SPC学习资料.ppt

StatisticalProcessControl统计工程管理 重要X选定 重要X管理 所有的X 一次变量List 选定List 测定 分析 改善 管理 SPC Define Measure Analyze Improve Control MinitabBasicStatisticsSPC计量 计数MSA GageR R CapabilityStudy Step4 ProjectY s的确认 Step5 确认现水准 把握 Step6 潜在原因变量 x s 发觉 DMAICRoadmap 目的 把管理度技法与DMAIC路径联系讨论不同形态的散布介绍多样的管理度类型讨论管理度解释 SPC的概要SPC的必要性Data收集及理解变动Data种类别制作管理图SPC应用的例管理图的应用方法Subgrouping计数型管理图特殊管理图与6Sigma关联性 目录 1 SPC的概要 SPC的历史 1924年Bell研究所 W A Shewhart创始 为了把握可管理的变动和不可管理的变动而使用 偶然要素 ChanceCause CommonCause 异常要素 AssignableCause SpecialCause 在所有噪音存在下找流程的异常信号 主要的工具使用管理图 ControlChart 今天的SPC的意义Statistical 为了调查流程变动使用的统计方法 Process 流程 意味着所有的流程 Control 通过积极的管理 管理流程 散布的要素 偶然要素 抓住 Noise 存在于所有的流程 流程被管理着 因流程本身 我们工作的方式 发生 可以消除或减少 但是为此 要求流程有根本的变化 异常要素 信号 Signal 存在于大部分的运转 流程 因管理不当而产生的散布 因一连串的异常变动引起 可以通过基本的流程管理和监控消除或减少 1 SPC的概要 SPC的用途 作为流程管理的工具 作为整理问题的工具 在Multi Varistudy查找input变量作为监控工具 根据时间流程查找output变量作为前后比较的工具 在Validationtesting倾向和管理脱离为了监控条件 查找核心机能和output 2 SPC的必要性 在分析data的过程中使用错误的管理图是增加费用荒废努力 打消士气的捷径 问题症状 Process 不安定性 Instability 变动 Variation 脱离目标 Off target 问题整理 Y 诊断问题的症状 2 SPC的必要性 解决问题从哪里开始 2 SPC的必要性 漏斗效应 FunnelingEffect SPC除了作为管理工具 还有测定 分析 改善流程的作用 重要X选定 重要X管理 所有的X 一次变量List 选定List 测定 分析 改善 管理 SPC 2 SPC的必要性 确认现水准 把握 3 Data收集及变动的理解 树立Y的Data收集计划 确保与Y有关的测定系统的能力 收集Data及分析现水准 确定Y的改善目标 产出物 Y的现水准 Y的改善目标 Data的种类 母Data Randomsampling SampleData 计量 连续分布 计数 离散分布 Data收集 3 Data收集及变动的理解 Data收集 3 Data收集及变动的理解 母集团含有相关特性的已制造的或欲制造的个体的集团真正掌握母集团的每个变数是不可能的 所有SONATA汽车的安全气囊箱的平均宽度 所有股民 Sample统计调查中实际测量的个体的集团Sample一般是作为调查对象的母集团的部分集团 今天制造的安全气囊箱的平均宽度 针对100名股民的文件调查 母集团的母数 母集团的平均 母集团标准偏差 Sample统计量 X Sample平均s Sample标准偏差 母集团 Sample Data的收集 中心倾向性的测定 中心的位置 3 Data收集及变动的理解 算术平均 m X 所有数据之和除以数据个数的值 使用每个数据的值 受极端值的影响较多中央值 Median 数据按大小排列时 位于中间的值受极端值的影响较小最频值 Mode 一连串数据中发生频率最大的值 Data收集 散布的大小 范围在一批data中用数值表示的最大值与最小值之间的差距分散 s2 s2 从平均到个别data点的偏差平方值的平均 标准偏差 s s 分散的平方根 用于散布计数化的最普遍的测定法IQR InterQuartileRange 第3分位值与第1分位值的差 3 Data收集及变动的理解 流程的安定性 Stability 对于制造来说能够预测是最重要的 为此工程应该安定 A的平均不会随时间变化 因为能够预测散布 是安定的被管理的流程 B有管理脱离点 所以是不可预测的不安定的流程 Stability是与散布的高低 的问题 变动的理解 A B 3 Data收集及变动的理解 流程的散布 1 受控散布 ControlledVariation Noise 经过一段时间也会呈现出安定的散布状态 与偶然因素 Commoncauses 有关 为了减少散布 流程的根本变化很有必要 例 不是因为工程本身 而是因为一些必然原因发生 在已定的原材料 设备 作业标准等的允许范围内变动2 非受控散布 UncontrolledVariation Signal 散布随时间变化且不可预测 与异常要素 Specialcauses 有关联 散布需要通过流程管理 monitoring等迅速解决 例 工程本身的问题即因为机械磨损 设备故障 原材料不良 标准作业不足等原因发生 必须消除 由于异常要素引起的不良一般都是lot性不良 3 Data收集及变动的理解 变动的理解 变动的理解 在工程中散布的允许水准 传统观点 下列情况可以允许散布 流程位于目标位置总散布比spec 少流程经过一段时间也会呈现出安定的状态最新观点 在管理规格内 离target越远 从target的距离平方成比例品质费用会增大 Taguchilossfunction Cost LSL USL Nom USL 可容纳的水准 Cost LSL USL Nom 传统观点 最新观点 3 Data收集及变动的理解 变动的理解 流程散布的特征 所有的流程由因果关系联系的Process构成 散布要生产产品或服务时流程统一意味着不做出一定的结果 所有的流程都存在散布 Input变量 Process变量的异常变动引起Y变量的变动 Data的散布确认通过Runchart或I管理图实现 3 Data收集及变动的理解 变动的理解 根据Data类型的管理图的选择 计量型管理图Individual XandMovingRangeChartX Bar RChart计数型管理图np Chartp Chartc Chartu Chart 3 Data收集及变动的理解 变动的理解 正常模型的变动 各点的移动安定 均衡 而且找不到非正常移动的情况 Xbar管理图 工程平均没有变化 品质特性数值接近平均 R管理图 工程均匀维持 即作业者间的技术统一且机械性能统一 3 Data收集及变动的理解 以Run chart的P Value大小来判断 4个Type 变动的理解 有异常模型的变动 混合 mixture 各点几乎不在中心线附近 都在或高或低的水准上下起伏 呈现出锯齿形状的模型 混合的原因 Xbar管理图 材料 作业者 实验器具等的差异 自动控制的故障 工程过于频繁的调整 R管理图 两种以上的材料 检查机构 不当的整备日程 3 Data收集及变动的理解 变动的理解 特异的pattern的变动 群集 clustering 有相似数值的几个点聚集在一起的现象 群集的原因 Xbar管理图 实验器具或测定装置的刻度调整边境 分布的临时变动 检查人员的交替 R管理图 分布的混合 部分Data的突出变化 3 Data收集及变动的理解 变动的理解 有异常pattern的变动 振动 oscillation 交接班 Data的规则分类等 振动的原因 各点的移动有规律地变动的模型的现象 3 Data收集及变动的理解 变动的理解 特异的pattern的变动 倾向 trends 3 Data收集及变动的理解 变动的理解 变动原因的种类 偶然原因和异常原因 现象 构成 性格 占有率 改善活动 担当者 多数的次要原因 稳定的 可能预测 全体的 85 左右 系统化的改善活动 6 sigma Project 工程师 少数的 主要 原因 发散的 不可 预测 全体的 15 左右 现场 管理 及 实践课题 现场负责人 及 作业者 区分 偶然原因 异常原因 3 Data收集及变动的理解 在所有的资料类似的现象 在部分资料中与平时不一样的现象 4 Data制作种类别管理图 计数 AttributeData 是 不是良好 不良营业所1 2 3交代所1 2 3组可以数的 文书中的错误的数 选定的商品数等 计量值 VariableData 连续Data 小数点以下的数值也有意义 时间 秒 速度 ft min 长度 inches 等等 TypesofData 计数 计量 1 工厂制造的洗衣机的RPM 2 生产的产品的平均RPM 3 的印刷缺陷数 4 每销售和约中的误打数 5 月产量中的超过规格的产品数 6 月产量中超过规格的产品 7 清算销售债权所需的时间 8 每100个产品中有缺陷的产品数 4 Data制作种类别管理图 管理图类型概论 计量型管理图Individual XandMovingRangeChartX Bar RChart计数型管理图np Chartp Chartc Chartu Chart 4 Data制作种类别管理图 Discrete Variable WhatTypeOfData DataCollectedInGroupsorIndividuals CountingSpecificDefectsorDefectiveItems GROUPS Averages n 1 INDIVIDUALVALUES n 1 X BarRX BarS IndividualsMovingRange SpecificTypesOf Defects DefectiveItems IsTheProbabilityOfADefectLow IfYouKnowHowManyAreBad DoYouKnowHowManyAreGood PoissonDistribution BinomialDistribution IndividualsMovingRange NO YES YES AreaofOpportunityConstantInEachSampleSize YES NO cChart uChart ConstantSampleSize npChart NO YES pChart ControlChartRoadmap NOTE X BarSisappropriateforsubgroupsizes n of 10 4 Data制作种类别管理图 特定不良时 不良项目时 泊松分布 二项分布 不良概率低吗 概率低时 应该使用什么样的管理图 1 工厂制造的洗衣机的RPM 2 生产的产品的平均RPM 3 的印刷缺陷数 4 每销售和约中的误打数 5 月产量中的超过规格的产品数 6 月产量中超过规格的产品 7 清算销售债权所需的时间 8 每100个产品中有缺陷的产品数 4 Data制作种类别管理图 5 SPC应用事例 问题1 在下面的 中发现了什么问题 A 不安定和散布B 不安定和off targetC 散布和off targetD 不安定 散布和off target X 4 995 UCL 4 995 0 012 LCL 4 995 0 012 ProductSpecification 5 000 0 010 问题2 分析工程的结果导出了下列C1 C4问题 各个问题是各自独立的 各位会最先解决哪个问题 A C1B C3C C4D C1orC3 1011912121325121313ParetoC1463655744650C2213104322220C33424641255550C4101110312010 c 11 UCL 20 9 LCL 0 5 SPC应用事例 问题3 保尔是有名的最优秀的驾驶员之一 有一天 他在工作时间喝了6pack的啤酒 喝完之后他说还能沿着一条直线驾驶卡车 于是同事们就要求他证明给他们看 直观SPC 事例研究 5 SPC应用事例 证明他确实沿着一条直线驾驶是一件困难的事情 这时有人想起他的卡车一向漏油 为了看他能否沿着一条直线驾驶 到公路行使了1英里左右 调查了公路上漏油的痕迹 5 SPC应用事例 由你做出决定 保尔的驾驶路径是一条直线吗 请看从高处往下看的 Birds eyeView 公路的形象 5 SPC应用事例 如果卡车是静止的 油会滴到同一个点上吗 想想下一步 油会如何滴下来 5 SPC应用事例 变动的原因 自然的 油滴间的变动 5 SPC应用事例 如果有办法把因为保尔的驾驶引起的变动与 因为油滴间的变动分离的方法 会不会有所帮助呢 由你做出决定 保尔的驾驶路径是一条直线吗 5 SPC应用事例 自然的 油滴间的变动 变动的原因 管理图理论 ControlChartTheory 是利用因为自然的偶然因素引起的变动 作为把握由于保尔驾驶引起的变动的方法 SPC理论 5 SPC应用事例 为了制定流程的基准性能 baseline 形成了对 偶然要素 引起的变动的研究 在这种情况下 我们认为 油滴间变动 是偶然要素 以基准性能 现在的水准 为基础 设定data的包含99 7 的流程持续警戒范围 我们把这个警戒叫做管理限界 上限及下限 UCL LCL 在这个限界外分布的data点被认为是因异常要素造成的 异常状态 SPC理论 5 SPC应用事例 理论 管理限界周围的data分布状态提供可能存在异常状态的情报 出现其他变动要因 UCL LCL 5 SPC应用事例 油滴间的变动 UCL LCL 油滴间的变动 风 UCL LCL 油滴间的变动 风 驾驶技能变动 UCL LCL 5 SPC应用事例 UCL LCL 没有对卡车移动路径 中心值变动 centering 的变化 的统计证据 Data点的 在中心线上下的分布 wiggling 是因为噪音 由你做出决定 保尔的驾驶路径是一条直线吗 5 SPC应用事例 问题4 ScrapLevel JFMA 1996 1997 party举行 某工厂的scrap量达到了本年度最低2 经理褒奖了那家工厂 在食堂举行宴会 所有的劳动者都有吃到了比萨和糖果 大家可以为自己的成就感到自豪 19964月 3 2 1 5 SPC应用事例 JFMAMJJ 1996 1997 经理希望把奖品拿回来 scrap量连续3个月持续增加 经理很想把奖品拿回来 对成果的认可反而带来了反面效果 实现的的成果 改善 没有维持下去 scrap量从新增加了 于是经理做出了这样的决定 这个集团需要强力的管理方式 ScrapLevel 1996年6月 3 2 1 5 SPC应用事例 JFMAMJJASOND 1996 1997 中断 温柔的管理方式 Scrap量增加到了2 6 于是经理决定采取措施 为了确实解决这个问题召开了 特别会议 强调完Scrap的重要性后经理便离开了 但是员工们都不知道应该做些什么 而且 除此之外他们还有需要改善的重要指标 所以他们没有采取任何为了减少scrap量的措施 ScrapLevel 1996年11月 3 2 1 5 SPC应用事例 经理了解到从去年年末开始 scrap量在减少 情况正在好转 实际上没有为变化系统采取任何措施 经理的结论 强力的管理方式能带来好的结果 经理的结论 强力的管理和经营方式能促进工作 JFMAMJJASOND 1996 1997 JFMAMJ ScrapLevel 1997年6月 3 2 1 5 SPC应用事例 JFMAMJJASOND 1996 1997 UCL JFMMJJASO LCL ScrapLevel 3 2 1 SPC导出了不同的结论 5 SPC应用事例 经理 我是根据data做出决定的 但是我怎么可能错了呢 BlackBelt 你的决定是看到了高点和低点做出的 但是 实际上是因为噪音造成的 观察data 在流程上没有大的变化 JFMMJJASO ScrapLevel JFMAMJJASOND 1996 1997 UCL LCL 3 2 1 SPC导出了不同的结论 但是理由是什么 5 SPC应用事例 制作了以x轴为时间的曲线 监控的特性 UCL 中心线 LCL UCL UpperControlLimit 管理上限 LCL LowerControlLimit 管理下限 PlottedData 主要要素管理图 6 管理图应用方法 我们要使用的规则是 规则 1 有一个data点在UCL LCL 3 sigma限界 外部规则 2 在连续的3个data点中有2个存在于2 sigma限界线外部 规则 3 在连续的5个data点中有4个存在于1 sigma限界线外部 规则 4 在中心线一侧有8个连续的data点pattern的规则 pattern重复 违反管理图规则时 叫做 脱离管理限度 这种情况意味着出现了异常情况 非日常的事情 请确认是什么事情 管理图规则 6 管理图应用方法 通常规则 1 规则 1和pattern作为检出规则开始 2 要求高感度 highsensitivity 利用 2 3 4 我们要使用的规则 规则 1 有一个data点UCL LCL 3 sigma限界 在外部规则 2 在连续的3个data点中有2个存在于2 sigma限界线外部 规则 3 在连续的5个data点中有4个存在于1 sigma限界线外部 规则 4 在中心线一侧有8个连续的data点pattern的规则 pattern重复 把握管理不足 6 管理图应用方法 UCL LCL 1Sigma ZoneC 2Sigma ZoneB 3Sigma ZoneA 1Sigma ZoneC 2Sigma ZoneB 3Sigma ZoneA 时间 我们测定的项目 应用规则 6 管理图应用方法 统计规则 1 s 60 75 2 s 90 98 3 s 99 99 9 data点的X 存在与范围内 标准偏差 标准偏差的规则 6 管理图应用方法 1Sigma 2Sigma 3Sigma 1Sigma 2Sigma 3Sigma 60 75 90 98 99 99 9 data点 UCL LCL 时间 我们测定的项目 标准偏差的规则 6 管理图应用方法 UCL LCL 1Sigma 2Sigma 3Sigma 1Sigma 2Sigma 3Sigma 违反规则 1的data分布在哪里 发现 不遵守规则的data点的几率是多少 规则 1 有一个data在3 sigma限界外部 6 管理图应用方法 UCL LCL 1Sigma 2Sigma 3Sigma 1Sigma 2Sigma 3Sigma 违反规则 2的data分布在哪里 发现 不遵守规则的data点的几率是多少 规则 2 在连续的3个data点中有2个存在于2 sigma限界线外部 6 管理图应用方法 UCL LCL 1Sigma 2Sigma 3Sigma 1Sigma 2Sigma 3Sigma 违反规则 3的data分布在哪里 发现 不遵守规则的data点的几率是多少 规则 3 在连续的5个data点中有4个存在于1 sigma限界线外部 6 管理图应用方法 UCL LCL 1Sigma 2Sigma 3Sigma 1Sigma 2Sigma 3Sigma 违反规则 4的data分布在哪里 发现 不遵守规则的data点的几率是多少 规则 4 在中心线一侧有8个连续的data点 6 管理图应用方法 6 管理图应用方法 是管理状态 还是脱离管理 脱离管理状态 如果是脱离管理 违反了哪个规则 或者存在什么样的条件 违反了规则1 有一个点在3 外部 6 管理图应用方法 是管理状态 还是脱离管理 如果是脱离管理 违反了哪个规则 或者存在什么样的条件 6 管理图应用方法 是管理状态 还是脱离管理 如果是脱离管理 违反了哪个规则 或者存在什么样的条件 6 管理图应用方法 是管理状态 还是脱离管理 如果是脱离管理 违反了哪个规则 或者存在什么样的条件 6 管理图应用方法 管理上限 UCL管理下限 LCL 根据你到目前为止的经验判断 整个data的多少 存在于管理上限和管理下限之间 UCL LCL TIME UCL与LCL 可以容忍违反规则和发现模型吗 规则与pattem 6 管理图应用方法 管理上限 UCL管理下限 LCL 规格上限 USL规格下限 LSL 有一个data在管理上限或管理下限外部 意味着不良品传达到顾客手中 UCL LCL TIME UCL与LCLvs USL与LSL 6 管理图应用方法 管理上限 UCL管理下限 LCL 规格上限 USL规格下限 LSL 下面的流程会造成不良吗 UCL LCL TIME USL LSL 6 管理图应用方法 管理上限 UCL管理下限 LCL 规格上限 USL规格下限 LSL 下面的流程会造成不良吗 UCL LCL TIME USL LSL 6 管理图应用方法 1 在管理图上写入规格限界 2 把UCL与LCL当作规格限界 如果你把上述的管理图单纯看成检查工具 那么它已经不是管理图了 UCL LCL与顾客的不良没有直接关系 对管理图的两大误解 理解我们的流程能够满足顾客要求事项的程度是很重要的 但是 为了决定这个程度 我们还要做研究工程能力的其他分析 6 管理图应用方法 7 Subgrouping X管理图vsX管理图 差异分析 1 5 10 0 10 20 30 40 50 60 CentralLimitTheorem的应用 中心限定理 分成合理的样本群 为了得到正确的答案 通过管理图整理data的方法选定内部样本统一 在同一个母集团 的样本群 在样本群内散布的最小化 通过样本群内散布的最小化 我们能很容易知道样本群之间的散布和异常原因事件 对流程平均受影响的原因采取某种措施时 这样的要素不应该包含在样本群之内 如果data没有被整理成合理的样本群 管理图只能做壁纸 DonaldWheeler 7 Subgrouping 划分潜在样本群的战略根据作业根据部属根据机器根据顾客根据供给者根据原材料类型根据日期根据地域 打算学什么 7 Subgrouping 例题 PeanutButter 测定包装重量计划I 测定4个坛子的15样本群 每天选择2个样本群 从各个机器选择一个 形成4 的各自的样本群 计划II 4 28 每天选择3个样本群 A 4units B 1 A B C D A B C D 7 Subgrouping PeanutButterFillWeight 样本群计划I 7 Subgrouping 哪个流程 计划 好 样本群计划Ivs 计划II 这个图表要表现的是什么 PeanutButter制作样本群计划I 7 Subgrouping PeanutButterFillWeight 制作样本群计划II 7 Subgrouping 这个图表要表现的是什么 PeanutButter制作样本群计划II 7 Subgrouping 制作样本群计划II 日别 平均比较 日别散布没有重要的差异 7 Subgrouping 制作样本群计划II 机器别 平均比较 四种机器不能做出有一样平均的FillWeight 7 Subgrouping 区分ST ShortTerm vs LT LongTerm 1 管理图样本群內样本群间 ControlChart WithinSubgroup BetweenSubgroups R ChartXbar ChartMR ChartIndividual Chart2 研究工程能力Capability Cp CpkPerformance Pp Ppk CapabilityStudy 潜在的 Potential 实际的 Actual 3 计测信赖性反复性再现性 MSA Repeatability Reproducibility 4 实验计划法反复再现 Experimental Repetition Replication Design 模块內模块间 WithinBlock BetweenBlocks 5 分散分析群内散布群间散布 ANOVA WithinVariation BetweenVariation SSE ErrorSumofSquare SSA SSB factorSumofSquare 6 推论领域窄的推论领域宽的推论领域 InferentialSpace NarrowInferenceSpace BroadInferenceSpace 7 Subgrouping 8 计数型管理图 以不良品或缺陷的数量为基础适用于能收集资料的所有领域适用于不能做出计量型data 测定困难或费用较高的 比如品质特性等领域与计量型管理图不同 计数型管理图适合描述一个或多个品质特性 但是 通合不同的要素时要注意 有可能误会 缺陷vs 不良品 不良是指在样本内与标准有一个或一个以上的不一致产品缺陷是指不符和标准的各种要素 8 计数型管理图 计数型管理图的类型 不良np把不合格的unit数量图表化p把不合格的unit比率图表化缺陷c把缺陷数图表化u把每个 检查单位 的缺陷数图表化 8 计数型管理图 计数型管理图的战略 为了流程的改善做持续的努力 管理图的中心线下方8个以上的data点渐进式的改善对计数型管理图很重要 每个计数型管理图都要有数据收集表 为了分类缺陷要使用Pareto分析 在众多不重要的data中分离出少数重要的data 8 计数型管理图 BinomialDistribution 2项式分布 贝努利试行是指试行一次时的成功概率 这时假设反复了n次贝努利试行 即 假设在各个实行中成功的概率总是p 实行独立反复n次 这时可能对n次实行中的成功次数感兴趣 例如 可能对抛掷10次硬币时正面朝上的次数 检查100个同样产品出现的不良品数感兴趣 这时 可以说跟着2项式分布 2项式分布的概率密度函数 2项式分布的性质 计数型管理图 不良 np pchart 假设单位空间或单位时间内发生的事件数是概率变量X那么X会是泊松分布 在2项式分布中实行次数 n 大 成功概率 p 极小是2项式分布将出现矛盾 归明这种观点的学者是泊松 我们把这样的标本大而可能性极小的情况下发生的事件当作概率变量X 那么概率变量可以用下列式定义 泊松分布的概率密度函数 泊松分布的性质 日常生活中分布的例特定城市的一周间因交通事故死亡的认数 在大企业从交换台每小时打来的电话数量 实验发射的人工卫星运行轨道一周时冲撞的陨石数量 制造中的不良品数 PoissonDistribution 2项式分布 计数型管理图 缺陷 c uchart 管理图类型概论 计量型管理图Individual XandMovingRangeChartX Bar RChart计数型管理图np Chartp Chartc Chartu Chart 8 计数型管理图 是监控不良品的最单纯的形态标本的规模要统一用曲线图表示每样本的不良品数量中心线管理限界线 Subgroupsize 60 No ofSubgroup 3 Realdata 1 60 2 60 3 60 TotalDefects 6 np Chart 8 计数型管理图 np 不良品数 k 样本群数 2543365075412363844464237 每周不良件数 时间 Minitab例题 npCharts例题 假设我们观察每周62件工资支付单中发生的不良件数 参照worksheetnpChart 8 计数型管理图 能把握管理限界线的特别的点吗 8 计数型管理图 管理图类型概论 计量型管理图Individual XandMovingRangeChartX Bar RChart计数型管理图np Chartp Chartc Chartu Chart 8 计数型管理图 用曲线图表现不良时使用可以在标本的规模一定或变化的情况下使用以2项式分布为基础可以用曲线图表现不良的数量和不良率中心线 np 不良品的数量n 样本群内标本的规模 管理限界线 pChart 8 计数型管理图 pChart 变更样本的规模 随着样本的规模变化管理限界线的宽度也会变化为什么 因为sigma与样本的规模成逆函数的关系时随着样本的规模扩大p周围的管理限界领域变窄解释已完成的管理图多少有些困难图表的制作需要很多手工作业 8 计数型管理图 违背了什么规则 8 计数型管理图 管理图概论 计量型管理图Individual XandMovingRangeChartX Bar RChart计数型管理图np Chartp Chartc Chartu Chart 8 计数型管理图 Poisson分布图 适用于评价一定类型的缺陷要自问 数清符合规格的部品是几乎不可能的吗 有没有最大值 真的是无限数吗 C Ucharts是以这样的分布为基础的需要满足的假设 出现这样事件的情况 很少 各个事件是对立发生的一个事件发生的可能性与检查单位成比例 机会的领域 8 计数型管理图 cControlChart 监控缺陷的最简单的方法以Poisson分布图为基础样本需要一定的规模把各个样本的检查对象单位别缺陷数制作成图表中心线 c 缺陷的数量 k 样本群的数量 管理限界线 8 计数型管理图 915118171151113710124372336279158 没有灌满的瓶子 时间 Minitab例题 cCharts例题 假设有表现对每船运份额所有瓶的肉眼检查的 分额的规模是2000瓶 worksheetCChart Data表现没有灌满的瓶数 8 计数型管理图 通过这个曲线图 对流程的了解是 8 计数型管理图 管理图类型概论 计量型管理图Individual XandMovingRangeChartX Bar RChart计数型管理图np Chartp Chartc Chartu Chart 8 计数型管理图 u Chart 为监控缺陷使用样本的规模可以是一定的 也可以是变化的中心线 c 缺陷数量 n 集团内样本规模的数量 管理限界线 8 计数型管理图 8171815239196141713151622 Time 在8个单位中发现的缺陷数量 缺陷的比率 1 02 12 31 92 91 12 4 81 82 11 61 922 8 Minitab例题 uChart例题 在船运码头实施检查所得出的一组数据 参照worksheetuChart 每天有8个单位被选定为损伤样本 8 计数型管理图 通过这个管理图 对流程的了解是 8 计数型管理图 9 特殊管理图 把现在和过去的data情报都呈现出来 可能感知到小的变动 用manual难以制成 通过计算机的自动化制作时可能 主要在装置产业使用 特殊管理图种类 CUSUMMA EWMAZone 会难吗 累积现在的data和过去的data所得的值为基础判断工程的方法 工程变化缓慢进行时可能敏感感知 所有的样本群的大小要一样 CUSUM CumulativeSum 管理图概要 累积和 Sm CumulativeSumup 0 目标值 敏感的管理图 9 特殊管理图 把累积和制作成图表 检查出变化利用于装置产业样本的大小n 1最有效率CUSUM管理图形态 One sidedCUSUM例 9 特殊管理图 例题 如下在工程求得了data 填空后用测定值画出Xbar管理图进行比较 12 1 0 6 0 613 40 70 112 3 0 4 0 312 5 0 2 0 512 2 0 5 1 012 1 0 6 1 612 70 0 1 611 9 0 8 2 412 3 0 4 2 811 4 1 3 4 1 13 10 4 3 714 41 7 2 013 30 6 1 413 40 7 0 713 20 5 0 213 10 40 213 71 01 212 3 0 40 813 40 71 512 5 0 21 3 12345678910 11121314151617181920 测定值 测定值 样本 样本 但 工程的目标值是12 7 9 特殊管理图 Xbar 累积和 Sm 管理图比较 Shewhart管理图 2 以上移动的情况下感知异常状态CUSUM管理图 即使0 5 1 5 移动比Shewhart管理图两倍敏感感知工程管理更有效率 哇 看到差异了 9 特殊管理图 例题 CUSUM管理图 mtw 如下用同样的资料制作CUSUM管理图 CUSUM管理图的data有可能是个别观测值或样本群data 阶段1 在Worksheet输入data 样本群data Singlecolumn 或 Subgroupsacrossrowsof 都有可能 而且样本群的大小要相同 9 特殊管理图 阶段3 结果 One sideCUSUM 从4到10的样本群脱离管理限界线的情况 可以知道工程有小的移动 工程中小的移动 感知向上的变动 0作为最小值 感知向下的变动 0作为最小值 9 特殊管理图 检出率的比较 X barR管理图适用时Stat ControlCharts XbarR 9 特殊管理图 MA MovingAverage 管理图概要 各个样本群 收集个别data后计算移动平均后把所得的值制作成图表的方法1985年以Montgomery介绍 与Xbar管理图一起使用更有效率 移动平均长度越长敏感度增加 MA不赋予加重值 自动测定特性值 或单位时间长的产品的情况 9 特殊管理图 MA管理图的管理限界线 如果从k始点样本大小有n个标本输出 假设样本平均是 在始点k w个样本群的移动平均是 Mk的分散 9 特殊管理图 是管理图的中心值 假设k w管理限界线是 对开始几个样本k w 移动平均是 k 1 2 w 1 管理限界线如下 9 特殊管理图 阶段3 结果 MovingAverage 9 特殊管理图 EWMA ExponentiallyWeightedMovingAverage 管理图概要 各样本群 收集个别data后计算移动平均 使用给data加重值管理办法管理的的管理图的 指数加重移动平均管理图 在MA为计算移动平均给w个标本平均1 w的加重值 以前的所有标本平均的值加重为0EWMA的情况给最近的测定值更大的加重值加重最近的测定值 使对工程的变化更敏感 能更快地感知工程的变化与x bar管理图一起使用会更有效率 也叫做几何移动平均 GMA GeometricMovingAverage 9 特殊管理图 EWMA管理图的管理限界线 k始点的观测值的指数加重移动平均 是0与1之间的常数Z0 如果是独立的 分散是 2 n Zk的分散是 9 特殊管理图 随着k的增加Zk的分散如下收敛 随着样本群k增大到某种程度如下算出管理限界线 1的情况x bar管理图的同一 值越小可以更快感知工程的平均移动 9 特殊管理图 阶段3 结果 危险 倾向发生 9 特殊管理图 EWMA CUSUM与Xbar的比较 9 特殊管理图 ZONE管理图概要 把Xbar 或Individuals 管理图和CUSUM管理图混合起来制作的管理图比Xbar 或Individuals 简洁将离中心线为1 2 3SIMGA的 zones 表示累积分数异常状态判断简单累积点数8 default 以上时判定为异常状态没有必要认识Shewhart管理图的non randompattern 为了给特定流程提供必要的敏感度 可以修改加重值的赋予标准 9 特殊管理图 ZONEScore 观测值和样本群的平均 根据它们离中心线的距离分类 9 特殊管理图 应用事例3 Minitab的利用 用下列资料制作ZONE管理图 文件名 ZONE管理图 mtw 阶段1 在Worksheet输入data 有可能是data观测值或样本群data 样本群data有可能是 Singlecolumn或 Subgroupsacrossrowsof 但是万一样本群的大小不同一 就要用 Singlecolumn 构成data 生成表示样本群的Subscriptcolumn 9 特殊管理图 阶段3 结果 处于下一个点截断中心线时累积点数从零开始 2 4 6 0 4 4 样本群6与10的累积点数是8以上 可以找到异常值 圆圈里的数值是各个样本群或个别观测值的累积点数 大于等于8是工程异常 异常发生后 从新开始Zone管理图上的累积点数 没有必要用望远镜看吧 9 特殊管理图 SHAWHART管理图与ZONE管理图比较 在Zone4累计分数超过8分时在Zone3第一 第二点的累计分数超过8分时在Zone2有三个以上的点累积点数超过8点时 脱离管理限界的点 test1中心线的一侧偏离2sigma时 test5有几个点脱离中心线的一侧1sigma时 test6 ZONE管理图 Shawhart管理图 9 特殊管理图 为更有效地使用管理图必要的是 管理必须建立并维持采取适当措施的环境 保持管理图上收集的信息 管理图只在通过改善给顾客和企业带来好处的主要流程中实行 在流程当中收集的data通过有能力的测定系统 管理图程序失败的最大的原因管理图充斥系统 然而对数据却不采取措施 10 与6Sigma的关联性 管理图 样本和100 的检查 管理图抽样是理解流程的最简单 有效率的方法 为消除异常原因采取措施 安定化流程 对工程能力进行验证后 可以省去100 的检查 10 与6Sigma的关联性 ADJUSTPROCESS CLEARSIGNAL PROCESS MONITOROUTPUT PERMENENTLYCORRENTPROCESS INVESTIGATEANDSOLVEPROBLEM CONTINUEMONITORINGPROCESS UNCLEAR SIGNAL ON LINE OFF LINE SPC On LineSPC Off LineSPC Monitor Monitor Monitor Monitor Solve Implement Monitor Solve Implement 10 与6Sigma的关联性 SPCasanon linecontrol Input Output Process SPCasaon linecontrol ispossibleonlywhen summationofsix timeelements equalszero Measure Summarize Plot Statistical interpretation Physical interpretation Physical action 10 与6Sigma的关联性 Implementation StatisticalSolution S O P AUDIT SPC PRODUCT VARIABLE SPC PROCESS VARIABLE AUTOMATIC WARNING SIGNAL WARNING GETTING LOUDER AUTOMATIC PROCESS SHUT OFF MECHANIZED SOLUTION TALKTO YOUR CREATIVE MIND Optionstoconsider PERMANENCY SPC对解决对策的作用 PermanentSolution 10 与6Sigma关联性 6s 因果关系 SPC属于哪里 10 与6Sigma关联性 OurSurvival我们的生存依赖于企业的生存与发展 BusinessGrowth企业的成长左右于顾客是否满足 CustomerSatisfaction顾客的满意决定于品质 价格 交货期 服务等 Quali