Úvod 4

1.1. Kontrolní seznam 5.

1.2. Histogram 6.

1.3. Stratifikační metoda (seskupení, svazek)

statistická data 11.

1.4. Kauzální vyšetřovací graf ISHIKA.13

1.5. Graf Pareto.17.

1.6. Scatter diagram (disperze) .22

1.7. Ovládací mapy.25.

2. Nové a nejnovější nástroje

Řízení jakosti .31

2.1. Osm nových nástrojů pro správu kvality.31

2.2. Nejnovější nástroje pro správu kvality.36

3. Kvalitní ekonomika .42

3.1. Indikátory definující kvalitu výrobku.42

3.2. Optimální úroveň kvality.45.

3.3. Ekonomický účinek zavedení nového

techniky a organizační a technické akce,

zaměřené na zlepšení kvality výrobku.48

3.4. Kvalitní náklady.53.

4. Seminářský program .58

4.1. Základní pojmy v oblasti kvality ......... ..58

4.2. Normy pro systémy řízení kvality.
Koncepce všeobecného řízení kvality (TQM). Procesní přístup .............................................. 58

4.3. Zahraniční zkušenosti v oblasti řízení kvality .................. .59

4.4. Řízení kvality ve stavebnictví (v podmínkách
samoregulace) .............................................. 60.

Bibliografický seznam .62

Úvod

Hlavním problémem zajišťování národního ekonomického zabezpečení Ruska je kvalita a konkurenceschopnost výrobků. Tento problém získá zvláštní význam v krizi, doprovázený ztrátou pozic v domácích i zahraničních trzích. Historická zkušenost Spojených států, Japonska a řady evropských zemí ukazují, že poskytuje pokrok v oblasti použití efektivní systémy Řízení kvality (podle ISO 9000) pomáhá úspěšně překonat účinky krize a zabírat, jako dříve, silné pozice v mnoha typech zboží na světovém trhu.

V různých zemích bylo vyvinuto mnoho statistických metod analýzy a kontroly kvality. V šedesátých letech, japonští vědci vybrali sedm více metod, které obdržely celosvětovou slávu jako "sedm jednoduchých nástrojů pro řízení kvality." Tyto nástroje jsou postaveny na používání technik matematických statistik, ale zároveň jsou k dispozici pro pochopení všech účastníků výrobního procesu a jsou používány téměř ve všech fázích. Životní cyklus Produkty.

Při vytváření nového produktu existují především problémy v oblasti řízení procesů, systémů, týmů. Pro jejich vyřešení je nutné použít výsledky operační analýzy, teorie optimalizace, psychologie atd, pro které japonský svaz vědců a odborníků v kvalitě (1979) shromáždil sedm nových nástrojů pro kontrolu kvality.

Tento workshop pomáhá budoucím ekonomům-manažerům, aby získali praktické dovednosti používat jednoduché a nové nástroje pro monitorování řízení kvality, jakož i při posuzování kvality a efektivnosti systémů řízení jakosti ve stavebnictví. Tyto dovednosti jsou nezbytné budoucími specialisty ve vývoji a provádění QMS, plánování a organizace práce na kvalitě, distribuci zdrojů, úspěšné provádění opatření ke zlepšení činností organizace.

1. Sedm jednoduchých (starých) nástrojů pro monitorování a řízení kvality

Mezi statistické metody a nástroje řízení řízení a kvality, sedm metod zvýrazňovaných na počátku 50. let získalo největší distribuci. Japonští specialisté pod vedením K. IshikaVy. S jejich pomocí, podle svědectví K. Ishikava sám, až 95% všech problémů v zorném poli pro průmyslníky lze vyřešit.

1.1. Kontrolní seznam

Kontrolní seznam - Jedná se o formu pro systematickou sběr dat a jejich automatické objednání s cílem usnadnit další využití shromážděných informací.

Ovládací list je papírový formulář, na kterých jsou názvy a rozsahy řízených indikátorů předtištěno, takže můžete snadno a přesně napsat data měření a uspořádat je další použití. Analýza datových listů umožňuje odpovědět na otázku "Jak často jsou studované události?". Z k němu začíná transformace názorů a předpokladů ve skutečnostech.

Konstrukce řídicího listu obsahuje určité kroky, které vyžadují potřebu:

1) zřídit, která událost bude dodržena;

2) dohodnout se na období, během které budou data shromážděna (hodina, den);

3) Sestavte formulář, který bude jasný a snadno vyplnit;

4) Sbírejte data jsou neustále a upřímná, ne narušují informace.

Forma řídicího listu je vyvinuta v souladu s specifická situace. V každém případě je uveden v něm: předmět studia; Registrace tabulky parametrem řízeného dat; Místo kontroly (obchod, pozemek); pozice
a jméno zaměstnance registrace dat; Datum sběru dat; Trvání pozorování a název řídicího zařízení (pokud byl použit během pozorování).

V registrační tabulce v odpovídající sloupci jsou připojeny symboly, odpovídající počtu pozorovaných událostí. Na Obr. 1.1 Příklad kontrolního seznamu pro shromažďování informací je uveden.

Podle výsledků sběru dat vyrobených pro několik stran používajících testovací list, který je považován za výše, může být sestavena souhrnná tabulka.
(Obr. 1.2), které mohou být použity pro další analýzu pomocí jiných statistických přístrojů.

1.2. sloupcový graf

sloupcový graf - Jedná se o nástroj, který vám umožní vizuálně ocení distribuci výši rozptylu dat, jakož i rozhodnout o tom, co se zaměřit na cíle zlepšování procesu.

Stage budování histogramu:

1. Vývoj a vyplnění (v procesu monitorování řízeného procesu) Blanca pro sběr primárních dat - kontrolní seznam.

2. Stanovení maxima ( x. Max) a minimální ( x. min) hodnoty vzorkování.

3. Výpočet rozsahu vzorku ( R.) Podle vzorce:

. (1.1)

4. Určení počtu intervalů na histogramu ( n.). Počet intervalů histogramu závisí na velikosti vzorku ( N.) Je možné jej určit pomocí tabulky. 1.1.

Obr. 1.1. Kontrolní seznam

Obr. 1.2. Souhrnná tabulka výsledků sběru informací

Tabulka 1.1.

Určení počtu intervalů na histogramu

Objem vzorkování ( N.)	Počet intervalů ( n.)

5. Definice velikosti intervalu se provádí tak, aby stupnice, která zahrnuje maximální a minimální hodnotu, byla rozdělena do intervalů stejné šířky. Šířka intervalu ( h.) je určen vzorcem:

. (1.2)

6. Definice hranic intervalu. Spodní hranice prvního intervalu je minimální hodnota vzorku a horní hranice posledního intervalu je maximum.

První interval: ...

Poslední interval :.

7. Určení počtu "hitů" dat v konkrétním intervalu ( k. i. I.).

8. Výpočet relativních frekvencí "Hit" dat v i. I.- interval (interval) f. i. I.)

. (1.3)

9. Stavba grafu histogramu.

Na vodorovné ose je nutné aplikovat hranice intervalů, zatímco na obou stranách (před prvním a po posledních intervalech) by mělo být ponecháno horní (USL.) a dolní (Lsl.) Hranice přijetí pole. Na svislé ose aplikují relativní frekvenci. Použití šířky intervalů jako důvodu budovat obdélníky, výška každého z nich se rovná frekvenci výsledků pozorování do příslušného intervalu.

Příklad histogramu výstavy na OBR. 1.3.

Obr. 1.3. Příklad budování histogramu

Histogram musí být aplikován na linky reprezentující: aritmetický průměr vzorkové hodnoty ( h. cf.), hranice přijímacího pole ( USL. a Lsl.) a uprostřed přijímacího pole ( C.).

Průměrná aritmetická hodnota h. cf. Výsledky pozorování x. i. I. Stanoveno vzorcem:

. (1.4)

Hranice přijetí pole USL. (nahoru) a Lsl. (Nižší) jsou stanoveny podle požadavků standardů pro kvalitu výrobků.

Uprostřed přijímacího pole nebo cílové hodnoty ( C.) je určen vzorcem:

. (1.5)

Výpočet základních charakteristik kvality
procesu histogramem

Pro posouzení kvality procesu pomocí histogramu musíte vypočítat následující hodnoty:

Procesní fitness index splňují technickou toleranci bez zohlednění situace průměrné hodnoty ( P. p.). Stanoveno vzorcem:

. (1.6)

Pokud P. p. ≥ 1, šířka histogramu je položena v rámci šířky tolerance pole a proces je řízen (přesněji, je možné provést proces, takže 99,73% výrobků bude spadat do pole tolerance). Pokud P. p.

Většina ruských továren pracuje na hodnotách P. p. ≈ 0,95 ... 1.3 a japonské specialisté řízení kvality výrobků v mnoha případech jsou schopni udržovat hodnotu indexu vhodnosti procesů v jeho podnicích P. p. ≈ 1,5 ... 4.0, což umožňuje omezit vady výrobků jednotkami vadných výrobků na milion výrobků.

Procesní indikátor nálady pro cílovou hodnotu ( k.). Stanoveno vzorcem:

. (1.7)

Procesní fitness index splňuje technickou toleranci s přihlédnutím k pozici průměrné hodnoty ( P. pk.) je určen vzorcem:

. (1.8)

Pro zlepšení kvality procesu (snížení vadění) je nutné zajistit vysokou hodnotu indexu P. p. a nízká hodnota ukazatele k..

Úloha 1.1.

Studie kvality procesu výroby ocelových os na soustružnický stroj Bylo měřeno průměrem průměrů 90 ° C. Výsledky měření jsou uvedeny v tabulce. 1.2.

Tabulka 1.2.

Jednoduché nástroje pro kontrolu kvality diskutovány výše ("Seven nástrojů pro kontrolu kvality") jsou určeny k analýze kvantitativních údajů kvality. Umožňují dostatek jednoduchých, ale vědecky založených metod k řešení 95% problémů analyzování a řízení kvality v různých oblastech. Využívají techniky především matematické statistiky, ale jsou k dispozici všem účastníkům výrobního procesu a jsou používány téměř ve všech fázích životního cyklu produktu.

Při vytváření nového produktu však ne všechny skutečnosti mají numerickou povahu. Existují faktory, které mohou být pouze slovní popis. Účetnictví pro tyto faktory je přibližně 5% kvalitních problémů. Tyto problémy vznikají především v oblasti řízení procesů, systémů, týmů a s jejich řešením, spolu se statistickými metodami, je nutné použít výsledky operační analýzy, teorie optimalizace, psychologie atd.

Proto JUSE (Svaz japonských vědců a inženýrů - Svaz japonských vědců a inženýrů) v roce 1979, na základě těchto věd, vyvinul velmi silný a užitečný soubor nástrojů pro usnadnění úkolu řízení kvality při analýze těchto faktorů.

Patří "sedm správcovských nástrojů":

1) Diagram afinity (afinitní schéma);

2) schéma (graf) vzájemného vztahu (závislost) (diagram vzájemného vztahu);

3) Schéma stromu (systém) (stromová rozhodnutí) (stromový diagram);

4) Diagram matrice nebo kvalitní tabulky (diagram matrice nebo kvalitní tabulka);

5) Diagram trasy (schéma šipky);

6) schéma procesu implementace programu (postup procesu plánování) (procesní rozhodnutí procesu - PDPC);

7) Prioritní matrice (analýza matricová data) (analýza dat matrice).

Shromažďování počátečních údajů se provádí v období "brainstorming" odborníků ve studované oblasti a non-odborníků, ale schopny vytvářet produktivní myšlenky v nových otázkách pro sebe.

Každý účastník může volně hovořit na diskusi. Jeho nabídky jsou pevné. Výsledky zpracování diskuse jsou prováděny a fondy jsou nabízeny k řešení problému.

Rozsah aplikace "sedm nových nástrojů pro kontrolu kvality" se rychle rozšiřuje. Tyto metody se používají v oblastech, jako je kancelářská práce a management, školení a školení atd.

Nejúčinněji aplikují "sedm nových nástrojů" ve fázi

· Vývoj nových produktů a přípravy projektu;

· Generovat opatření ke snížení manželství a snížení stížností;

· Zlepšit spolehlivost a bezpečnost;

· Zajistit výrobu ekologických produktů;

· Zlepšit standardizaci atd.

Zvažte stručně tyto nástroje.

1. Afinitní graf (DS) -umožňuje identifikovat hlavní porušení procesu kombinací homogenních ústních údajů.

§ Definice tématu pro sběr dat;

§ Vytvoření skupiny sběr dat spotřebitelů;

§ Zvýšení údajů získaných na kartách (samolepicí listy), které lze volně pohybovat;

§ Skupinování (systematizace) homogenních dat ve směrech různých úrovní;

§ Tvorba jednotného stanoviska členů skupiny distribuční údaje;

§ Vytvoření hierarchie vybraných směrů.

2. Propojovací diagram (DV) -pomáhá určit vztah hlavních důvodů porušení procesu s problémy, které existují v organizaci.

Postup pro vytváření DS se skládá z následujících kroků:

· Vytvořena skupina odborníků, která zřídí a seskupují údaje o problému;

· Odhalené příčiny jsou umístěny na karty a vztah je založen mezi nimi. Porovnání důvodů (událostí) Musíte položit otázku: "Existují nějaká komunikace mezi těmito dvěma událostmi?" Je-li k dispozici, pak se zeptal: "Jaká událost je další nebo příčinou jiné události?";

· Nakreslete šipku mezi dvěma událostmi, ukazující směr vlivu;

· Po identifikaci vztahů mezi všemi událostmi se považuje počet šipek vyzařujících z každé události.

Událost s nejvyšším počtem odchozích šipek je původní.

3. Stromový diagram (DD).Po určení pomocí vztahu (DV) schématu nejdůležitějších problémů, charakteristik atd. Pomocí DD je vyhledávaných metod vyřešit tyto problémy. DD označuje cesty a úkoly na různých úrovních, které je třeba řešit, aby se dosáhlo daného cíle.

DD Použití:

1. Je-li přání spotřebitele převedeny na výkonnost organizace;

2. vyžaduje stanovení posloupnosti řešení problémů k dosažení cíle;

3. Sekundární úkoly musí být vyřešeny dříve než hlavní úkol;

4. Fakta, která stanoví hlavní problém, musí být odhalena.

Vytváření DD obsahuje následující kroky:

§ Skupina je organizována, která založená na DS a DS určuje problém výzkumu;

§ Určete možné hlavní důvody identifikovaného problému;

§ aloke hlavní důvod;

§ Rozvíjet opatření na plně nebo částečně eliminovat.

4. Diagram matice (MD) -umožňuje vizuálně prezentovat vztah mezi různými faktory a stupněm jejich broušení. To zvyšuje účinnost řešení různých úkolů, které zohledňují takové vztahy. Jako faktory, které jsou analyzovány MD, mohou být:

§ Problémy v oblasti kvality a příčin jejich vzhledu;

§ Problémy a způsoby jejich odstranění;

§ Spotřebitelské vlastnosti výrobků, jejich inženýrské vlastnosti;

§ Vlastnosti produktu a jeho součásti;

§ Charakteristika kvality procesu a jeho prvky;

§ Charakteristika účinnosti organizace;

§ Prvky systému řízení jakosti a dalších.

Metoda maticových diagramů, jako jsou ostatní nové nástroje kvality, je obvykle implementována týmem, který je nastaven v oblasti zlepšování kvality. Stupeň blízkosti vztahu mezi faktory se odhaduje buď expertní hodnocenínebo s pomocí korelační analýzy.

5. Diagram trasy (SD).Po předběžné analýze problému a metod pro jeho řešení provedené metodami DS, DV, DD, MD, plán řešení problému, jako je tvorba výrobku, je vypracován. Plán by měl obsahovat všechny fáze práce a informace o jejich trvání. Pro usnadnění rozvoji a řízení pracovního plánu zvýšením jeho viditelnosti se používá SD. Šipkový graf může mít formu buď ganttové tabulky nebo graf sítě. Na grafu sítě pomocí šipek je jasně zobrazen posloupnost akcí a vliv jedné nebo jiné operace v průběhu provádění následných operací, takže graf sítě je vhodnější pro kontrolu nad průběhem práce než ganta diagram.

6.Proces implementace plánování grafu - PDPC (Process Rozhodovací programový graf) Používá se pro:

§ Plánování a hodnocení načasování komplexních procesů v oblasti vědeckého výzkumu, \\ t

§ Výroba nových produktů

§ Řešení vedení úkolů s mnoha neznámými, pokud je nutné poskytnout různé možnosti Řešení, schopnosti pro úpravu pracovního programu.

Použití diagramu PDPC odrážejí proces, ke kterému je použitý cyklus Deming (PDCA). V důsledku použití cyklu Demingu na konkrétní proces, v případě potřeby je zlepšení tohoto procesu také prováděno současně.

7. Analýza matricových dat (prioritní matrice)).

Tato metoda spolu s propojovacím schématem (DV) a do určité míry je diagram matrice (MD) určeno pro separaci faktorů, které mají prioritní vliv na studium problému. Vlastnosti tato metoda Je to úkol řešen multifaktorovou analýzou velké číslo Zkušení data, často nepřímo charakterizují studované vzájemné vztahy. Analýza vztahu mezi těmito údaji a zkoumanými faktory umožňuje vybrat nejdůležitější faktory, pro které jsou pak vzájemné vztahy s výstupními ukazateli fenoménu (procesu) stanoveny.

Otázky pro self-test

1. Přeneste sedm jednoduchých nástrojů pro řízení kvality. Co se používají pro?;

2. Co je to řízený list a použití Pareto Diagram?;

3. Jaké faktory ovlivňující kvalitu jsou uvedeny v diagramu Isica?;

4. To, co se stanoví pomocí histogramu, rozptylových diagramů a stratifikace?;

5. s What. jednoduchý nástroj Ovladatelnost procesu?;

6. Jaký je účel "Sedm nových nástrojů pro kontrolu kvality" vyvinutého? Seznam je.

7. Na jaké fázi nejúčinněji uplatňují "sedm nových nástrojů"?

Polkhovskaya T., Adler Yu., Shvat V.

V moderní svět velmi důležité Nabývá problému kvality výrobku. Bytost jakékoli společnosti, každý dodavatel závisí na jeho úspěšném řešení. Produkty více vysoká kvalita Významně zvyšuje šance na dodavatele v konkurenčním boji o prodejní trhy a především lépe uspokojit potřeby spotřebitelů. Kvalita výrobku je nejdůležitějším ukazatelem Konkurenceschopnost podniku.

Kvalita výrobku je položena v procesu vědeckého výzkumu, designu a technologického vývoje, je zajištěna dobrou organizací výroby a nakonec je podporován během provozu nebo spotřeby. Ve všech těchto fázích je důležité provést včasnou kontrolu a získat spolehlivé hodnocení kvality výrobku.

Snížení nákladů a dosáhnout úrovně kvality uspokojující spotřebitele potřebujeme metody zaměřené na odstranění vad (nesrovnalostí) hotových výrobků, ale aby se zabránilo důvodům jejich vzhledu ve výrobním procesu.

Jaké jsou důvody pro vzhled různých defektů v produktech a jaké jsou příležitosti ke snížení jejich čísla?

Mnozí se domnívají, že vadné výrobky jsou nevyhnutelné, protože produkty musí splňovat přísné požadavky standardů kvality a faktory, které vedou k vzniku defektů jsou četné. Navzdory rozdílům v typech výrobků a typů technologických procesů jsou však důvody pro vzhled vadných výrobků univerzální. Částečně vady jsou způsobeny fyzikálně-chemickým procesem vytváření samotných výrobků a částečně jsou spojeny s variabilitou (variabilita) materiálů, procesů, metodami práce, kontrolních metod atd. Pokud nebyla variabilita, pak by všechny produkty byly identické, tj. Jejich kvalita by byla naprosto stejná pro všechny z nich.

Co se stane například, pokud to dělá položky z materiálů stejné kvality na stejných strojích, s využitím stejných metod a zkontrolovat tyto produkty přesně stejným způsobem? Bez ohledu na to, kolik produktů bude vyrobeno, musí být všechny z nich stejné, pokud jsou uvedené čtyři podmínky identické, tj. Nebo všechny produkty budou splňovat požadavky nebo jim neodpovídají. Všechny produkty budou vadné, pokud se materiály, stroje, výrobní nebo kontrolní metody budou lišit od zavedených požadavků. V tomto případě je vznik identických vadných výrobků nevyhnutelné. Pokud žádné odchylky v uvedených čtyřech podmínkách nebudou, pak musí být všechny produkty "identické" neadefektivní.

Je však téměř nemožné, aby všechny produkty byly vadné. Ze všech objemu vydání, pouze některé budou takové, zatímco zbytek je infekční.

Zvažte například proces pružných ocelových plechů. Na první pohled se zdá, že všechny listy mají stejnou tloušťku, ale pokud přesně měříte, jejich tloušťka bude odlišná, a dokonce i v různých částech stejného listu. Pokud prozkoumáte krystalovou strukturu různé části List, to ukazuje, že ve formě krystalů sestávajících ze železa, uhlíku a dalších atomů, existují menší variace. Tyto rozdíly přirozeně ovlivňují indikátory kvality. I když se používá stejná metoda ohýbání, listy se nebudou ohýbat stejným způsobem a některé se mohou objevit v některých.

Další příklad - mechanická restaurování Kov. Vzhledem k tomu, že počet zpracovaných dílů roste, řezačka je hloupá. Konzistence mazání a chladicí kapaliny, když se teplota změní také. V důsledku toho velikost produktů závisí na tom, zda je řezačka naostřena a je instalována správně. I když se může zdát, že obě operace jsou prováděny ve stejných podmínkách, ve skutečnosti existuje mnoho změn nebo změn, které zůstávají bez povšimnutí, ale jsou ovlivněny kvalitou výrobků.

Zvažte další příklad - tepelné zpracování. Teplota v peci se neustále mění s změnou napětí (pokud proces přejde do elektrické pece) nebo tlak plynu (pokud je použita plynová pec). V celkové pece se nachází v blízkosti klapky; V blízkosti podání, oblouk, boční stěny, v centrální části, jsou v centrální části různé podmínky. Když jsou produkty umístěny v peci den tepelného zpracování, množství tepla, které se liší v závislosti na jejich poloze, což ovlivňuje takový indikátor kvality jako tvrdost výrobku.

Fyzické schopnosti a dovednostní pracovníci mají také dopad na změnu kvality výrobků. Existují vysoké a nízké, tenké a tlusté, slabé a silné lidi, levicové handery a lidé, kteří lépe vyvinul pravou ruku. Pracovníci si mohou myslet, že pracují stejně, ale existují individuální rozdíly. Dokonce i stejná osoba pracuje různými způsoby, v závislosti na jeho pohodě pro každý konkrétní den, stav a stupně únavy. Někdy umožňuje chybám z důvodu nepozornosti.

Chyby mohou být povoleny regulátory při měření parametrů výrobku. Měření variace mohou být důsledkem vadné měřicí nástroje nebo nedokonalost metody měření. Takže v případě organoleptického (vizuálního monitorování), změny kritérií, které je regulátor veden, může vést k chybnému posouzení kvality výrobku a ovlivnit objektivitu rozhodnutí o trvanlivosti výrobků.

Vzhledem k problému podobným způsobem lze vidět, že v procesu výroby výrobku existuje mnoho faktorů ovlivňujících jeho indikátory kvality. Vyhodnocení výrobního procesu Pokud jde o změnu kvality, je možné jej zvážit jako určitý soubor příčin variability. Tyto důvody vysvětlují změny kvality kvality výrobků, což vede k oddělení na vadné a neadefektivní. Výrobek se považuje za bezlůžkový, pokud jeho indikátory kvality splňují specifickou normu, jinak je výrobek klasifikován jako vadný. Kromě toho se i vadné výrobky liší od sebe při srovnání se standardem, tj. Žádné "absolutně identické" produkty. Jedním z důvodů pro uvolnění vadných produktů, jak již bylo uvedeno, slouží variabilitě. Pokud se pokusíte snížit, jejich počet bude nepochybně snížit. Jedná se o jednoduchý a zvukový princip stejně správný, bez ohledu na typy výrobků nebo typů technologických procesů.

Stávající metody kontroly byly zpravidla sníženy na analýzu manželství pevným testováním výrobků. S hmotnostní výrobou je taková kontrola velmi drahá. Výpočty ukazují, že zajišťují kvalitu výrobku prostřednictvím své nevýhody, řídicí přístroje podniků by mělo být pět nebo šestkrát vyšší než počet výrobních pracovníků.

Na druhé straně nepřetržitá kontrola v hromadné produkci nezaručuje nedostatek vadných výrobků v přijatých produktech. Zkušenosti ukazují, že regulátor je rychle unavený, v důsledku této části vhodných výrobků vyžaduje vadný a naopak. Praxe také ukazuje - kde jsou rádi nepřetržitou kontrolu, ztráty z manželství se dramaticky zvýší.

Tyto důvody vyrobily výrobu před potřebou přechodu na selektivní řízení. Rozložení selektivního řízení bylo podporováno studiem odborníků v oblasti teorie pravděpodobnosti a matematické statistiky, které ukázaly, že ve většině případů není třeba spolehlivé hodnocení kvality. Tyto studie (především americká statistika Dodge, Romig a Shukhart) nám umožnily přistupovat k organizaci technické kontroly na nové vědecké a metodické základně. Je však třeba mít na paměti, že přechod na selektivní kontrolu je účinný pouze v případě, že technologické procesy, které jsou v zavedeném stavu, mají takovou přesnost a stabilitu, ve které je automaticky zaručena výroba výrobků s minimálním počtem defektů.

Proč by měl být selektivní řízení statistické? Zvažte dvě charakteristické příklady.

Dnes aktuální státní kontrola technologický proces Je prováděn následovně. Ze současných produktů v náhodných okamžicích času, jedna jednotka výroby je převzata k řízení, podle kterého je stav technologického procesu posuzován: pokud se ukazuje, že je vhodné, proces je považován za stanovení, jinak rozhodnutí je třeba pozastavit výrobu výrobků a úpravu procesu.

Jaká je účinnost těchto akcí? Formulovaný postup pro monitorování stavu technologického procesu pochází z tradiční logiky: Proces je přilehlý - žádné manželství, proces je rozdělen - všechny výrobky budou vadné.

Ve výrobě existují další vzory, které se nazývají stochastic nebo náhodné. Když je proces složen, podíl vyrobeného manželství je mírně zvýšen: až 1, 2, 10% a extrémně vzácný až 100%, záleží na konkrétní technologii a konkrétním důvodu záhybu. Představte si, že v důsledku skládání technologického procesu se podíl vyrobeného manželství zvýšil na 5%. To znamená, že v průměru bude každá dvacátá vyrobená jednotka výroby vadná. Jaká je pravděpodobnost, že se jedná o jednu z dvaceti, vadné jednotky správné řešení? Odpověď může být taková, že pravděpodobnost odhalování porušení procesu se rovná pravděpodobnosti výroby vadné jednotky výrobků s vyvinutým procesem, v našem případě - 5%,

Moderní praxe organizování současného sledování stavu technologického procesu nebude zásadně řešit problém manželské prevence. Uloží oba při výběru kontroly, nikoliv jeden a dva nebo tři jednotky. S statistickou kontrolou kvality, stejné výsledky léčené matematickými statistickými metodami nám umožňují ocenit skutečný stav technologického procesu s vysokým stupněm spolehlivosti. Statistické metody umožňují přiměřeně detekovat skládání procesu, i když budou vhodné dva nebo tři jednotky výrobků vybraných pro řízení, protože mají vysokou citlivost na změny ve stavu technologických procesů.

Po celá léta tvrdohlavých pracovníků, odborníci přidělili takové techniky a přístupy ze světové zkušenosti, které lze chápat a účinně používat bez zvláštního výcviku, a to bylo učiněno tak, aby bylo zajištěno skutečné úspěchy při řešení drtivé většiny problémů vyplývajících z reálné produkce.

V důsledku toho byl vyvinut systém praktických metod určených pro masivní použití. Jedná se o tzv. Sedm jednoduchých metod:

1) Pareto diagram;

2) Schéma Isica;

3) Stratifikace (stratifikace);

4) řídicí listy;

5) histogramy;

6) grafika (v letadle)

7) Kontrolní karty (Shukhart).

Někdy jsou tyto metody v jiném pořadí, což není zásadně, protože jejich zvážení se předpokládá jak jako samostatné nástroje, a jako systémy metod, ve kterých je v každém konkrétním případě určena pro specificky definovat kompozici a strukturu pracovní sady nástrojů .

Statistické metody řízení kvality jsou filozofie, politika, systém, metodika, stejně jako technické prostředky Řízení kvality založený na výsledcích měření, analýzy, testování, řízení, provozu dat, odborných posouzení a jiných informací, které umožňují spolehlivé, rozumné, důkazy.

Aplikace statistických metod - velmi efektivní způsob, jak vytvořit novou technologii a kontrolu kvality výrobní procesy. Mnoho předních firem hledají své aktivní použití a některé z nich utratí více než sto hodin ročně na školení těchto metod prováděných v rámci samotného společnosti. Ačkoli znalost statistických metod je součástí normálního vzdělávání inženýra, samotné znalosti neznamená možnost ji aplikovat. Schopnost zvážit události z pohledu statistiky je důležitější než znalost samotných metod. Kromě toho musíte být schopni upřímně rozpoznat nedostatky a změny vzniklé a shromažďovat objektivní informace.

Sedm jednoduchých nástrojů řízení kvality výrobku

Obrázek 8 ukazuje sedm nejjednodušších metod kontroly statistické kvality.

Obrázek 8 - Sedm jednoduchých statistických metod

2.1.1 Kontrolní seznam

Bez ohledu na to, jaký úkol čelí systému, vždy začíná od shromažďovacích zdrojových kvantitativních dat, na jejichž základě se pak používá jeden nebo jiný nástroj.

Seznam řídicích - nástroj pro shromažďování dat, prostředků registrace a automatického objednání pro usnadnění dalšího využití informací.

Kontrolní seznam - Prázdný papír, na kterém se vytiskne předem Řízené parametry, tedy můžete zadat data pomocí značek nebo jednoduchých znaků, je navržen tak, aby zaregistroval vznikající události, tj. Shromažďování dat pro následnou analýzu. Externě, řídicí list je tabulka, jehož plnění se sníží na jednoduchý doplněk do odpovídající buňky vertikálního zdvihu na výskyt určité události. První čtyři události jsou označeny svislými tahy a každé páté - horizontální funkce přes první čtyři tahy. Každá úzkost tak indikuje 5 událostí.

Vyplnění kontrolního seznamu je nejjednodušší z kvalitních nástrojů - není nic jednoduššího než uvedení tyče v požadované buňce. Výpočet výsledků je také poměrně snadné.

Níže je příkladem sběrného listu, který registroval stížnosti na výrobky výrobků oddělené druhy nesrovnalosti v B. různé dny týdnů (obrázek 9).

Obrázek 9 - Sběr dat

Statistická správní karta nebo kontrolní karta je grafická reprezentace dat ze vzorku, které jsou periodicky převzaty z procesu a jsou aplikovány na harmonogram podle času. Kromě toho jsou na řídicích kartách poznamenány "kontrolní hranice", které popisují přirozenou variabilitu udržitelného procesu. Cílem kontrolní karty je pomáhat při posuzování stability procesu založeného na studii a aplikaci na harmonogramu údajů s přihlédnutím k hraniám kontroly. Jakákoliv proměnná (naměřená data) nebo funkce (vypočtená data) představující studované vlastnosti produktu nebo procesu lze použít na harmonogram.

Jako příklad můžete citovat řízený list používaný k opravě manželství podrobně (obrázek 10).

Obrázek 10 - Kontrolní seznam

Při vypracovávání ovládacích listů byste měli věnovat pozornost tomu, že je uvedeno v jaké fázi procesu a v jaké době byly údaje shromážděny, stejně jako forma listu byla jednoduchá a srozumitelná bez dodatečného vysvětlení.

2.1.2 sloupcový graf

Pro vizuální zobrazení trendu v kvalitě dílů se používá grafický obraz statistického materiálu. Nejčastějším plánem, ke kterému se uchýlil při analýze distribuce náhodné proměnné, je histogram.

sloupcový graf– Nástroj, který vám umožní vizuálně ocenit právo rozdělení statistických údajů.

Histogramy jsou jedním z variant sloupcového grafu, který zobrazuje závislost frekvence parametrů kvality výrobku nebo procesu do určitého intervalu těchto hodnot. Na obr. 11 jsou intervaly vniknutí odloženy na ose X a frekvenci zasažení osy "Y".

Obrázek 11 - Histogram frekvencí intervalu rozsahu

Histogram je postaven následovně.

1) je stanovena nejvyšší hodnota indikátoru kvality.

2) Nejmenší hodnota indikátoru kvality je stanovena.

3) Rozsah histogramu je určen jako rozdíl mezi největší a nejmenší hodnotou.

4) Je určen počet intervalů histogramu (počet intervalů) \u003d C (počet hodnot kvalitativních indikátorů).

5) Délka intervalu histogramu \u003d (rozsah histogramu) / (počet intervalů).

6) Rozsah histogramu na intervalech je rozdělen.

7) Počet výsledků v každém intervalu se vypočítá.

8) Frekvence vstupu intervalu \u003d (počet hitů) je stanovena / (celkový počet indikátorů kvality).

9) je postaven sloupcový diagram.

Vzhledem k tomu, že počet měření se zvyšuje, šířka sloupce se snižuje a mnohoúhelník se změní na křivku hustoty pravděpodobnosti představující teoretickou distribuční křivku.

Abychom ocenili přiměřenost procesu s požadavky spotřebitele, musíme porovnávat kvalitu procesu s tolerančním polem instalovaným uživatelem. Pokud je tolerance, pak je histogram aplikován horní ( S. u.) a nižší ( S. L.) Jeho hranice, kolmá osa abscisy (obrázek 12). Pak můžete vidět, zda je histogram dobře umístěn uvnitř těchto hranic.

Obrázek 12 - Pro koncepci expirace ve vzorku
limity tříxigm

Pokud má histogram symetrický (plamenovitý) zobrazení, když je průměrná hodnota uprostřed dat dat, pak se jedná o normální (Gaussovský) zákon distribuce náhodné proměnné. Pro normální distribuční právo je možné vyšetřit reprodukovatelnost procesu, neměnnost hlavních parametrů procesu: průměr x. nebo matematické očekávání m ( x.) a standardní odchylka v čase. V tomto případě je možné určit výstup distribuce obecné populace na určených hodnotách M ( x.), Vztaženo na porovnání odpovídajících limitů tříxigm a limitů tolerančního pole.

Ze obr. 12 lze vidět, že pokud vezmete limity truksigm jako hranice vstupních limitů (σ - standardní odchylka), bude považováno za vhodné 99,73% všech obecných populačních údajů a pouze 0,27% dat bude považovány za nevhodné (neshody - NC) spotřebitele požadavků (uživatel), protože jsou umístěny mimo meze stanovené tolerance pole.

2.1.3 Diagramy rozptylu

Scatter diagramy jsou grafy, které vám umožní identifikovat korelaci mezi dvěma různými faktory.(Obrázek 13) .

Obrázek 13 - Diagram rozptylu

Diagram rozptylu, který se také nazývá korelační pole, je nástroj, který umožňuje určit tvar a těsnost spojení mezi dvojicemi odpovídajících proměnných.

Tyto dvě proměnné se mohou vztahovat:

na jakostní charakteristiku a faktor ovlivňující jej;

na dva různé charakteristiky vlastnosti;

dva faktory ovlivňující jednu kvalitu charakteristiku. Například teplota a tlak v peci.

Identifikovat vztah mezi nimi a slouží scatter diagram.

Konstrukce diagramu rozptylu se provádí v následujícím pořadí.

1) Shromážděná se spárovaná data ( x., y.), mezi kterou chtějí prozkoumat závislost, a jsou umístěny v tabulce. Pokud je jedna proměnná faktorem a druhá je charakteristika kvality, je pro faktor vybrána horizontální osa x.a pro kvalitní charakteristiku - vertikální osa y.. Je žádoucí nejméně 25-30 párů dat.

2) je maximální a minimální hodnota pro x. a y..

3) Graf je nakreslen na samostatném listu papíru a data jsou aplikována. Pokud se získají různá pozorování stejné hodnotyJsou označeny soustřednými kruhy.

4) je uvedeno:

název schématu;

časový interval;

počet dvojic údajů;

jména a jednotky měření pro každou osu.

Použití diagramu rozptylu je omezeno pouze na detekci typu a těsnosti spojení mezi proměnlivými páry. Scatter diagram se také používá k identifikaci kauzální kvality leží a ovlivňující faktory při analýze
kauzální graf, který bude diskutován níže.

Scatter diagram umožňuje vizuálně zobrazit charakter změny parametru kvality v čase. Chcete-li to udělat, utratit od začátku souřadnic bisector. Pokud se všechny body přesunou na bisector, znamená to, že hodnota tohoto parametru se během experimentu nezměnila. V důsledku toho nemá vliv na faktor (nebo faktory) neovlivňuje parametr kvality. Pokud je velká hromada bodů pod bisectorem, znamená to, že hodnoty parametru kvality v průběhu minulého času se snížily. Pokud body stanovené nad bisector, pak se zvýšily hodnoty parametrů po zvážení času.

Poté, co strávil paprsky ze začátku souřadnic odpovídajícím snížení a zvýšení parametru o 10, 14, 30, 30, 50%, je možné počítat body mezi rovnou, aby se zjistil frekvenci hodnot parametrů v Intervaly 0 ... 10%, 10 ... 20%.

Nejčastější bylo použito k aplikaci Scatter Diagramy pro stanovení typu připojení, celkové rozložení páry. Chcete-li to udělat, musíte nejprve zjistit, zda na schématu (emisí) existuje žádné vzdálené body, které jsou způsobeny určitým změnám v pracovních podmínkách. Pozornost by měla být věnována příčinám takových nesrovnalostí, protože hledají svůj důvod, často získáváme informace o kvalitě.

2.1.4 Metoda stratifikace (stratifikace dat)

V souladu s metodou datové stratifikace (obrázek 14) existuje stratifikace statistických údajů, tj Skupinová data v závislosti na podmínkách jejich výroby a vytváření zpracování každé datové skupiny odděleně.

Data oddělená do skupin podle jejich vlastností se nazývají vrstvy (strata) a proces separace k vrstvám (strata) - vyřešení (stratifikace).

Existovat různé metody stratifikace, jejichž použití závisí na specifické úkoly. Například související data
k produktu vyrobenému na pracovišti pracoviště se může do určité míry lišit v závislosti na performeru, použité použité zařízení, metody pracovních operací, teploty
podmínky atd. Všechny tyto rozdíly mohou být faktory separace. Výrobní procesy často používají metodu 5M, s přihlédnutím k faktorům v závislosti na osobě (MAN), stroj (stroj), materiálu (materiálu), metodě, měření (měření).

Obrázek 14 - Datová stratifikace

Disekce se provádí následujícím způsobem:

stratifikace pomocí umělců - na kvalifikaci, sexu, zkušenosti;

stratifikace podle materiálu - v místě výroby, výrobce, výrobce, dávce, kvalita surovin atd.;

disekce pro stroje a zařízení - v novém a starém vybavení, značce, design, produkující firmu atd.;

vypořádání ve způsobu výroby - na teplotě, technologické recepci, místo výroby atd.;

disekce pro měření - v místě měření, typ měřicích nástrojů nebo jejich přesnosti atd.

V důsledku oddělení musí být dodrženy dvě podmínky.

1) Rozdíly mezi hodnotami náhodné proměnné uvnitř vrstvy (disperze) by měly být v rozporu s rozdílu ve svých hodnotách v sadě surového zdroje.

2) Rozdíl mezi vrstvami (rozdíly mezi průměrnými hodnotami náhodných proměnných) by měl být co nejvíce.

Při sledování kvality výroby výrobků je často v praxi za úkol identifikovat zamýšlený zdroj zhoršení kvality výrobků; Tyto informace lze získat oddělením disperze pomocí disperze ANA Lisa.

2.1.5 ISHIKA Graf

ISICAW Diagram (kauzální diagram) vám umožní formalizovat a strukturovat příčiny konkrétní akce, například vzhled nesrovnalostí, jakož i k vytvoření kauzálních vztahů.

Všechny možné důvody jsou klasifikovány podle principu 5M:

1. Muž. (Osoba) - důvody spojené s lidským faktorem;

2. Stroje. (Stroje, vybavení) - důvody spojené s vybavením;

3. Materiály. (Materiály) - příčiny související s materiály;

4. Metody. (Metody) - důvody spojené s technologií práce, s organizací procesů;

5. Měření (Měření) - Příčiny spojené s metodami měření.

Studie akce je znázorněna na pravé straně schématu, symbolizující kořen stromového grafu, který je postaven vpravo od označení události. Horizontálně, od kořene grafu na levý okraj listu, je aplikována centrální osa diagramu, podobně jako kmen stromu.

Pět větvů sousedí s centrální osou diagramu ISICAW, z nichž každá odpovídá své vlastní třídě příčin nebo jeho M.

Dále, na každé větvi odděleně, jako osa, jsou vybudovány další větvičky, z nichž každá představuje samostatnou příčinu ve své třídě. Na každou takovou odbočku, zase připomínat důvody více vysoká úroveň, Podrobněji. Pokračování této cesty dostaneme rozvětvené dřevo, které spojuje příčiny nástupu jedné nebo jiné události na různých úrovních detailů. Můžeme tedy vytvořit kauzální vztah mezi soukromými odchylkami od normy (primární důvody) a jejich vlivem na pravděpodobnost určité akce.

Pro účinnost použití této metody a přesnost získaných výsledků musí konstrukce grafu ISICAWA provádět profesionály.

Kvůli své struktuře je ISHIKAA graf také nazýván "rybí kost" (obrázek 15).

Obrázek 15 - Diagramy Isica

2.1.6 Pareto Graf

Graf Pareto nebo ABC analýza, umožňuje identifikovat hlavní důvody, které mají největší dopad na výskyt toho
nebo jiné situace. Zásada Pareto uvádí, že 20% důvodů vytváří 80% důsledků. Jinými slovy, všech možných příčin, pouze 20% je zvláště významné, protože ovlivňují výsledky, které tvoří 80% celkového počtu.

Princip Pareto stále nosí jméno 20-80. Tento princip je pojmenován tak na počest italského ekonoma Wilfredo Pareto, který na konci XIX století upozornil na skutečnost, že 80% italského kapitálu se zaměřuje v rukou 20% italské populace. Později byla spravedlnost tohoto pravidla potvrzena pozorováním a následnými výpočty výsledků v různých odvětvích života. Odstranění 20% z celkového počtu novějších nesrovnalostí tedy rozptýluje 80% z celkové částky nákladů na odstranění všech možných nesrovnalostí; Pro dodavatelskou společnost 20% z celkového počtu zákazníků tvoří 80% zisku atd. Zaměřujeme se na jeho dopad na 20% důvodů, ovlivňujeme 80% důsledků. Následující 30% důvodů vytvářejí, přímo dost, pouze 15% důsledků a nakonec zbývajících 50% ovlivňuje pouze 5% důsledků. Takže můžeme
distribuujte svou pozornost a dopad na základě významu a efektivnosti výsledků.

Například, pokud vezmete libovolný text a vypočítat, kolikrát je nalezen každý dopis, pak s velkou pravděpodobností, ukazuje, že písmena tvořící 20% abecedy formu
80% celkového textu.

Příkladem pareto diagramu je znázorněn na obrázku 16.

Obrázek 16 - Pareto Graf

2.1.7 Diagram korelace

Korelační schéma (disperzní diagram) je grafickým mapováním poměru mezi proměnnými spojenými s sebou. Tento diagram je navržen tak, aby zjistil princip, pomocí které se mění podmíněně závislé variabilní proměnné, když je hodnota nezávislých variabilních změn.

Například na obrázku 17 je ukázáno, jak se při výměně změní objem prodeje karbonátových nápojů povětrnostní podmínky. Existuje silná pozitivní korelace.

pit-plést, PCS.

Obrázek 17 - Disperzní graf

2.1.8 Ovládací mapy

Použití řídicích karet se používá při plánování, navrhování, určování změn v procesu, jakož i měření účinku určitého vnějšího zásahu nebo akce (obrázek 18).

Kromě toho je analýza dočasné série na kontrolních kartách užitečná pro porovnání výsledků získaných v případě vylepšení a změn.

Obrázek 18 - Kontrolní karty

Kontrolní karta je graf s restriktivními liniemi, které ukazují přijatelný limit vysoce kvalitní výroby.Pomáhá hodně detekovat abnormální situace ve standardních výrobních procesech.

Kontrolní karty - zvláštní zobrazení Grafy, nejprve navržené Shukharty v roce 1925, mají formulář zobrazený na obrázku 18. Kontrolní karty se používají k zobrazení v čase (vlevo doprava) pozorovaný výsledek nebo stav procesu vzhledem k průměru nebo mezi horní a nižší limity.

Druhy řídicích karet

Existují dva typy řídicích karet: Jeden je určen k řízení parametrů kvality, jejichž hodnoty jsou kvantifikovanýdata parametrů dat (hodnoty velikosti, hmotnost, elektrické a mechanické parametry atd.), A druhá - ovládat parametry kvality, které jsou diskrétní náhodné proměnné a hodnoty, které jsou kvalitnídata (vhodná - není vhodná, odpovídá - neodpovídá vadný - tmavě smýšlející produkt atd.) (Obrázek 19).

Obrázek 19 - Postup pro výběr typu řídicí karty

(n. - Vzorkování)

Ovládací mapy pro funkce kvality

Mapa podílu vadných produktů ( p.-Cart) Podíl vadných výrobků ve vzorku se vypočítá. Použije se, když velikost proměnné odběru vzorků.

Na mapě pro počet vadných produktů ( np.-Cart) Vypočítá počet vadných produktů ve vzorku. Použije se, když je velikost vzorku trvalá.

V mapě pro počet závad ve vzorku ( z-Cart) Vypočítá počet vad ve vzorku.

V mapě pro počet závad na jeden výrobek ( u.-Cart) počet defektů na jednom produktu se vypočítá ve vzorku.

Ovládací mapy na kvantitativních funkcích

Ovládací mapy na kvantitativní funkce jsou zpravidla duální karty, z nichž jeden zobrazuje změnu průměrné hodnoty procesu a 2. procesního rozptylu. Scatter lze vypočítat na základě rozsahu procesu. R.(Rozdíly mezi největší a nejnižší hodnotou), kontrolními kartami, konkrétně zkontrolujte mapy:

- Středně velké aritmetické a výboje ( h. – R.);

- medián a rozsah (mě - R.);

- individuální hodnoty ( h.);

- akcie vadných výrobků ( r.);

- počet vadných jednotek produktů ( pn.);

- počet vad ( c.);

- počet vad na jednotku výroby (\\ t u.).

V každém výrobním procesu jsou vždy změny nebo variace, které se projevují odchylky od nominálních hodnot některých parametrů charakterizujících tento proces. Ve stabilitě ve statistickém smyslu je proces chápán, když průměrná hodnota pozorovaného parametru není odchýlil od jmenovité hodnoty a hodnota variace parametru je položena v určeném intervalu. Nicméně, variace mohou být způsobeny a příčiny non-náhodné. K takovým důvodům lze například přičítat například Špatné nastavení Stroj, jeho opotřebení, nesprávné provádění provozovatele pracovních pokynů v důsledku únavy nebo malátnosti, počítačových chyb atd. Za přítomnosti takových důvodů vychází výrobní proces ze statistické kontroly.

Hlavním účelem kontrolních karet je rychle odhalit náhodné změny ve výrobním procesu, aby bylo možné identifikovat příčinu změny a provést nezbytné úpravy v procesu před uvolněním velkého počtu produktů s nízkou kvalitou. Kontrolní karty vám navíc umožňují vyhodnotit parametry charakterizující kvalitu a potenciální možnosti procesu.

Pokud je proces statisticky ovládající, téměř všechny hodnoty pozorovaného parametru (P) jsou naskládány do omezené zóny. V tomto případě nejsou požadovány žádné nápravné opatření. Hodnoty pozorovaného parametru mimo přípustnou zónu označují, že proces se stal statisticky nekontrolovatelným. Je třeba poznamenat, že existují situace, kdy jsou hodnoty řízeného parametru umístěny v přípustné zóně, ale všechny deset posledních bodů zasáhlo oblast pod středovou čáru (obrázek 20). V tomto případě byl faktor "šance" narušen a objevil se faktor "vzory", tj. Proces se statisticky nestal kontrolovaný.

Obrázek 20 - Příklady zákona faktoru
na kontrolní kartě

V procesu výroby podléhá výrobek integrovaným vlivem těchto důvodů.

Posoudit kvalitu výrobku, tj Stupeň dodržování svých parametrů (charakteristik) požadovaných hodnot, přiřazuje přípustné oblasti změny těchto charakteristik, přičemž s přihlédnutím k příčinám uvedenému výše uvedené odchylky jsou kombinovány do dvou skupin: náhodné a systematické.

Náhodné odchylky Jsou určeny samotným výrobním procesem a jsou převážně zamítnuty. Vzniknou v důsledku integrované interakce různých důvodů, jako jsou vibrace, ložiska ložiska a ovlivňují zpravidla na rozptylu řízeného
vlastnosti.

Obrázek 21A znázorňuje dvě grafika hustoty distribuce kvality h. Dvěma způsoby výroby stejného produktu. Distribuce je normální a má stejné matematické očekávání jak pro způsoby výroby. m. h. To znamená, že hodnoty znamení kvality v obou případech se v průměru shodují. Obě metody se liší pouze stupněm rozptylu. Pokud je požadováno, že hodnoty příznaků kvality ležely uvnitř přípustné oblasti s průměrnou hodnotou m. h. v dosahu [ a., b.], Poté s druhým způsobem výroby je možné větší procento manželství (na obrázku, pravděpodobnost jeho vzhledu je znázorněna šrafováním).

Systematické odchylky Jsou určeny takovými důvody jako nosit nástroj, mění se v dávce surovin, nový pracovní směna. Systematické příčiny vedou k posunutí rozptylucího středu řízené charakteristiky, jak je znázorněno na obrázku
obrázek 21b. Vznik systematických odchylek také vede ke zvýšení manželství, ale příčiny těchto odchylek mohou být detekovány a eliminovány.

ale- náhodné; b. - Systematic.

Obrázek 21 - Druhy odchylek

Funkčním účelem kontroly kvality je posouzení souladu výrobků vyrobených požadovanými vlastnostmi porovnáním vlastností vyráběných výrobků s přijetím na tyto vlastnosti uvedené v dokumentaci k výrobě těchto výrobků a identifikují důvody pro disjust .

Existují tři typy řízení výroby: vstupní řízení Materiály, suroviny a komponenty, řízení výrobního procesu a řízení vyráběných výrobků.

Vstupní řízení Poskytuje kvalitu zdrojových surovin a materiálů.

Sledování výrobního procesu - Jedná se o kombinaci všech kontrolních operací prováděných během výrobního procesu a umožňujícím procesu na základě stavu procesu, aby ji zvládly tak, aby charakteristika kvality výrobků vyrobených zůstává v rámci daných tolerancí.

Kontrola hotových výrobků Je přijatelná kontrola, která by měla zajistit podíl vhodných výrobků v dodávaných výrobcích, které nejsou nižší než úroveň specifikovaná zákazníkem.

Řízení výroby tak poskytuje kvalitu vyráběných výrobků a kontroly akceptace - kvalita výrobků dodávaných zákazníkem.

Vzhledem k tomu, že jakákoli kontrola vyžaduje určité náklady na náklady, musí výrobce při rozvoji systému řízení kvality správně spojit svazky těchto dvou typů kontroly, optimalizace funkce celkových nákladů na kontrolu, s přihlédnutím k nákladům na rizika dodavatelů, tak zákazník.

Kontrola kvality lze provést jak v kvantitativních a kvalitativních funkcích.

Kvantitativní znamení

Mnohé charakteristiky, které určují kvalitu výrobku, lze měřit. Takové vlastnosti zahrnují například průměr projektilu, pevnost v tahu závitu, chemické složení Steel et al. Typicky, kvantitativní známky produktu jsou kontinuální náhodné hodnoty. Tato distribuce je často normální nebo logaritmicky normální. Někdy kvantitativní značky jsou diskrétní náhodné hodnoty. Příklady mohou sloužit jako počet nití v kusu hmoty nebo počtu defektů na povrchu metal-kuřecího disku. Pokud je výrobní proces řízen,
pak může distribuce vadných disků poslouchat zákon
Jed.

Kvalitativní značky

Přípravek je typicky klasifikován buď jako vhodné (dobré), nebo jako nevhodné (vadné, manželství). Například zapalovač, který se nesvítí, je vadný. Někdy jsou vady distribuovány na významné a menší. Takže nedostatek šroubu v lodním motoru je významná vada a vede k přenosu motoru, zatímco poškrábání na barvu motoru budou přičítány drobným vadám.

Řízení produktových rysů umožňuje klasifikovat produkty a kvalitativně: "Dáno - není vhodný." V případě akceptačního řízení výrobků podle výsledků posouzení vzorku, takové typy distribucí jako binomiální, geometrické, hypergeometrické se používají k popisu distribuce vysoce kvalitních funkcí.

V procesu výroby výrobku existuje mnoho faktorů ovlivňujících jeho indikátory kvality. Vyhodnocení výrobního procesu Pokud jde o změnu kvality, je možné jej zvážit jako určitý soubor příčin variability. Tyto příčiny a vedou k vzhledu nízkoenergetických produktů a vadných. Pokud položka odpovídá výkresu (standard), je zrušen, pokud ne, pak - vada. Kompletní kontrola kvality výrobků v hromadné výrobě: Za prvé, neposkytuje záruku 100% kvality, a za druhé, je velmi drahé.

Využití statistických metod je velmi účinným způsobem, jak vytvořit novou technologii a kontrolu kvality výrobních procesů. Mnoho předních firem aktivně používají statistické metody a považují za vhodné strávit až 100 hodin ročně pro školení zaměstnanců s těmito metodami.

Statistické metody řízení kvality jsou filozofie, politika, systém, metodika, stejně jako technická zařízení pro řízení kvality založené na měření, analýze, testování, kontrole, údajů o vykořisťování, odborných posuzování a jiných informacích, které vám umožní spolehlivé, rozumné, řešení založená na důkazech. Informace by měly být včasné, objektivní a spolehlivé.

Následující statistické metody získaly masivní použití:

1. Řídicí listy;

2. Grafy a grafy v rovině;

3. Pareto diagram;

4. Builtrite (stratifikace), scatter diagramy (rozptyl);

5. Diagram Isicava ("rybí kost");

6. Histogramy;

7. Ovládací mapy (Shukhart).

Široký zavedení běžných japonských metod v praxi díla ruských podniků předpoklad Rychlý pokrok ve výrobě kvalitních produktů. Tento krok nevyžaduje významné náklady, pokud nebere v úvahu organizaci rozsáhlého vzdělávání pracovníků a odborníků na statistické metody a zavést je do výroby. Školení a organizace systému stimulačního systému výroby plus kvality - jedná se o klíčové body ruské kvality.

1. Je nutné jasně definovat zdroj dat (pokud jsou data shromážděna: pracoviště, stroj, pracovník; Kdo shromažďuje data: regulátor, pracovník; Frekvence sběru dat: každá 5. Položka, 1. posun, každou hodinu atd.; Materiál, ze kterého jsou detaily vyrobeny: značka, dávková; atd.

2. Je nutné vybrat metodu měření, zařízení a řídicí zařízení. Samozřejmě musí být měřicí a řídicí zařízení certifikovány (otočeny) a zaměstnanci musí být vyškoleni.

3. Je nutné určit seznam všech vlastností, které podléhají měření.

4. Je nutné vytvořit jednoduchou a uživatelsky příjemnou formu registrace pro další údaje. Doporučuje se používat kvantitativní data.

Ovládací listy

Řídicí list je papírový formulář, na kterém jsou řízené parametry a formulář předem vytištěno předem, kde musí být zadány parametry. To se provádí, takže můžete snadno a přesně zaznamenávat data měření.

V případě potřeby lze na ovládacím listu načrtnout detail náčrtu nebo diagram, který je označen, zobrazující umístění defektů (například: řídicí list lokalizace vad).

Následující informace musí být v seznamu řízení:

Podrobnosti o jmenování a označení, číslo strany (objednávka), z nichž jsou odebrány části, celkový počet osvědčených dílů;

Symbol technického procesu, výrobní operace;

Počet workshopu, místo, kde byly provedeny podrobnosti;

Mark stroj a číslo továrního čísla;

Značka materiálu, ze které byly detaily vyrobeny;

Datum a čas výroby dílů, pracovní směna;

Jména pracovníků, kteří detaily a jejich kvalifikaci;

Příjmení, zaměstnanec, který provedl měření a vyplnění formuláře a jeho kvalifikace;

Informace o metodologii a měřicích přístrojech (značka měřicího zařízení, čísla továrního zařízení, řídicího zařízení atd.)

Grafy a grafy v letadle

Nejčastějším prostředkem vizuální prezentace kvantitativních dat jsou grafy a grafy.

S jejich pomocí můžete kombinovat velké množství informací malá místa. \\ T Papíru, a oznámit výsledky analýzy určitého komplexního problému jasně, komprimované a jasné.

Příklady mohou sloužit:

Lineární grafy;

Sloupcové grafy;

Kruhové diagramy.

Graf Pareto.

Příčiny změny kvality jsou nespočet a jejich dopad na kvalitu je jiný. Všechny možné důvody lze rozdělit do dvou skupin:

- "Málo v podstatě důležité", které mají významný dopad na kvalitu;

- "četné bezvýznamné", který pokrývá velký počet důvodů, ale mírně ovlivňující kvalitu.

Je zřejmé, že při analýze důvodů vzhledu vad je nutné nalézt základní důvody, které způsobují, že vznik defektů přidělují a eliminují.

Různá datová pole je obtížné analyzovat, dokud nebudou prezentovány ve vizuální a srozumitelné formě.

Analýza Pareto. - jedná se o způsob klasifikace příčin defektů "Několik podstatně důležitých" a "četné nevýznamné". Ve většině případů vzniká ohromující počet defektů a souvisejících ztrát v důsledku relativně malého počtu důvodů.

Analýza Paretova hodňuje jednotlivé oblasti důležitosti nebo důležitosti a umožňuje identifikovat a nejprve eliminovat tyto důvody, které způsobují největší číslo problémy (nesrovnalosti).

Systém postavený na základě seskupení na diskrétních vlastnostech se umístil v sestupném pořadí (například frekvencí vzhledu) a ukazuje kumulativní (akumulovanou) frekvenci, se nazývá pareto diagram (obr. 3).

Obr. 3 Příklad grafu Pareto

1 - chyby ve výrobním procesu; 2 - nízko kvalitní suroviny;

3 - Špatné nástroje pro kvalitu; 4 - nízko kvalitní vzory;

5 - nízko kvalitní výkresy; 6 - Ostatní;

A - relativní kumulativní (akumulovaná) frekvence,%;

n je počet produktů vadných jednotek.

Výše uvedený diagram byl postaven na základě seskupení vadných výrobků podle typu manželství a umístění v sestupném pořadí počtu jednotek vadných výrobků každého typu. To vám umožní porovnat pořadové faktory, které určují kvalitní problémy.

Pareto diagram lze využít velmi široký. S tím je možné odhadnout účinnost opatření přijatých ke zlepšení kvality výrobků, budování před a po provedení změn.

Analýza Pareto. - představuje jeden z nástrojů pro identifikaci a soustředění pozornosti několik životních faktorů ovlivňující kvalitu (ilustruje fareto diagram).

Builtrite (stratifikace)

Distribuce dat získaných do jednotlivých skupin (vrstev) na konkrétní funkci v závislosti na vybraném faktoru se nazývá svazek nebo stratifikace.

Jako stratifikační faktor mohou být vybrány všechny parametry, které určují funkce podmínek pro výskyt a přijetí dat.

Svazek lze provést:

Podle umělců (na podlaze, zkušenosti práce, kvalifikace atd.);
- na strojích a zařízeních (podle nové nebo staré, značky, typu atd.);
- podle materiálu (v místě výroby, strana, pohledu, kvality surovin atd.);
- podle způsobu výroby (při teplotě, technologické recepci atd.).

Obchod může být proveden v oblastech, firmách, prodejců, typech zboží, ročních období atd.

Svazek pomáhá zjistit důvod vzhledu vady, pokud je detekován rozdíl v datech mezi vrstvami.

Při přípravě na sběr dat pro jakýkoliv problém je nutné důkladně zvážit rozdělení dat do skupin při zadávání formuláře.

Scatter diagram (rozptyl)používá se k detekci závislosti (korelace) některých ukazatelů od ostatních nebo stanovení stupně korelace mezi n datových párů pro proměnné x a y:

(x 1, y 1), (x 2, y 2), ..., (x n, y n).

Tyto údaje se aplikují na graf (schéma rozptylu) a k němu je vypočteno korelační koeficient.

,

,

,

Kovariance;

Standardní odchylky náhodných proměnných x. a y;

n. - Velikost vzorku (počet dvojic dat - x I. a i. I.);

a - mírné hodnoty x I. a i. I. Konkurenční.

Zvažte různé varianty rozptylových diagramů (nebo korelačních polí) na OBR. čtyři.

Obr. 4 varianty scatter diagramů.

Když:

ale) Můžete mluvit o pozitivní korelaci (se zvyšováním x. Zvýšení y.);

b.) Negativní korelace se projevuje (se zvyšujícím se x. snižuje se y.);

v) S Roste. x Y. Možná, jak růst, tak snížit, neříkají žádnou korelaci. To však neznamená, že mezi nimi neexistuje žádná závislost, mezi nimi neexistuje lineární závislost. Zřejmé nelineární (exponenciální) závislost je prezentována ve schématu rozptylu g.).

Korelační koeficient vždy vyžaduje hodnoty v intervalu, tj. v r\u003e 0 - pozitivní korelace, v r \u003d 0 - žádná korelace, kdy r.<0 – отрицательная корреляция.

Pro ty n. Data (data) x 1, y 1), (x 2, y 2), ..., (x n, y n) Můžete navázat vztah mezi x. a y.. Vzorec vyjadřuje tuto závislost nazývá se regresní rovnice (nebo regresní linie) a je přítomna obecně

y \u003d a + bx.

Pro stanovení regresní linky (obr. 5) je nutné statisticky vyhodnotit regresní koeficient b. A konstantní a.. K tomu musí být dokončeny následující podmínky:

1) Regresní řádek by měla projít body ( x, Y.) Střední hodnoty x. a y..2) Součet čtverců odchylek od hodnot regresní linie y. Přes všechny body by měly být nejmenší.

3) Pro výpočet koeficientů ale a b. Jsou použity vzorce

.

Ty. Regresní rovnice může také přibližovat reálná data.

Obr. 5 Příklad regresní řádek.