie Analiza sistemului de măsurare (MSA )

9/9/2014 Performanța SM
-Variabilitatea SM pe termen lung
(ex. Fișe de control pe termen lung)
Sensibilitatea ( Sensitivity )
-Intrări mici care rezultă în semnale
detectabile
Consistența ( Consistency )
-Schimbarea repetabilității în timp
-Un proces MS consistent este sub
control statistic și în limitele de control
Uniformitatea ( Uniformity )
-Schimbarea repetabilității de alungul
scalei de măsurare
-Omogenitatea repetabilității
136 Terminologie Analiza sistemului de măsurare (MSA )

Variația Sistemului (S ystem variation )

Capabilitatea ( Capability )
-Variația SM pe termen scurt

Performanta (Performance)
-Variația SM pe termen lung
-Se referă la variația totală

Incertitudinea ( Uncertainity )
-Un eșantion de valori măsurate în care se consideră că se
găsește valoarea reală

Sistemul de măsurare trebuie sa fie stabil și concordant

9/9/2014
137 Terminologie Analiza sistemului de măsurare (MSA )

Sursa erorilor de măsurare / factorii care afectează un SM

Efectele variației sistemelor de măsurare:
Asupra pieselor
Asupra proceselor

Acceptarea Proceselor noi Procesul de măsurare și efectele
9/9/2014
138 Analiza sistemului de măsurare (MSA )

Sursa erorilor de măsurare
1. Mediu, temperatură, luminozitate,
umiditate etc.
2. Utilizarea de eșantioane, mostre vizuale
3. Condiția și adecvarea instrumentului de
măsură
4. Dispozitive de fixare, calibre, șabloane
5. Softurile CMM, tabele Excel, calculatoare
etc.
6. Persoana care face măsurătorile
7. Piesa care este măsurată
8. Modul în care este definită caracteristica
de măsurat
9. Procedura de măsurare, metoda, instruire.
10. Constrângeri de ordin fizic, dificultatea de
acces la piesa/ caracteristica de măsurat,
teste distructive
9/9/2014 139 Analiza sistemului de măsurare (MSA )

SWIPE (AIAG) : Standard, Piesă ( Workpiece ), Instrument, Persoană, Mediu
(Environment )
9/9/2014 140 Analiza sistemului de măsurare (MSA )

Erori de Măsurare/Observare
100 •Erorile de observare reprezintă diferența dintre valoarea măsurată a
unei caracteristici și valoarea reală.
•O eroare de măsurare nu este o “greșeală".
•Dispersia (variația) este o parte inerentă a caracteristicii măsurate și a
procesului de măsurare. Frecvența
9/9/2014 141 Analiza sistemului de măsurare (MSA )

• Erorile aleatoare se datorează
fluctuațiilor aleatoare ale
măsurătorilor.
• Pot fi cuantificate prin studii
R&R.
• Pot fi reduse prin repetarea
măsurătorilor de mai multe ori,
pentru a calcula media. Justețea

(bias)
9/9/2014 Erori de Măsurare/Observare
Ori de câte ori repetăm o măsurăre cu un instrument de precizie , vom obține
rezultate ușor diferite . Conform modelelor statistice, erorile au două
componente (care se însumează) :
• erori sistematice , care apar întotdeauna (au mereu aceiași valoare ) când
folosim instrumentul în același mod ,
• erori aleatoare , care variază de la o observație la alta.
• Erorile sistematice sunt
consistente și repetabile
(deviații permanente).
• Sunt controlate prin
calibrare/ etalonare și
verificări metrologice
regulate.
142 Analiza sistemului de măsurare (MSA )

LSL -Limita
inferioara USL – Limita
superioara Erori de tip I
Rebuturi false Erori de tip II

Piese
acceptate
gresit Probabilitatea ca dispozitivul sa
accepte piese
9/9/2014 Efectul preciziei sistemului de măsurare asupra acceptării sau
neacceptării produsului Efectele variaței SM asupra pieselor
143 Analiza sistemului de măsurare (MSA )

Variația procesului observat
Variația procesului observat
Calibrare Repeatabilitate Variații
datorate
dispoziti –
velor Variații
datorate
Operatorilor Variația
procesului pe
termen lung Variații în cadrul
eșantionului Variația sist. de măsurare
Variația
procesului pe
termen scurt
Stabilitate Linearitate Sursa Variațiilor
Orice determinare conține atât variația procesului, la acel moment,
cât și variația sistemului de măsurare.
9/9/2014
144 Analiza sistemului de măsurare (MSA )

Variația
instrumentului de
măsură Variația reală a
Procesului

Variația observată
Procesului
9/9/2014 Efectele variaței SM asupra pieselor
145 Analiza sistemului de măsurare (MSA )

0% 10% 20% 30% 40% 50% 60% 70%
0.50 0.50 0.50 0.50 0.51 0.51 0.52 0.53 0.55
0.60 0.60 0.60 0.61 0.61 0.62 0.64 0.66 0.69
0.70 0.70 0.70 0.71 0.72 0.74 0.77 0.80 0.85
0.80 0.80 0.80 0.81 0.83 0.86 0.90 0.96 1.06
0.90 0.90 0.90 0.92 0.95 0.99 1.06 1.16 1.33
1.00 1.00 1.01 1.03 1.07 1.13 1.23 1.40 1.73
1.10 1.10 1.11 1.14 1.19 1.28 1.43 1.72 2.49
1.20 1.20 1.21 1.25 1.32 1.45 1.68 2.20 5.84
1.30 1.30 1.32 1.36 1.46 1.63 1.99 3.11
1.40 1.40 1.42 1.48 1.61 1.85 2.42 6.81
1.50 1.50 1.52 1.60 1.76 2.10 3.08
1.60 1.60 1.63 1.72 1.93 2.40 4.42
1.70 1.70 1.73 1.85 2.11 2.79
1.80 1.80 1.84 1.98 2.32 3.31
1.90 1.90 1.95 2.12 2.54 4.09
2.00 2.00 2.06 2.26 2.80 5.52
CP OBSERV AT % R&R Graficul și tabelul Cp real (actual) prin combinarea Cp Observat și % R&R
Exemple :
-în cazul în care GRR pentru un dispozitiv din producție este de 30%, iar Cp real este 2.0, Cp observat va fi
1.71.
– dacă un dispozitiv de producție nu a fost aprobat, dar este folosit și GRR este 60% (dar acest fapt nu este
cunoscut), Cp observat este 1.20., Cp real este 2,2 dar noi considerăm că procesul nu este capabil
-Grafic și tabel manual AIAG, Anexa B
9/9/2014 Efectele variaței SM asupra pieselor
146 Analiza sistemului de măsurare (MSA )

Probleme ale SM
Definiția operațională
•Piesa/ caracteristica de măsurat
•Criteriile de măsurare
•Ce decizii trebuie luate dacă nu sunt indeplinite criteriile

Standarde
•Standarde de referință
•Definirea instrumentelor de măsură și control și a apararturii auxiliare
necesare pentru efectuarea măsurătorilor
•Piesa etalon/ master – standardele pentru calibrare
•Standarde de lucru

9/9/2014
147 Analiza sistemului de măsurare (MSA )

Precizia
•Cea mai mica scală a unui instrument de măsură
•Regula de 10: 1
•Limitări fizice și economice
•O precizie insuficientă nu poate detecta modul în care variază procesul

9/9/2014
148 Analiza sistemului de măsurare (MSA )
Probleme ale SM

Cele două grafice au fost efectuate pentru același set de date, cu instrumente de
măsură cu precizii diferite (a – miime de inchi, b – sutime de inchi)
•Precizia inadecvată reiese din fișa amplitudinilor (MR sau SR)
•Limitări fizice și economice
•O precizie insuficientă nu poate detecta modul în care variază procesul
9/9/2014 149 Analiza sistemului de măsurare (MSA )
Probleme ale SM

• Repetabilitatea ,

Cauze posibile reproductibilitate
• Operatorul are nevoie să fie mai bine
instruit: modul în care utilizează și citește
instrumentul de măsură.
• Calibrările pe cadranul instrumentului nu
sunt clare
• Un dispozitiv de fixare sau ceva
asemănător este necesar pentru a ajuta
operatorul să folosească mai corect
instrumentul de măsură. Repetabilitate, reproductibilitate

Cauze posibile repetabilitate
Instrumentul de măsură necesită recalibrare si
mentenanță
Instrumentul trebuie reproiectat pentru a fi mai
rigid
Fixarea sau localizarea instrumentului trebuie
îmbunătățită.
Există o variație internă excesivă.
Meniul: temperatura, umiditate, .
vibrații, curățenie
9/9/2014 150 Analiza sistemului de măsurare (MSA )
Probleme ale SM

Linearitate

Nu presupuneți faptul că liniaritatea este constantă!!!!
Cauze posibile
Instrumentul de măsură necesită recalibrare și mentenanță
Instrumentul de măsură trebuie reproiectat pentru a fi mai rigid
Fixarea sau localizarea instrumentului trebuie îmbunătățită.
Există o variație internă excesivă.
Mediul: temperatură, umiditate, vibrații, curățenie

9/9/2014 151 Analiza sistemului de măsurare (MSA )
Probleme ale SM

2. Stat
•=> Quality Tools
•=>Gage study
•=> Gage study Study
(Crossed)
•=> OK 1. Analiza sursei variatiilor
Deschideti Minitab proiectul cu titlul MSA
Analiza sistemului de măsurare (MSA) Aplicatii
152

Variatie datorata
pieselor
Variatie totala Variatie datorata
repetabilitatii
Variatie datorata
reproductibilitatii 1. Interpretarea rezultatelor – Studiu GRR
Standard
deviation
Numărul
categoriilor
disctincte NDC : Un sistem de măsurare util și acceptabil trebuie să aibă cinci sau
mai multe categorii ; zece sau mai mult, reprezintă cazul ideal . (%) GRR :
•sub 10% – SM este OK
•între 10% și 30% –
poate fi acceptabil, în
funcție de aplicație
•peste 30% – SM
trebuie îmbunătățit.
GRR = 1,04%
153 Analiza sistemului de măsurare (MSA) Aplicatie

Part-to-Part Reprod Repeat Gage R&R100
50
0Percent% Contribution
% Study Var
10 9 8 7 6 5 4 3 2 110 9 8 7 6 5 4 3 2 110 9 8 7 6 5 4 3 2 10,10
0,05
0,00
piesaSample Range
_
R=0,0462UCL=0,1190
LCL=0A B C
10 9 8 7 6 5 4 3 2 110 9 8 7 6 5 4 3 2 110 9 8 7 6 5 4 3 2 14,2
3,9
3,6
piesaSample Mean
__
X=3,9245UCL=3,9718LCL=3,8772A B C10 9 8 7 6 5 4 3 2 14,4
4,0
3,6
piesa
C B A4,4
4,0
3,6
Operator
109876543214,2
3,9
3,6
piesaAverageA
B
COperatorGage name:
Date of study : Reported by :
Tolerance:
Misc:
Components of Variation
R Chart by Operator
Xbar Chart by OperatorMasuratori by piesa
Masuratori by Operator
piesa * Operator InteractionGage R&R (Xbar/R) for Masuratori1. Interpretarea rezultatelor – Studiu GRR
154 Analiza sistemului de măsurare (MSA) Aplicatie

2. Stat
•=> Quality Tools
•=>Gage study
•=> Gage Run Chart
•=> OK 2. Diagrame de control – Run Chart
Deschideti Minitab proiectul cu titlul MSA
155 Analiza sistemului de măsurare (MSA) Aplicatie

2. Diagrame de control – interpretare
4,25
4,00
3,75
3,50
4,25
4,00
3,75
3,501
OperatorMasuratoriMean2 3 4 5
6 7 8 9 10
MeanA
B
CO peratorGage name:
Date of study : Reported by :
Tolerance:
Misc:
Panel variable: piesaGage Run Chart of Masuratori by piesa, Operator
Într-un sistem de măsurare reprezintă o translatare a inregistrărilor pe X -bar datorată
operatorilor (de ex. avem ace iași distrubu ție, dar unul dintre operatori citește în mod
constant valori mai mici sau mai mari).
156 Analiza sistemului de măsurare (MSA) Aplicatie

Agenda cursului
1. Înțelegerea importan ței și impactului calității în organiza ții pe o piață competitiv ă
2.1 Introducere în Controlul statistic al proceselor
Tipuri de date,
Distributia normala
2.2 Stabilitatea proceselor
2.3 Studiul de capabilitate
2.4. Rela ția între caracteristicile produsului și parametri i procesului .
Introducere în Corela ție și Regresia liniar ă
3. Introducere în Analiza Sistemului de Masurare (MSA)
4. Indrumare pentru proiecte

157

Îndrumare pentru proiecte
x Subiect abordat în Instruire Proiecte optimizare
companie .
– Prezentare catre echipa
manageriala Managementul defines te
procesele de analizat:
caracteristicile produselor
și înregistrările din
procese conform
specificațiilor Colectare date si
Analiza sistemului de
masurare pentru
caracteristici
Pentru capabilit ățile cu
probleme, sunt identifi –
cați parametr ii critici de
proces (PCP)
Cât din variația caracteristicilor
se datorează PCC , care PCC are
cea mai mare influență și cum
se manifestă influența
Regresi e & Corela ție 2
3 4
PCC – Parametru Critic de Proces
158 SPC pentru PCC cu
cele mai slabe
valori (Cp, CpK) și
pentru parametrii
cheie aferenți. 5 1
Analiza Stabilitatii si a
Capabilit atii pentru
caracteristici

Metodologie DMAIC – vedere de ansamblu
D1Declarare
problemaM1Vocea clientului A1Solutie temporara I1Generare idei
pentru solutiiC1Standardizare
D2Domeniu de
aplicare proiectM2Stabilire aspecte
ale masurariiA2Identificare cauze
radacina potentialeI2Prioritizare solutii C2Planificare
instruire
D3Obiective proiect M3Validare sistem de
masurareA3Prioritizare cauze
radacinaI3Proiectare solutii C3Implementare
monitorizare
D4Constituire echipa M4Factori de
influentaA4Analiza grafica I4Validare solutii C4Raportul
proiectului
D5Identificare clienti
si parti interesateM5Planificare
masurareA5Analiza statistica I5Planificare
implementareC5Confirmare impact
economic
D6Planificare proiect M6Vizualizare
masurariA6Relatia cauza –
efectI6Masurare impact
imbunatatireC6Comunicare si
celebrare
D7Management risc M7Performanta
proces
D8Dosar proiect
D9Lansare proiectCONTROL DEFINIRE MASURARE ANALIZA IMBUNATATIRE


































160 Resurse utile ROLEM :
•Instrucțiunea de procedură
HIB508V01RB_Evaluare dezvoltare
produs / proces,
•Instrucțiunea de procedură
HIB505V03_ Caracteristici speciale
•Instrucțiunea de procedură
HIB505V02_ Plan de control
•Instrucțiunea de procedură
HIB703V06_ Controlul mijloacelor
de verificare și măsurare
•FMEA, Plan de control, PLP
•Instrucțiuni de lucru, instrucțiuni de
verificare
Îndrumare pentru proiecte