什么是统计过程控制?

统计过程控制 (SPC) 利用测量和控制质量的技术来监控制造过程。统计过程控制触发各种机器和仪器,提供从产品测量和过程读数中获得的质量数据。收集数据后,将对数据进行评估和监控,以控制该过程。

统计过程控制示例

统计过程控制是一种鼓励持续改进的简单方法。当过程得到持续监控和控制时,管理人员可以确保其充分发挥潜力,从而实现始终如一的高质量生产。

统计过程控制的概念已经存在有一段时间了。1924 年,贝尔实验室的员工威廉·A·休哈特设计了第一张控制图,并率先提出了统计控制的概念。这种质量控制过程在第二次世界大战期间广泛用于弹药和武器设施。统计过程控制在不影响安全性的前提下监控产品质量。

战后,美国对统计过程控制的使用放缓了,但被日本人所接受,他们将其应用于制造业,并在今天继续使用。1970 年代,美国重新使用统计过程控制来与日本的产品竞争。

如今,全球制造业广泛使用统计过程控制。

现代制造业公司必须应对不断波动的原材料价格和激烈的竞争。公司无法控制这些因素,但可以控制产品质量和过程。他们需要不断努力提高质量、效率和成本利润率,才能成为市场领导者。

对于大多数公司来说,检测仍然是检测质量问题的关键形式,但其有效性值得商榷。通过统计过程控制,组织可以从检测为主转变为预防为主。通过对过程性能的持续监控,操作员可以在性能受到影响之前发现不断变化的趋势或过程。

TIBCO 供应链神经系统
TIBCO 供应链神经系统
如何利用互联智能系统交付弹性供应链。

统计过程控制工具概述

统计过程控制中总共使用了 14 种质量控制工具,分为七种质量控制工具和七种补充工具:

质量控制工具

因果关系图

也称为石川图或鱼骨图。因果关系图用于确定问题的几种原因。创建后,这些图看起来像鱼骨,每个主骨骼都伸展成更小的分支,这些分支深入到每种原因中。

检查单

这些是简单易用的表单,可以收集然后进行分析。检查单特别适用于由同一个人或在同一位置反复观察并收集的数据。

直方图

直方图看起来像条形图,是表示频率分布的图形。它们是编号数据的理想选择。

帕累托图

这些是代表时间和金钱或频率和成本的条形图。帕累托图对于测量问题频率特别有用。它们展示了 80/20 帕累托原则:解决 20% 的过程将解决 80% 的问题。

散点图

也称为 X-Y 图。散点图与数值数据配对时效果最佳。

分层

这是一种分离数据的工具,可简化模式识别。分层是将对象、人员和相关数据分类到图层或特定组中的过程。它非常适合来自不同来源的数据。

控制图

这些是最早出现、最流行的统计处理工具。

补充工具

数据分层

与质量控制工具中的分层工具略有不同。

缺陷图

这些是可视化和跟踪产品缺陷的图,主要关注物理位置和缺陷。每个缺陷都会在图上标识。

事件日志

这些是记录关键软件和硬件事件的标准化记录。

过程流程图

过程流程图是过程中步骤的快照,按步骤发生的顺序显示。

进度中心

当需要做出决策时,进度中心是使企业能够监控进度和收集数据的集中位置。

随机化

随机化是利用机会将制造单位分配给治疗组。

样本量确定

此工具可确定需要包含在统计分析中的个人或事件的数量。

试用 TIBCO Data Science - 免费试用
试用 TIBCO Data Science - 免费试用
借助 TIBCO Data Science,在整个组织内实现机器学习的民主化、协作和运营。

统计过程控制的好处

统计过程控制具有一系列好处:

  • 减少浪费和保修索赔
  • 最大限度地提高制造单元的生产力
  • 提高运营效率
  • 减少了对人工检查的需求
  • 提高客户满意度
  • 控制成本
  • 改进了分析和报告

如何使用统计过程控制

与任何新过程一样,使用统计过程控制的第一步是评估制造业在哪些方面面临浪费或性能问题。这可能与产品返工、浪费整个产品系列或检查时间过长有关。首先将统计过程控制系统应用于这些故障区域,公司会受益匪浅。

统计过程控制并不总是与费用、时间或生产延迟等因素相关,具体取决于需求。在实施新过程时,跨职能团队将确定设计或过程中需要解决的关键方面。

这是在打印审阅或称为设计失效模式和影响分析 (DFMEA) 练习的过程中完成的。本练习的数据将在以下过程中收集和监控关键特征:

收集和记录数据

统计过程控制数据通过两种方式收集:第一种是对特定产品的测量,其次是过程仪表读数。

记录后,将使用几种控制图来跟踪这些数据,这些控制图特定于所收集的数据类型。要获得有用的信息,必须使用适当的图表。数据要么是连续变量,要么是属性数据。收集和记录数据可以是单个值,也可以是一组读数的平均值,具体取决于组织的需求。

对于单个值的可变数据,将使用移动极差控制图。如果数据记录在八个或更少的子组中,则使用 X-bar R 控制图。如果子组值大于八,则使用 X-bar S 控制图。

对于属性数据,A P 控制图用于记录一组部件中有多少缺陷部件。A U 控制图有助于记录每个特定零件的缺陷数量。

控制图:称为 X-bar 和 R 控制图。X-bar 是指变量 x 的 “均值”。极差控制图代表子组内的变化。这里的极差是指最高值和最低值之间的差值。

以下是构建 X-bar 和 R 控制图的步骤:

  1. 首先将样本数量指定为 “a”。常见的数字是 4 或 5,但样本必须低于 8。在此步骤中确定样品测量的频率。
  2. 开始收集初始样品组。经验法则是每组四个测量值中有 100 个测量值,得出 25 个数据点。
  3. 首先计算四个样本中每个样本的 25 组中每组的平均值。
  4. 接下来,以相同的方式计算四个测量样本中每个样本的极差。每个集合中的最高值和最低值之间的差值是极差。
  5. 下一步是计算平均值的平均值。这是用于 X-bar 的,由实线表示。
  6. 接下来,计算由中心线表示的 “R” 值平均值。
  7. 下一步是计算 X-bar 和 R 控制图的控制上限和下限。
  8. 掌握图表后,技术人员将继续测量几个样本,将这些值相加,然后计算平均值。这些值记录在 X-bar 图中。必须以固定的间隔记录样品测量值以及日期和时间,以跟踪过程的稳定性。如果出现任何独特的问题,则必须将其调整到流程中以保持稳定。

X-bar 和 R 控制图是用于监视和改进过程的控制图的一些示例。

分析数据

在分析过程中,只要没有特殊原因,控制图上记录的所有数据点都必须在控制范围内。常见原因导致数据点落在控制范围内,但特殊原因往往是异常值。要将流程归类为处于统计控制之下,任何图表上都不应有异常值。当过程处于控制之中时,将没有任何已确定的特殊原因,所有数据都将处于控制限之间。

但是,有一些常见原因变异的示例:

  • 材料特性的变化
  • 季节性相关的温度变化或湿度水平的变化
  • 机器或工具的定期磨损
  • 操作员相关设置的变化
  • 常规测量差异

特殊原因超出了权限控制范围,可能表明流程发生了巨大变化。这些变化可能包括以下内容:

  • 发生故障的控制器
  • 设备调整不正确
  • 测量系统的变化
  • 过程中的转变
  • 机器出现故障
  • 不属于设计规范范围的资源材料属性
  • 损坏的工具
  • 操作员缺乏经验

在使用统计过程控制图监控过程时,会不断验证所有数据点,以检查它们是否仍在控制范围内。任何变化或过程的突然变化都会得到密切关注。如果确定了特殊原因,则会采取必要的措施来确定原因。接下来就是进行纠正,让该过程恢复到统计控制状态。

除了这些变化之外,还有其他数据点变化属于控制范围之内,应进行调查:

  • 七个或更多数据点最终朝向工艺中心线一侧的循环
  • 通常的数据量发生了变化。这可能是几个数据点最终彼此靠近或相距甚远的地方
  • 当出现具有七个或更多数据点的新趋势时,会不断上升或下降
  • 数据散布的变化明显高于正常均值或低于正常均值

统计过程控制的缺点

与任何过程一样,统计过程控制也有一些缺点:

时间要求

虽然统计过程控制的重点是早期检测,但在制造模式下实施该系统可能需要很长时间。此外,监控和填写图表的过程非常耗时。由于该系统必须纳入现有框架,因此需要对人员进行培训,这需要时间。

成本考虑

统计过程控制也是一件代价很高的事情,它要求公司与服务提供商签订合同,并在培训资源和材料方面进行投资。

质量测量

统计过程控制的一个问题是,它会检测过程协议中何时存在不合格情况,但没有说明在这之前有多少产品可能存在缺陷。

统计过程控制的未来

通过稳定生产过程,组织可以减少生产力差异的数量,从而使消费者和公司都受益。消费者可以获得安全且经过良好测试的产品,而公司则可以通过降低生产成本以及因缺陷产品引起的任何尴尬而受益。

随着机器学习和人工智能的进步,统计过程控制的能力将会提高。这将为制造商带来更大的收益,增强竞争优势,并使客户满意。