Statisztikai folyamatszabályozás

Slides:



Advertisements
Hasonló előadás
I. előadás.
Advertisements

SPC/SQC valósidejű rendszerekben 2000 November /Magyar Batch Fórum 1 Hi-Spec Solutions SPC/SQC in Real Time Systems (Statisztikai és minőségi szabályzás.
Kvantitatív módszerek
Folyamat beállítások szabályozása
Kontrollkártyák a gyógyszeriparban
Statisztikai folyamatszabályozás
Mérési pontosság (hőmérő)
Becsléselméleti ismétlés
Minőségmenedzsment 4. előadás
Dr. Balogh Péter egyetemi adjunktus Gazdaságelemzési és Statisztikai Tanszék STATISZTIKA I. 11. Előadás.
STATISZTIKA II. 5. Előadás Dr. Balogh Péter egyetemi adjunktus Gazdaságelemzési és Statisztikai Tanszék.
Dr. Szalka Éva, Ph.D.1 Statisztika II. VII.. Dr. Szalka Éva, Ph.D.2 Mintavétel Mintavétel célja: következtetést levonni a –sokaságra vonatkozóan Mintavétel.
Statisztika II. IV. Dr. Szalka Éva, Ph.D..
Statisztika II. II. Dr. Szalka Éva, Ph.D..
Előadó: Prof. Dr. Besenyei Lajos
Mintavételes eljárások
Funkciópont elemzés: elmélet és gyakorlat
Regresszióanalízis 10. gyakorlat.
Számítógéppel segített minőségbiztosítás (SPC és SQC)
Kvantitatív módszerek
Nem-paraméteres eljárások, több csoport összehasonlítása
Statisztika II. VIII. Dr. Szalka Éva, Ph.D..
Kvantitatív módszerek
Budapesti Műszaki és Gazdaságtudományi Egyetem
Alapfogalmak Alapsokaság, valamilyen véletlen tömegjelenség.

Budapesti Műszaki és Gazdaságtudományi Egyetem Biokémiai és Élelmiszertechnológiai Tanszék Mintavétel Élelmiszeranalitika előadás december 3.
A statisztikai próba 1. A munka-hipotézisek (Ha) nem igazolhatók közvetlen úton Ellenhipotézis, null hipotézis felállítása (H0): μ1= μ2, vagy μ1- μ2=0.
Nominális adat Módusz vagy sűrűsödési középpont Jele: Mo
Az F-próba szignifikáns
HEFOP Minőségirányítás 13. hét: A minőségfejlesztést segítő technikák I.
Idősor elemzés Idősor : időben ekvidisztáns elemekből álló sorozat
Valószínűségszámítás
Gazdaságstatisztika 16. előadás Hipotézisvizsgálatok Alapfogalamak
Alapsokaság (populáció)
Várhatóértékre vonatkozó próbák
Költség-minimalizálás az ellenőrző kártyák alkalmazásánál Feladatmegoldás, kiegészítés.
Minőségbiztosítás II_5. előadás
I. előadás.
Petrovics Petra Doktorandusz
Minőségbiztosítás II_6. előadás
Bevezetés a méréskiértékelésbe (BMETE80ME19) Intervallumbecslések 2014/
Bevezetés a méréskiértékelésbe (BMETE80ME19) 2014/
Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Regresszió-számítás március 30. Dr. Varga Beatrix egyetemi.
Minőségbiztosítás II_4. előadás
Bevezetés a méréskiértékelésbe (BMETE80ME19) 2014/
Bevezetés, tippek Ea-gyak kapcsolata Statisztika II -más tárgyak kapcsolata Hogyan tanulj? Interaktív órák, kérdezz, ha valami nem világos! tananyag =előadások.
Konzultáció – Leíró statisztika október 22. Gazdaságstatisztika.
Leíró statisztika, részekre bontott sokaság, becslés Árva Gábor PhD Hallgató.
Gazdaságstatisztika Gazdaságstatisztika Korreláció- és regressziószámítás II.
Minőségmenedzsment alapjai Minőségmenedzsment alapjai November 27. Dénes Rita.
Nyíregyházi Főiskola 2008 A folyamattal kapcsolatos alapfogalmak. Folyamatszabályozás. Gép és folyamatképesség meghatározása, szabályozókártyák.
1 Statisztikai folyamatszabályozás D R. TÓTH ZSUZSANNA ESZTER M ENEDZSMENT ÉS VÁLLALATGAZDASÁGTAN TANSZÉK ÜZLETI TUDOMÁNYOK INTÉZET GAZDASÁG - ÉS TÁRSADALOMTUDOMÁNYI.
Statisztikai folyamatszabályozás
Statisztikai folyamatszabályozás
Szóródási mérőszámok, alakmutatók, helyzetmutatók
Kvantitatív módszerek MBA és Számvitel mesterszak
Becsléselmélet - Konzultáció
Minőségbiztosítás II_3. előadás
6 szigma.
Gazdaságstatisztika Konzultáció a korreláció- és regressziószámítás, idősorok elemzése témakörökből.
I. Előadás bgk. uni-obuda
Hipotézisvizsgálatok Paraméteres próbák
Szabályozott és képes termékek/szolgáltatások, folyamatok, rendszerek
Kockázat és megbízhatóság
Statisztikai folyamatszabályozás (a diasort készítette Kotsis Ágnes)
BME – PRO PROGRESSIO INNOVÁCIÓS DÍJ PÁLYÁZAT 2018.
5. előadás.
Adatfeldolgozási ismeretek környezetvédelmi-mérés technikusok számára
Mérések adatfeldolgozási gyakorlata vegyész technikusok számára
Előadás másolata:

Statisztikai folyamatszabályozás Dr. tóth zsuzsanna eszter Menedzsment és vállalatgazdaságtan tanszék üzleti tudományok intézet gazdaság- és társadalomtudományi kar budapesti műszaki és gazdaságtudományi egyetem Forrás: Erdei J., Minőségmenedzsment módszerek (SPC), Bedzsula, B.: Minőségmenedzsment

Mai menetrend Szabályozás ellenőrzőkártyákkal Beavatkozási határok Tipikus mintázatok Mintavételi megfontolások Átlagos sorozathossz Méréses kártyák

Ellenőrzőkártyás szabályozás A szabályozott jellemző és a beavatkozási határok egybevetése Döntés a beavatkozásról Szabályozott jellemző képzése Technológiai-és termékjellemzők mérése Beavatkozás a technológiai folyamat belső törvénysze- rűségeinek ismeretében

Kártyák használatának előnyei Növeli a termelékenységet Segít a folyamatot szabályozott állapotban tartani Megakadályozza a felesleges folyamat (gép) állítgatásokat Információt ad a folyamat (gép) állapotáról Információt ad a folyamatképesség-elemzésekhez

Kártyák működésének elvi alapjai FTH FBH ABH ATH

Beavatkozási határok tervezése FTH FBH ABH ATH

Ellenőrzőkártyák fajtái Minősítéses kártyák np-kártya (selejtszám) c-kártya (hibaszám) p-kártya (selejtarány) u-kártya (fajlagos hibaszám) Méréses kártyák egyedi érték kártya átlag, medián kártya szórás, terjedelem kártya Egyéb speciális kártyák

Minden egyes pont egy természetes alcsoportot jelent? Méréses jellemző Minden egyes pont egy természetes alcsoportot jelent? VAGY Rendszertelenül gyűjtenek adatokat? Az adatok normális eloszlásúak? Egyedi érték kártya Igen Igen Igen Az adatok folytonos skálán mérhetőek? (idő, tömeg, hőm.) Mozgó átlag- mozgó terj. kártya Nem Nem Nem Az adatok megszámlálhatóak? (selejtes termékek, reklamációk) A nem megfelelő termékek megszámlálhatóak? Igen Igen Változhat a minta? Igen p-kártya Nem Minősítéses jellemző np-kártya Nem A hibák megszámlálhatóak (egy terméknek több hibája lehet) Igen Igen Változhat a minta? u-kártya Nem c-kártya

Beavatkozási határok számolása A számítás elvi menete Szükséges alapadatok: Számolandó: - a célállapot statisztikai jellemzői F0(x), M0(), D0() …. - n, mintaszám - ABH, FBH beavatkozási határok - a döntési hibák ,  - a ß-hoz kapcsolódó alternatív (zavar) állapot statisztikai jellemzői F1(x), M1(), D1() ….

Beavatkozási határok számolása A számítás gyakorlati menete Szükséges alapadatok: 3σ-ás modell ABH = középérték - 3·szórás FBH = középérték + 3·szórás Számolandó: - a célállapot statisztikai jellemzői F0(x), M0(), D0() …. - ABH, FBH beavatkozási határok - elsőfajú hiba,  - mintaszám, n - ß, másodfajú hiba - a ß-hoz kapcsolódó alternatív (zavar) állapot statisztikai jellemzői F1(x), M1(), D1() …. „Kényelmes”, de vigyázzunk a  -ra!!!

Példa Műanyag padló 1 m2-re eső felületi hibáinak átlagos száma 2 db. A folyamatot szabályozni szeretnénk a=10%-os elsőfajú hiba mellett. Tervezze meg a beavatkozási határt! Mekkora a másodfajú hiba mértéke, ha a hibaszám 4-re nő? Tervezze meg a beavatkozási határt 3s-ás modellel! A fenti zavarhatás fellépésekor, mekkora a másodfajú hiba?

Példa – 1. rész 0,8571 0,9473 FBH = 5 Poisson-eloszlás k pk 0 0,1353  0,2 0 1 2 3 4 5 k 0,1 k pk 0=2 0 0,1353  1 0,2707 2 0,2707 3 0,1804 4 0,0902 5 0,0361 6 0,0120 0,8571 0,9473 FBH = 5

Példa – 2. rész  = 0, 6289 k pk 0=2 1=4  0 0,0183 1 0,0733 0,2 0 1 2 3 4 5 k 0,1 k pk 0=2 1=4  0 0,0183 1 0,0733 2 0,1465 3 0,1954 4 0,1954 5 0,1563 6 0,1042 7 0,0595  = 0, 6289

Példa – 3. rész 3-ás modell ABH = 0 FBH = 7  = ? = 0,8894

Példa - 2 Egy szabályozott gyártási folyamatban a kritikus minőségi jellemző μ0= 3,1 cm3, 0=0,08 cm3 normális eloszlást követ. a.) Számolja ki a μ0±2σ0 beavatkozási határok esetén n=1 elemű mintavétel mellett az elsőfajú hiba valószínűségét! b.) Mekkora a másodfajú hiba valószínűsége, ha a várható érték μ1= 3,3 cm3 -re változott?

Példa - 2 (Normális eloszlás) b a/2 FBH=3,26 cm3 m0=3,1 ® m1=3,3 b=P(ABH<x1<FBH) ABH=2,94 cm3 a/2 P(x0<ABH) = =F(-2) = 2,28% a = 2·2,28 = 4,56% = 30,85%

Példa - 2 c.) Mekkora az első és másodfajú hiba valószínűsége, μ0±3σ0 beavatkozási határok valamint n=1 és n=4 elemű mintavétel mellett?

Példa - 2 2,28% n = 4 n = 1 a = 0,27% = 69,15% m0=3,1 ® m1=3,3 FBH=3,34 cm3 ABH=2,98 cm3 FBH=3,22 cm3 ABH=2,86 cm3 a/2 F(-3) = 0,135% 2,28% a = 0,27% = 69,15%

OC görbe

Ellenőrzőkártya vázlata FBH UCL LCL ABH

„Mintázatok” Egy pont az A zónán kívül 9 egymás utáni pont a középső vonal egyik oldalán helyezkedik el. 6 egymás utáni pont egyirányú menetet mutat. 14 egymás utáni pont le-föl ingadozik. 3 egymás utáni pont közül 2 az A zónában vagy azon kívül van.

„Mintázatok” folyt. 5 egymás utáni pont közül 4 a B zónába vagy azon kívülre esik 15 egymást követő pont a C zónában van. 8 egymást követő pont a C zónán kívül.

Kártyák használata A mérendő változó meghatározása Mintaelemszám meghatározása Előzetes mintavétel a paraméterek becslésére Határok számolása, ábrázolás Kártya alkalmazása

Mintavétel Mintanagyság Általános szabály: az alcsoport homogén legyen, ne legyen benne középértéket befolyásoló hatás.

*: Forrás: QS9000 Statistical Process Control (SPC) kézikönyv Mintavétel helye *: Forrás: QS9000 Statistical Process Control (SPC) kézikönyv

Még mindig a mintavételről *: Forrás: QS9000 Statistical Process Control (SPC) kézikönyv

ARL meghatározása Szabályozott állapotban: ARL= 1/α ARL = Average Run Length, várható sorozathossz Szabályozott állapotban: ARL= 1/α Adott eltolódásnál: ARL= 1/(1-ß)

ARL számolása α = 0,0527 Szabályozott állapotban: ARL= 1/α = 18,97 ß = 0,6289 Adott eltolódásnál: ARL= 1/(1-ß) = 2,69 3σ-ás modell α = 0,0046 Szabályozott állapotban: ARL= 1/α = 217,39 ß = 0,8894 Adott eltolódásnál: ARL= 1/(1-ß) = 9,04

μ=250g σ=1g Δ=μ1-μ0=A·σ n A μ1 ß ARL1 5 -2 248 7,472 1,472 1 0,9295 0,0705 1,076 -1,5 248,5 6,354 -0,354 0,6383 0,367 1,566 -1 249 5,236 -0,764 0,2224 0,7776 4,496 -0,5 249,5 4,118 -1,882 0,999998 0,02992 0,97 33,44 10 9,324 3,324 0,999556 0,0012 1,001 7,743 1,743 0,959333 0,0407 1,042 6,162 0,162 0,564347 0,4364 1,776 4,581 -1,418 0,078095 0,9208 12,63

Méréses ellenőrzőkártyák

Méréses ellenőrzőkártyák alkalmazása A legtöbb folyamat és ezek végterméke rendelkezik mérhető jellemzőkkel; egy mennyiségi érték (pl. „az átmérő 16,45 mm”) több információt tartalmaz, mint egy egyszerű igen-nem minősítés (pl. „az átmérő a tűrésen belül van”); kevesebb darabot kell ellenőrizni, hogy több információhoz jussunk a folyamatról, így egyes esetekben a teljes mérési költség alacsonyabb lehet; a darabok gyártása és a javító beavatkozás közötti idő gyakran lerövidíthető; a fejlődés mennyiségileg meghatározható.

Méréses ellenőrzőkártyák szerkesztése Előzetes adatfelvétel Az eloszlás paramétereinek a becslése Gyártásközi ellenőrzés A folyamat azonos-e azzal a folyamattal, amit az előzetes adatfelvétellel rögzítettünk Külső előírások

(Mozgó terjedelem kártya) Egyedi érték kártya (Mozgó terjedelem kártya) Szakaszos technológia „Lassú” gyártás Automatikus (100%-os) ellenőrzés Drága a mérés Termékjellemző

Ingadozás mérése a mozgó terjedelmekkel történik. Egyedi érték kártya Ingadozás mérése a mozgó terjedelmekkel történik. n=2

Mozgó terjedelem kártya A kártya paraméterei:

Egyedi érték – mozgó terjedelem kártya Xi MRi 1 248,49 - 2 249,84 1,35 3 250,39 0,55 4 249,96 0,43 5 250,08 0,12 6 250,04 0,04 7 250,50 0,46 8 249,95 9 249,57 0,38 10 250,09 0,52 11 251,86 1,77 12 251,32 0,54 13 250,94 14 250,63 0,31 15 252,21 1,58 16 250,83 1,38 17 250,61 0,22 18 250,64 0,03 19 0,00 20 249,88 0,76

i Xi MRi 1 248,49 - 2 249,84 1,35 3 250,39 0,55 4 249,96 0,43 5 250,08 0,12 6 250,04 0,04 7 250,50 0,46 8 249,95 9 249,57 0,38 10 250,09 0,52 11 251,86 1,77 12 251,32 0,54 13 250,94 14 250,63 0,31 15 252,21 1,58 16 250,83 1,38 17 250,61 0,22 18 250,64 0,03 19 0,00 20 249,88 0,76

Köszönöm a figyelmet! tóth zsuzsanna eszter Menedzsment és vállalatgazdaságtan tanszék üzleti tudományok intézet gazdaság- és társadalomtudományi kar budapesti műszaki és gazdaságtudományi egyetem tothzs@mvt.bme.hu