- •Лекция № 10 (2 ч) основы контрольных карт шухарта. Типы контрольных карт
- •10.1 Основы контрольных карт Шухарта
- •10.2 Типы контрольных карт Шухарта
- •Лекция № 11 (2 ч) предварительные замечания перед введением контрольных карт шухарта по количественному признаку
- •11.1 Выбор показателей качества
- •11.2 Анализ процесса производства
- •11.3 Выбор рациональных подгрупп
- •11.4 Метод управления и интерпретации контрольных карт для количественных данных
- •Лекция № 12 (2 ч)
- •12.1 Построение контрольной карты средних и размахов
- •2 Чтение контрольной карты средних и размахов
- •Лекция № 13 (2 ч)
- •13.1 Применение и построение контрольных карт индивидуальных значений, индивидуальных значений и скользящих размахов
- •13.2 Применение и построение контрольной карты среднего и выборочного стандартного отклонения
- •13.3 Применение и построение контрольных карт медиан, медиан и размахов, медиан и выборочных стандартных отклонений
- •Лекция № 14 (2 ч)
- •14.1 Применение и построение контрольной карты доли дефектов (р-карта)
- •14.2 Применение и построение контрольной карты числа дефектов (np-карта)
- •14.3 Применение и построение контрольной карты числа несоответствий (с- карты)
- •14.4 Применение и построение контрольной карты числа несоответствий на единицу продукции (и-карты)
- •Лекция № 15 (2 ч) статистическое регулирование технологических процессов. Общие положения
- •15.1 Задача статистического регулирования технологических процессов
- •15.2 Требования к технологическому процессу. Уровень несоответствий
- •Лекция № 16 (4 ч) статистическое регулирование технологических процессов с помощью контрольных карт
- •16.1 Предварительный анализ состояния технологического процесса
- •16.2 Проверка статистических гипотез для задачи статистического регулирования процессов
- •16.3 Виды контрольных карт, применяемые для статистического регулирования технологических процессов
- •Лекция № 17 (4 ч) применение контрольных карт шухарта для анализа технологических процессов
- •17.1 Применение контрольных карт Шухарта и выводы по ним
- •17.2 Статистическое регулирование технологических процессов методом кумулятивных сумм
- •Лекция № 18 (2 ч) анализ процессов с помощью показателей возможностей
- •18.1 Назначение показателей возможностей
- •18.2 Оценка стабильности процесса
- •18.3 Расчет показателей возможностей процессов
- •Лекция № 19 (2 ч)
- •19.1 Основные этапы и способы внедрения статистических методов управления качеством продукции
- •19.2 Некоторые вопросы оценки экономической эффективности внедрения статистических методов управления качеством продукции
- •19.3 Оценка экономической эффективности при внедрении статистических методов регулирования технологических процессов
Лекция № 15 (2 ч) статистическое регулирование технологических процессов. Общие положения
План лекции:
15.1 Задача статистического регулирования технологических процессов
15.2 Требования к технологическому процессу. Уровень несоответствий
15.1 Задача статистического регулирования технологических процессов
Задача статистического регулирования технологического процесса состоит в том, чтобы на основании результатов периодического контроля выборок малого объема принимать решение «процесс налажен» или «процесс разлажен». Поскольку разладки технологического процесса происходят в случайные моменты времени и эти события подчиняются определенным статистическим закономерностям, то такая задача решается методами математической статистики. Рассмотрим простейшую схему такой задачи. Выдвигаются две гипотезы: нулевая гипотеза Но - технологический процесс налажен, если параметр Ө распределения контролируемого показателя качества X равен Ө 0, и альтернативная гипотеза Н1- технологический процесс разлажен, если параметр Ө равен Ө1. В общем виде это записывается следующим образом:
Но: Ө = Ө 0 (технологический процесс налажен);
Н1: Ө = Ө1 (технологический процесс разлажен).
На основании результатов контроля единиц продукции из выборки х1, х2,...,xn можно с помощью определенных статистических критериев (о которых будет сказано далее) принять одну из этих двух гипотез.
Как мы помним, случайная величина X может быть непрерывной или дискретной. Например, диаметр отверстия представляет собой непрерывную случайную величину, которая теоретически может принимать все значения в интервале, ограниченном допуском, скажем, между 34,5 и 35,5 мм. Практически эти значения ограничиваются определенной точностью измерительных средств. Непрерывную величину мы получаем при контроле качества продукции по количественному признаку с помощью измерительных средств, позволяющих получить значение контролируемого параметра с большой точностью.
Дискретную величину мы получаем, например, при контроле качества продукции по альтернативному признаку, т. е. по признаку годен или не годен. В результате такого контроля мы подсчитываем число дефектных единиц продукции или число дефектов. При этом нас не интересует истинное значение параметра X,достаточно лишь установить, соответствует ли оно установленному допуску, соответствует ли установленному образцу или нет.
Наиболее часто применяемым при решении задач статистического контроля качества распределением непрерывной случайной величины X является нормальное распределение.
Как известно, нормальное распределение определяется двумя параметрами: математическим ожиданием µ и дисперсией .
При статистическом регулировании технологических процессов при нормальном распределении случайной величины X проверяют гипотезы:
Но : μ = μ0 (технологический процесс налажен);
H1 : μ = μ1 (технологический процесс разлажен),
если разладка связана с изменением математического ожидания μ.
Если же разладка связана с увеличением дисперсии σ2, то в этом случае проверяют гипотезы:
Н0 : σ = σ 0 (технологический процесс налажен);
Н1: σ = σ 1 (технологический процесс разлажен).
При статистическом регулировании в качестве средних значений обычно используют выборочное среднее арифметическое или выборочную медиану Ме, а в качестве меры рассеяния — выборочное среднее квадратическое отклонение S или выборочную дисперсию S2 или размах R.
При выборе между средним арифметическим и медианой, а также между средним квадратическим отклонением и размахом надо учитывать следующие соображения. Среднее арифметическое является более эффективной статистикой, чем медиана (при нормальном распределении контролируемого параметра X), что позволяет при равных исходных условиях использовать объем выборки примерно в полтора раза меньший. Точно также среднее квадратическое отклонение является более эффективной статистикой, чем размах, что также позволяет использовать существенно меньший объем выборки. Однако вычисление медианы и размаха проще среднего арифметического и среднего квадратического отклонений, поэтому первым двум статистикам иногда отдают предпочтение.
В случае, когда контролируемым показателем качества является дискретная случайная величина, подчиняющаяся биномиальному или пуассоновскому законам распределения, разладка процесса характеризуется увеличением доли дефектной продукции от значения р0 до значения p1. В этом случае проверяют гипотезы:
Но: р = р0 (технологический процесс налажен);
Н1:р = р1 (технологический процесс разлажен).
Технологический процесс должен обеспечивать на выходе продукцию, полностью соответствующую всем требованиям, т. е. с показателями качества, значения которых лежат внутри установленных для них допусков. «Вылет» за пределы допуска не допустим, это - брак.
При серийном и массовом производстве, как известно, для множества однотипных изделий по каждому показателю качества можно построить гистограмму и распределение, например, нормальное. «Хвосты» распределения всегда выходят за пределы допуска, показывая, что образуется брак. Вероятность появления брака всегда можно вычислить с помощью функции нормального распределения.