Statistiskā procesa kontrole

Vēsture

20. gadsimta 20. gadu sākumā Valters A. Ševharts (Walter A. Shewhart) aizsāka statistisko procesu kontroli. Ševharts radīja pamatu kontroles diagrammai un statistiskās kontroles stāvokļa koncepcijai, izmantojot rūpīgi izstrādātus eksperimentus. Lai gan Dr. Ševharts izmantoja tīras matemātiskās statistikas teorijas, viņš saprata, ka fizikālo procesu dati reti veido "normālā sadalījuma līkni" (Gausa sadalījumu, ko parasti dēvē arī par "zvana līkni"). Viņš atklāja, ka ražošanas datu novērotās variācijas ne vienmēr uzvedas tāpat kā dati dabā (piemēram, daļiņu Braunakustība). Dr. Ševharts secināja, ka, lai gan katrā procesā ir novērojamas variācijas, dažos procesos ir novērojamas kontrolētas variācijas, kas ir dabiskas procesam (parastie variāciju cēloņi), bet citos - nekontrolētas variācijas, kas procesa cēloņsakarību sistēmā nepastāv visu laiku (īpašie variāciju cēloņi). Nekontrolētas variācijas bieži vien ir saistītas ar produktiem ar trūkumiem, kas ir uz datiem balstīts līdzeklis problēmu identificēšanai un kvalitātes uzlabošanai.

W. Edvardss Demings vēlāk piemēroja SPC metodes ASV Otrā pasaules kara laikā, tādējādi veiksmīgi uzlabojot munīcijas un citu stratēģiski svarīgu produktu ražošanas kvalitāti. Pēc kara beigām viņš palīdzēja ieviest SPC metodes Japānas rūpniecībā. Deminga pieeju, kas izmanto SPC un saistītās vadības metodes, sāka dēvēt par kvalitātes vadības sistēmu.

Pieteikums

Tālāk sniegtais apraksts attiecas uz ražošanu, nevis uz pakalpojumu nozari, lai gan SPC principus var veiksmīgi piemērot jebkurā no šīm nozarēm. Aprakstu un piemēru, kā SPC var piemērot pakalpojumu vidē, skatīt Roberts (2005). Selden apraksta, kā izmantot SPC pārdošanas, mārketinga un klientu apkalpošanas jomās, kā uzskatāmu piemēru izmantojot Deminga slaveno sarkano pērlīšu eksperimentu.

Sērijveida ražošanā gatavā izstrādājuma kvalitāti tradicionāli nodrošināja, veicot produkta pārbaudi pēc ražošanas; katru izstrādājumu (vai ražošanas partijas paraugus) pieņēma vai noraidīja, pamatojoties uz to, cik labi tas atbilst projekta specifikācijām. Turpretī statistiskajā procesa kontrolē izmanto statistikas rīkus, lai novērotu ražošanas procesa veiktspēju un prognozētu būtiskas novirzes, kuru rezultātā vēlāk var tikt noraidīts izstrādājums.

Visos ražošanas procesos rodas divu veidu variācijas: abi šie procesa variāciju veidi rada turpmākas variācijas galaproduktā. Pirmā ir pazīstama kā dabiskā jeb vispārējā cēloņa variācija, un to veido variācija, kas raksturīga projektētajam procesam. Pie parasto cēloņu variācijām var piederēt temperatūras, izejvielu īpašību, elektriskās strāvas stipruma u. c. variācijas. Otrais svārstību veids ir pazīstams kā īpašo cēloņu svārstības jeb pielīdzināmo cēloņu svārstības, un tās rodas retāk nekā pirmās. Veicot pietiekamu izpēti, var atrast īpašu iemeslu, piemēram, neparastas izejvielas vai nepareizus iestatīšanas parametrus, kas izraisa īpašas cēloņu novirzes.

Piemēram, brokastu pārslas iepakošanas līnija var būt veidota tā, lai katrā pārslas kastē būtu 500 gramu produkta, bet dažās kastēs būtu nedaudz vairāk nekā 500 gramu, bet dažās - nedaudz mazāk, atbilstoši neto svara sadalījumam. Ja mainās ražošanas process, tā izejvielas vai vide (piemēram, ražošanas mašīnas sāk nolietoties), šis sadalījums var mainīties. Piemēram, nolietojoties kumelītēm un skriemeļiem, graudaugu pildīšanas mašīna var sākt iepildīt katrā kastē vairāk graudaugu, nekā noteikts. Ja šīs izmaiņas turpinās nekontrolēti, tiks saražots arvien vairāk produktu, kas neatbilst ražotāja vai patērētāja pielaidēm, un tas radīs atkritumus. Lai gan šajā gadījumā atkritumi ir patērētājam "bezmaksas" produkta veidā, parasti atkritumus veido pārstrādes vai lūžņi.

Laikus novērojot, kas noticis procesā, kas izraisījis izmaiņas, kvalitātes inženieris vai jebkurš par ražošanas līniju atbildīgās komandas loceklis var novērst procesā iekļuvušās variācijas pamatcēloni un novērst problēmu.

SPC norāda, kad procesā jāveic kāda darbība, bet tas arī norāda, kad NAV jāveic nekāda darbība. Piemēram, persona, kas vēlas uzturēt nemainīgu ķermeņa svaru un ik nedēļu veic svara mērījumus. Persona, kas neizprot SPC jēdzienus, varētu sākt ievērot diētu ikreiz, kad svars palielinās, vai ēst vairāk ikreiz, kad svars samazinās. Šāda rīcība varētu būt kaitīga un, iespējams, radīt vēl lielākas ķermeņa svara svārstības. SPC ņemtu vērā normālas svara svārstības un labāk norādītu, kad persona faktiski pieņem vai zaudē svaru.

SPC pamatposmi

Statistisko procesa kontroli var plaši iedalīt trīs darbību grupās: procesa izpratne, variāciju cēloņu izpratne un īpašo cēloņu variāciju avotu novēršana. Galvenie SPC rīki ir kontroles diagrammas, koncentrēšanās uz nepārtrauktu uzlabošanu un plānotie eksperimenti.

Lai izprastu procesu, parasti tiek izstrādāta procesa karte un process tiek uzraudzīts, izmantojot kontroles diagrammas. Kontroles diagrammas tiek izmantotas, lai identificētu variācijas, kas var būt radušās īpašu iemeslu dēļ, un lai atbrīvotu lietotāju no bažām par variācijām, kas radušās parasto cēloņu dēļ. Tā ir nepārtraukta, nepārtraukta darbība. Ja process ir stabils un neizraisa nevienu no kontroles diagrammas noteikšanas noteikumiem, var veikt arī procesa spēju analīzi, lai prognozētu pašreizējā procesa spēju nākotnē ražot atbilstošu (t. i., specifikācijai atbilstošu) produktu.

Ja, izmantojot kontroles diagrammas noteikšanas noteikumus, tiek konstatētas pārmērīgas novirzes vai tiek konstatēts, ka trūkst procesa spējas, tiek pieliktas papildu pūles, lai noteiktu noviržu cēloņus. Tiek izmantoti tādi instrumenti kā Išikavas diagrammas, plānotie eksperimenti un Pareto diagrammas. Šajā SPC posmā ļoti svarīgi ir projektētie eksperimenti, jo tie ir vienīgais veids, kā objektīvi kvantitatīvi noteikt daudzo iespējamo noviržu cēloņu relatīvo nozīmi.

Kad variāciju cēloņi ir kvantitatīvi noteikti, tiek veltītas pūles, lai novērstu tos cēloņus, kas ir gan statistiski, gan praktiski nozīmīgi (t. i., cēloni, kam ir tikai neliela, bet statistiski nozīmīga ietekme, var neuzskatīt par rentablu novērst; savukārt cēloni, kas nav statistiski nozīmīgs, nekad nevar uzskatīt par praktiski nozīmīgu). Parasti tas ietver standarta darba izstrādi, kļūdu novēršanu un apmācību. Var būt nepieciešamas papildu procesa izmaiņas, lai samazinātu novirzes vai saskaņotu procesu ar vēlamo mērķi, jo īpaši, ja ir problēmas ar procesa spēju.

SPC un programmatūras kvalitāte

1989. gadā Programmatūras inženierijas institūts ieviesa ideju, ka SPC var lietderīgi piemērot ar ražošanu nesaistītiem procesiem, piemēram, programmatūras inženierijas procesiem, izmantojot spēju brieduma modeli (CMM). Šobrīd šī ideja pastāv spēju brieduma modeļa integrācijas (CMMI) 4. un 5. līmeņa praksēs. Tomēr šis uzskats, ka SPC ir noderīgs instruments, ja to piemēro neatkārtojamiem, zināšanu ietilpīgiem procesiem, piemēram, inženierzinātņu procesiem, ir sastapies ar lielu skepticismu un joprojām ir pretrunīgs. Problēma slēpjas daudzās programmatūras jomās, kas nav atkārtojamas, bet gan ir vienreizēji vai vienreizēji kvalitātes aspekti, nevis tiek novērotas atkārtotas darbības ilgtermiņa perspektīvā.

Saistītās lapas

• Kvalitātes nodrošināšana
• Kvalitātes kontrole
• ANOVA
• Paraugu ņemšana (statistika)
• Seši sigma