statistical process control-solved examples
TRANSCRIPT
-
8/19/2019 Statistical process control-solved examples
1/36
-
8/19/2019 Statistical process control-solved examples
2/36
SADRŽAJ
1 UVOD I MOTIVACIJA ................................................................................. 1
2 PRAKTIČNA PRIMJENA KONTROLNIH KARATA ............................. 2
2.1 Primjer 1. - Zadatak 15-91 i 15-92 iz (1) ....................................................................... 2
2.2 Primjer 2. – Zadatak 15-21 iz (1) ................................................................................ 10
2.3 Primjer 3. – Zadatak 15-73 iz (1) ................................................................................ 13
2.4 Primjer 4. – Zadatak 4.8 iz (2) ..................................................................................... 17
2.5 Primjer 5. – Zadatak 15-53 iz (1) ................................................................................ 21
2.6 Primjer 6. – Zadatak 15-94 iz (1) ................................................................................ 25
2.7 Primjer 7. – Zadatak 15-93 iz (1) ............................................................................... 28
2.8 Primjer 8. – Zadatak 8.1 iz (3) ..................................................................................... 32 3 LITERATURA .............................................................................................. 34
-
8/19/2019 Statistical process control-solved examples
3/36
STATISTIČKA KONTROLA PROCESA – KONTROLNE KARTE
1
1 UVOD I MOTIVACIJA
U svom radu stručnjaci iz područja industrijskog inženjerstva u velikom broju slučajeva
susreću se zadacima koji se odnose na optimizacijuodreĎenih vrsta procesa. Metrika
uspješnosti spomenute vrste poslova uglavnom uključuje odreĎene ekonomske (npr. obrtaj
zaliha) ili tehničke pokazatelje (npr. vrijeme izmjene alata), dok se značajke kvalitete procesa
podrazumijevaju bez stvarnog poznavanja varijacija procesa. Pristup bilo kakvoj vrsti
optimizacije bez stvarnog znanja o rasipanju odabranog procesa ne može rezultirati
poboljšanjem kvalitete, pri čemu je stabilnost procesa jedan od najvažnijih preduvjeta za sve
daljnje korak optimizacije.
Kao odgovor na opisani problem moguće je primijeniti alate statističke kontrole procesa.
Statistička kontrola procesa (eng. Statistical process control – SPC ) odnosi se na odreĎene
statističke metode koje se intenzivno koriste za praćenje i poboljšanje kvalitete i produktivnosti
proizvodnih i uslužnih operacija i procesa (1). SPC-ov glavni alat odnosni se na primjenu
kontrolnih karata koje su predložene od strane Waltera Shewharta u njegovom radu „Economic
Control of Quality of Manufactured Product“ iz 1931. Glavni zadatak predloženih kontrolnih
karata je razlučiti slučajne od značajnih uzroka varijacija prateći i ucrtavajući varijacije u
vremenu, te alarmiranje korisnika u slučaju pojave značajnog uzroka varijacija kako bi
navedeni mogao biti eliminiran.
Fokus ovog rada stavljen je na praktičnokorištenje kontrolnih karata, čija je primjena pokazana
na širokom rasponurealnih problema. Pri tome jena struk turiran način dan pristupobradi
prikupljenih podataka, te u konačnici i formiranju kontrolne karte, primjenom programskog
rješenja Minitab 17 . Sadržajno su obraĎeni primjeri koji uključuju klasične i često
primjenjivane Shewartove kontrolne karte ( x − R i x − s), ali i CUSUM i EWMA karte, koje pokazuju znatno bolja svojstva osjetljivosti na manje pomake i pojavu trendova u kretanju
promatranih parametara. Osim toga obraĎene su i karte za atributne karakteristike parametara,
koje u današnje vrijeme gube na važnost uslijed promjene paradigme vezane za kontrolu
kvalitete. Suvremena kontrola kvalitete nalaže odmak od samog konstatiranja sukladnosti ili
nesukladnosti odreĎenog završenog proizvoda odnosno završne kontrole, teznačajan fokus
stavlja na kontinuirano unapreĎenje procesa i detekciju problema u ranoj fazi kreiranja
proizvoda kako bi kvalitetu ugradili u njega(2). U postizanju spomenutih ciljeva veoma važnu
ulogu imaju alati statističke kontrole procesa, a posebice kontrolne karte.
-
8/19/2019 Statistical process control-solved examples
4/36
STATISTIČKA KONTROLA PROCESA – KONTROLNE KARTE
2
2 PRAKTIČNA PRIMJENA KONTROLNIH KARATA
2.1 Primjer 1. - Zadatak 15-91 i 15-92 iz (3)
Promjer završetka (pin) osigurača kod motora zrakoplova važna je značajka kvalitete. Unastavku dan je prikaz 25 uzoraka veličine n=3, promjera završetka osigurača:
Tablica 1. Uzorci promjera pina osigurača
Brojuzorka
Promjer
x1 x2 x3
1 64,030 64,002 64,019
2 63,995 63,992 64,001
3 63,988 64,024 64,021
4 64,002 63,996 63,993
5 63,992 64,007 64,015
6 64,009 63,994 63,9977 63,995 64,006 63,994
8 63,985 64,003 63,993
9 64,008 63,995 64,009
10 63,998 74,000 63,990
11 63,994 63,998 63,994
12 64,004 64,000 64,007
13 63,983 64,002 63,998
14 64,006 63,967 63,994
15 64,012 64,014 63,998
16 64,000 63,984 64,005
17 63,994 64,012 63,986
18 64,006 64,010 64,01819 63,984 64,002 64,003
20 64,000 64,010 64,013
21 63,988 64,001 64,009
22 64,004 63,999 63,990
23 64,010 63,989 63,990
24 64,015 64,008 63,993
25 63,982 63,984 63,995
a) Izraditi x-R kartu za ovaj proces, u slučaju da postoje zapažanja izvan kontrolnihgranica potrebno je napraviti novu kontrolni kartu bez tih zapažanja. Napraviti procjenu
aritmetičke sredine i standardne devijacije b) Ako je specifikacija procesa 64±0.02, potrebno je izračunati indeks sposobnosti C p.
Potrebno je izračunati C pk . Kakav je zaključak o sposobnosti procesa? c) Pretpostavimo da se iznos arit. sredine pomaknuo na 64.01. Koja je vjerojatnost da će
pomak biti pronaĎen u sljedećem uzorku? Koja je vrijednost ARL nakon pomaka? d) Izraditi -S kartu za ovaj proces
-
8/19/2019 Statistical process control-solved examples
5/36
STATISTIČKA KONTROLA PROCESA – KONTROLNE KARTE
3
Rješenje primjera 1.
a) Izrada x − R karte Korak 1. Izračun raspona uzoraka R ii aritmetičkih sredina uzoraka
Brojuzorka
PromjerRi
x1 x2 x3
1 64,030 64,002 64,019 0,028 64,017
2 63,995 63,992 64,001 0,009 63,996
3 63,988 64,024 64,021 0,036 64,011
4 64,002 63,996 63,993 0,009 63,997
5 63,992 64,007 64,015 0,023 64,005
6 64,009 63,994 63,997 0,015 64,000
7 63,995 64,006 63,994 0,012 63,998
8 63,985 64,003 63,993 0,018 63,994
9 64,008 63,995 64,009 0,014 64,004
10 63,998 74,000 63,990 10,010 67,32911 63,994 63,998 63,994 0,004 63,995
12 64,004 64,000 64,007 0,007 64,004
13 63,983 64,002 63,998 0,019 63,994
14 64,006 63,967 63,994 0,039 63,989
15 64,012 64,014 63,998 0,016 64,008
16 64,000 63,984 64,005 0,021 63,996
17 63,994 64,012 63,986 0,026 63,997
18 64,006 64,010 64,018 0,012 64,011
19 63,984 64,002 64,003 0,019 63,996
20 64,000 64,010 64,013 0,013 64,008
21 63,988 64,001 64,009 0,021 63,999
22 64,004 63,999 63,990 0,014 63,998
23 64,010 63,989 63,990 0,021 63,996
24 64,015 64,008 63,993 0,022 64,005
25 63,982 63,984 63,995 0,013 63,987
Korak 2. Izračun prosjeka raspona uzoraka i izračun prosjeka aritmetičkih sredinauzoraka(eng. grand mean) R = 1
mRi =
m
i=1
10,441
25 = 0,418
x = 1m xi =
m
i=1
1.603,34
25 = 64,133
Korak 3. Izračun nepristrane procjene standardne devijacije Za n=3 → d2 = 1,693
σ = Rd2
=0,418
1,693 = 0,2467
-
8/19/2019 Statistical process control-solved examples
6/36
STATISTIČKA KONTROLA PROCESA – KONTROLNE KARTE
4
Korak 4. Izračun kontrolnih granica -R kontrolnih kartiZa n=3 → A2=1,023; D4=2,575; D3=0
RUCL= x
+ 3A
2 64,561 UCL= D
4r
1,075
CL= x 64,133 CL= r 0,418LCL= x − 3A2 63,706 LCL= D3r 0,000
Korak 5. Izrada kontrolnih karti -R
Slika 1.
Slika 2. Komentar:Pregledom kontrolnih karata jasno se može uočiti da je promatrani proces za uzorak
bro j 10 izvan statističke kontrole, što ukazuje na moguće postojanje značajnog uzrokavarijacija. Pristupa sa izradi kontrolnih karti bez uzorka broj 10, odnosno proračunu novihkontrolnih granica.
Izračun novih kontrolnih granica bez 10. uzorka:
R = 1mRi =
m
i=1
0,4310
24 = 0,01796
-
8/19/2019 Statistical process control-solved examples
7/36
STATISTIČKA KONTROLA PROCESA – KONTROLNE KARTE
5
x = 1m xi
m
i=1
=1.536,01
24 = 64,0003
σ =
Rd2
=0,01796
1,693
= 0,01061
RUCL= x + 3A2 64,0187 UCL= D4r 0,046CL= x 64,0003 CL= r 0,018LCL= x − 3A2 63,9819 LCL= D3r 0,000
Slika 3. bez uzorka broj 10
Slika 4. bez uzorka broj 10Komentar: Nakon novog izračuna kontrolnih granica, kontrolne karte ukazuju na to da je
proces u stanju statističke kontrole, bez uzorka izvan kontrolnih granica ili pojavesistematičnog ponašanja uzoraka (run pattern). Na temelju ovih spoznaja moguće je tvr diti da
proces varira samo pod utjecajem sebi svojstvenih slučajnih uzroka.
-
8/19/2019 Statistical process control-solved examples
8/36
-
8/19/2019 Statistical process control-solved examples
9/36
-
8/19/2019 Statistical process control-solved examples
10/36
STATISTIČKA KONTROLA PROCESA – KONTROLNE KARTE
8
Korak 5. Izrada kontrolnih karti -S
Slika 5.
Slika 6. Komentar:Slično kao i kod x-R kontrolnih karata jasno se može uočiti da je promatrani procesza uzorak broj 10 izvan statističke kontrole, što ukazuje na moguće postojanje značajnoguzroka varijacija. Pristupa sa izradi kontrolnih karti bez uzorka broj 10, odnosno proračununovih kontrolnih granica.
Izračun novih kontrolnih granica bez 10. uzorka:
S = 1m Si =
m
i=1
0,227
24 = 0,009
x = 1m xi =m
i=1
1.536,007
24 = 64,000
σ = Sc4
=0,009
0,8862 = 0,0102
SUCL = x + 3 s
c4 n 64,019 UCL = s + 3 s c4 1 − c42 0,0024CL = x
64,000 CL = s
0,0094
LCL = x − 3 s c4 n 63,982 LCL = s − 3 s c4 1 − c42 0,0000
-
8/19/2019 Statistical process control-solved examples
11/36
STATISTIČKA KONTROLA PROCESA – KONTROLNE KARTE
9
Slika 7. 10
Slika 8. 10 Komentar: Nakon novog izračuna kontrolnih granica, kontrolne karte ukazuju na to da je
proces u stanju statističke kontrole, bez uzorka izvan kontrolnih granica ili pojavesistematičnog ponašanja uzoraka (run pattern). Na temelju ovih spoznaja moguće je tvrditi da proces varira samo pod utjecajem sebi svojstvenih slučajnih uzroka.
-
8/19/2019 Statistical process control-solved examples
12/36
-
8/19/2019 Statistical process control-solved examples
13/36
-
8/19/2019 Statistical process control-solved examples
14/36
STATISTIČKA KONTROLA PROCESA – KONTROLNE KARTE
12
MRUCL = x + 3 mr
d2 10,536 UCL = D4mr 0,625
CL = x 10,027 CL = mr 0,191LCL = x
− 3
mr
d2 9,519 LCL = D
3
mr
0,000
Korak 5. Izrada kontrolnih karti -MR
Slika 9.
Slika 10. Komentar: Kontrolna karta za individualna mjerenja koja koristi pomični raspon dvauzastopna mjerenja, u konkretnom slučaju ukazuje da je proces u statističkoj kontroli, te da
nema značajnih uzroka varijacija. Kod interpretacije MR kontrolne karta moramo paziti zbogautokorelacije izmeĎu podataka pogotovo kod komentiranja cikličkog ponašanja (run-ova).
-
8/19/2019 Statistical process control-solved examples
15/36
STATISTIČKA KONTROLA PROCESA – KONTROLNE KARTE
13
2.3 Primjer 3. – Zadatak 15-73 iz (3)
U tvornici kemikalija, prikupljeni su podaci za jednu od karakteristika kvalitete (viskoznost).
Podaci su prikupljeni za svaku poludnevnu seriju (svakih 12 sati). Rezultati 15 uzastopnih
mjerenja dani su u tablici:
Tablica 3.Uzorci mjerenja viskoznosti
Serija Viskoznost
1 13,3
2 14,5
3 15,3
4 15,3
5 14,3
6 14,8
7 15,2
8 14,9
9 14,610 14,1
11 14,3
12 16,1
13 13,1
14 15,5
15 12,6
a) Izradite CUSUM kontrolnu kartu za ovaj proces, uz pretpostavku ciljane vrijednosti
viskoznosti od 14,1. Provjeriti da li je proces u statističkoj kontroli. b) Pretpostavite da je idućih pet mjerenja iznosilo: 14,6; 15,3; 15,7; 16,1; 16,8; te ponovno
kreirati CUSUM kontrolnu kartu uz istu standardnu devijaciju i ciljanu vrijednost kao u
a) zadatku. Da li je proces doživio značajan pomak?
a) Izrada CUSUM kontrolne karte uz μ0=14,1
Korak 1. Izračun nepristraneprocjene standardne devijacije Serija Viskoznost MRi
1 13,3 -
2 14,5 1,203 15,3 0,80
4 15,3 0,00
5 14,3 1,00
6 14,8 0,50
7 15,2 0,40
8 14,9 0,30
9 14,6 0,30
10 14,1 0,50
11 14,3 0,20
12 16,1 1,80
13 13,1 3,00
14 15,5 2,40
15 12,6 2,90
-
8/19/2019 Statistical process control-solved examples
16/36
STATISTIČKA KONTROLA PROCESA – KONTROLNE KARTE
14
MR = 1m − 1xi − xi−1 =
m
i=2
15,30
14 = 1,0929
Za n=2 → d2 = 1,128
σ = MRd2 = 1,09291,128 = 0,9688 Korak 2. Izračun parametra intervala odluke H, i referentne vrijednosti K
Za h=4; k=0,5 (preporuke prema literaturi )
H = h ∗ σ = 4 ∗ 0,9688 = 3,875 K = k ∗ σ = 0,5 ∗ 0,9688 = 0,4844 Korak 3.Tablični izračun gornje sH(i) i donje sL(i) kumulativne sume:
sHi = max0, xi − μ0 + K + sHi − 1, uz sH0 = 0 sLi = max0, μ0 − K − xi + sLi − 1, uz sL0 = 0
Serija Viskoznost − + SH(i-1) SH(i) − − SH(i-1) SH(i)1 13,3 -1,284 0,000 0,000 0,316 0,000 0,316
2 14,5 -0,084 0,000 0,000 -0,884 0,316 0,000
3 15,3 0,716 0,000 0,716 -1,684 0,000 0,000
4 15,3 0,716 0,716 1,431 -1,684 0,000 0,000
5 14,3 -0,284 1,431 1,147 -0,684 0,000 0,000
6 14,8 0,216 1,147 1,362 -1,184 0,000 0,000
7 15,2 0,616 1,362 1,978 -1,584 0,000 0,000
8 14,9 0,316 1,978 2,293 -1,284 0,000 0,000
9 14,6 0,016 2,293 2,309 -0,984 0,000 0,000
10 14,1 -0,484 2,309 1,825 -0,484 0,000 0,000
11 14,3 -0,284 1,825 1,540 -0,684 0,000 0,000
12 16,1 1,516 1,540 3,056 -2,484 0,000 0,000
13 13,1 -1,484 3,056 1,571 0,516 0,000 0,516
14 15,5 0,916 1,571 2,487 -1,884 0,516 0,000
15 12,6 -1,984 2,487 0,503 1,016 0,000 1,016
-
8/19/2019 Statistical process control-solved examples
17/36
STATISTIČKA KONTROLA PROCESA – KONTROLNE KARTE
15
Korak 5. Izrada kontrolne karte
Slika 11. CUSUM kontrolna karta 15 uzoraka
Komentar: Kontrolna karta kumulativnih suma za konkretan slučaj ukazuje da nema značajnihuzroka varijacije za mjereni parametar viskoznosti. Kod komentara i interpretacije rezultata ne
možemo komentirati cikličko ponašanje odnosno trendove na kontrolnoj karti zbog meĎusobne povezanosti podataka.
b) Izrada CUSUM kontrolne karte uz ciljanu vrijednost μ0=14,1 i procijenjenu standardnudevijaciju
σ = 0,9688, za dodatnih 5 uzorka
Izrada nove CUSUM karte za 20 uzoraka:
Za σ = 0,9688, H=3,875, K=0,4844Serija
Viskoznost − + SH(i-1) SH(i) − − SH(i-1) SH(i)1 13,30 -1,284 0,000 0,000 0,316 0,000 0,316
2 14,50 -0,084 0,000 0,000 -0,884 0,316 0,000
3 15,30 0,716 0,000 0,716 -1,684 0,000 0,000
4 15,30 0,716 0,716 1,431 -1,684 0,000 0,000
5 14,30 -0,284 1,431 1,147 -0,684 0,000 0,000
6 14,80 0,216 1,147 1,362 -1,184 0,000 0,0007 15,20 0,616 1,362 1,978 -1,584 0,000 0,000
8 14,90 0,316 1,978 2,293 -1,284 0,000 0,000
9 14,60 0,016 2,293 2,309 -0,984 0,000 0,000
10 14,10 -0,484 2,309 1,825 -0,484 0,000 0,000
11 14,30 -0,284 1,825 1,540 -0,684 0,000 0,000
12 16,10 1,516 1,540 3,056 -2,484 0,000 0,000
13 13,10 -1,484 3,056 1,571 0,516 0,000 0,516
14 15,50 0,916 1,571 2,487 -1,884 0,516 0,000
15 12,60 -1,984 2,487 0,503 1,016 0,000 1,016
16 14,60 0,016 0,503 0,518 -0,984 1,016 0,031
17 15,30 0,716 0,518 1,234 -1,684 0,031 0,000
18 15,70 1,116 1,234 2,349 -2,084 0,000 0,000
19 16,10 1,516 2,349 3,865 -2,484 0,000 0,000
20 16,80 2,216 3,865 6,080 -3,184 0,000 0,000
-
8/19/2019 Statistical process control-solved examples
18/36
STATISTIČKA KONTROLA PROCESA – KONTROLNE KARTE
16
Slika 12. CUSUM kontrolna karta 20 uzoraka
Komentar: Kontrolna karta kumulativnih suma za konkretan slučaj ukazuje da na pojavuznačajnog uzroka varijacije kod uzorka broj 20 za gornju kumulativnu sumu čiji iznos jeSH(20)=6,08 što je veći iznos od granice intervala odluke H=3,88.
-
8/19/2019 Statistical process control-solved examples
19/36
STATISTIČKA KONTROLA PROCESA – KONTROLNE KARTE
17
2.4 Primjer 4. – Zadatak 4.8 iz (4)
U procesu proizvodnje svornjaka temeljna značajka kvalitete je promjer svornjak. Uzimani suuzorci prema redoslijedu proizvodnje. U nastavku je dan prikaz 40 uzoraka, veličine 5,izmjerenih promjera:
Tablica 4. Uzorci mjerenja promjera svornjaka
Brojuzorka
x1 x2 x3 x4 x5
1 8,798 12,374 10,456 9,419 9,997
2 9,525 7,985 10,211 10,352 9,415
3 10,867 11,307 8,249 10,817 11,634
4 11,831 10,996 10,044 9,901 11,402
5 9,321 11,073 9,805 10,901 9,722
6 8,714 11,066 10,765 9,320 8,949
7 11,155 10,874 8,571 9,170 10,473
8 8,696 10,505 10,783 9,309 9,9989 9,202 10,072 10,278 10,091 8,833
10 10,476 10,243 9,005 10,966 9,996
11 8,636 10,490 11,323 9,750 10,364
12 8,547 10,975 9,885 10,648 8,428
13 9,559 9,868 10,752 8,860 8,428
14 9,145 10,528 10,774 7,737 11,201
15 10,068 8,488 9,316 9,050 11,076
16 10,157 9,819 8,125 9,033 9,386
17 9,386 9,042 10,025 11,159 12,538
18 11,766 10,748 9,762 9,622 10,298
19 9,582 9,905 8,496 9,173 9,817
20 11,299 9,588 9,737 10,266 10,324
21 11,071 8,509 10,976 9,810 11,762
22 11,355 10,548 9,495 10,105 11,254
23 10,824 9,475 10,465 10,320 10,754
24 10,957 11,485 11,055 10,123 12,669
25 12,572 9,389 9,667 10,206 10,585
26 11,129 12,759 11,488 10,919 12,138
27 10,572 10,286 11,077 9,963 12,468
28 9,505 12,442 10,212 9,646 11,260
29 13,590 11,024 10,547 13,254 9,279
30 12,319 9,966 11,120 12,565 8,366
31 11,377 9,962 11,133 11,050 11,064
32 10,300 11,521 11,668 11,588 9,706
33 9,731 10,742 12,674 10,847 11,71434 10,157 11,343 11,436 11,204 10,785
35 11,190 9,765 11,413 10,785 10,704
36 10,205 10,161 10,610 11,949 12,851
37 12,398 12,291 11,084 10,974 11,523
38 11,640 9,860 11,514 11,460 9,518
39 11,869 15,250 10,530 10,955 13,770
40 9,291 11,154 10,475 10,913 9,125
Potrebno je izraditi EWMA kontrolnu kartu za promatrani proces pri čemu je potrebno postaviti parametar λ=0,333, uz
0=
8
-
8/19/2019 Statistical process control-solved examples
20/36
STATISTIČKA KONTROLA PROCESA – KONTROLNE KARTE
18
a) EWMA kontrolna karta za 0=8 Korak 1. Izračun standardne devijacije unutar uzoraka Sii aritmetičkih sredina uzoraka
Brojuzorka
x1 x2 x3 x4 x5 Si
1 8,798 12,374 10,456 9,419 9,997 1,361 10,209
2 9,525 7,985 10,211 10,352 9,415 0,940 9,498
3 10,867 11,307 8,249 10,817 11,634 1,343 10,575
4 11,831 10,996 10,044 9,901 11,402 0,842 10,835
5 9,321 11,073 9,805 10,901 9,722 0,775 10,164
6 8,714 11,066 10,765 9,320 8,949 1,079 9,763
7 11,155 10,874 8,571 9,170 10,473 1,123 10,049
8 8,696 10,505 10,783 9,309 9,998 0,858 9,858
9 9,202 10,072 10,278 10,091 8,833 0,637 9,695
10 10,476 10,243 9,005 10,966 9,996 0,727 10,137
11 8,636 10,490 11,323 9,750 10,364 0,998 10,113
12 8,547 10,975 9,885 10,648 8,428 1,173 9,697
13 9,559 9,868 10,752 8,860 8,428 0,903 9,49314 9,145 10,528 10,774 7,737 11,201 1,423 9,877
15 10,068 8,488 9,316 9,050 11,076 1,002 9,600
16 10,157 9,819 8,125 9,033 9,386 0,785 9,304
17 9,386 9,042 10,025 11,159 12,538 1,428 10,430
18 11,766 10,748 9,762 9,622 10,298 0,866 10,439
19 9,582 9,905 8,496 9,173 9,817 0,577 9,395
20 11,299 9,588 9,737 10,266 10,324 0,672 10,243
21 11,071 8,509 10,976 9,810 11,762 1,280 10,426
22 11,355 10,548 9,495 10,105 11,254 0,783 10,551
23 10,824 9,475 10,465 10,320 10,754 0,540 10,368
24 10,957 11,485 11,055 10,123 12,669 0,930 11,258
25 12,572 9,389 9,667 10,206 10,585 1,256 10,48426 11,129 12,759 11,488 10,919 12,138 0,757 11,687
27 10,572 10,286 11,077 9,963 12,468 0,981 10,873
28 9,505 12,442 10,212 9,646 11,260 1,234 10,613
29 13,590 11,024 10,547 13,254 9,279 1,837 11,539
30 12,319 9,966 11,120 12,565 8,366 1,741 10,867
31 11,377 9,962 11,133 11,050 11,064 0,550 10,917
32 10,300 11,521 11,668 11,588 9,706 0,897 10,957
33 9,731 10,742 12,674 10,847 11,714 1,108 11,142
34 10,157 11,343 11,436 11,204 10,785 0,526 10,985
35 11,190 9,765 11,413 10,785 10,704 0,633 10,771
36 10,205 10,161 10,610 11,949 12,851 1,193 11,155
37 12,398 12,291 11,084 10,974 11,523 0,664 11,654
38 11,640 9,860 11,514 11,460 9,518 1,022 10,798
39 11,869 15,250 10,530 10,955 13,770 1,990 12,475
40 9,291 11,154 10,475 10,913 9,125 0,932 10,192
Korak 2. Izračun prosjeka std. devijacija uzoraka i izračun prosjeka aritmetičkih sredina za prvih 8 uzoraka
S = 1m Si =
m
i=1
40,369
40 = 1,009
-
8/19/2019 Statistical process control-solved examples
21/36
STATISTIČKA KONTROLA PROCESA – KONTROLNE KARTE
19
x = x8 = 18 xi =
8
i=1
80,950
8 = 10,119
Korak 3. Izračun nepristrane procjene standardne devijacije Za n=5 → c4 = 0,94
σ = Sc4
=1,009
0,94 = 1,074
Korak 4. Izračun kontrolnih granica EWMA kontrolne karte
Za n= 5, primjer za više uzoraka
EWMA i=1 i=8 i=10 i=40
UCL = x8 + 3 σ n λ 2 − λ (1 − (1 − λ )2i
) 10,598 10,762 10,762 10,763
CL = x8 10,119 10,119 10,119 10,119LCL = x8 − 3 σ n λ 2 − λ (1 − (1 − λ )2i ) 9,639 9,475 9,475 9,475
Korak 5.Tablični izračun eksponencijalnih težinskih pomičnih prosjeka uzoraka:
zi = λ xi + 1 − λ z(i−1) , z0 = x0 = x8 Broj
uzorka ( − )− 1 10,209 3,400 6,749 10,149
2 9,498 3,163 6,769 9,932
3 10,575 3,521 6,625 10,146
4 10,835 3,608 6,767 10,375
5 10,164 3,385 6,920 10,305
6 9,763 3,251 6,874 10,125
7 10,049 3,346 6,753 10,099
8 9,858 3,283 6,736 10,019
9 9,695 3,229 6,683 9,911
10 10,137 3,376 6,611 9,986
11 10,113 3,367 6,661 10,028
12 9,697 3,229 6,689 9,918
13 9,493 3,161 6,615 9,777
14 9,877 3,289 6,521 9,810
15 9,600 3,197 6,543 9,740
16 9,304 3,098 6,497 9,595
17 10,430 3,473 6,400 9,873
18 10,439 3,476 6,585 10,061
19 9,395 3,128 6,711 9,839
20 10,243 3,411 6,563 9,974
21 10,426 3,472 6,652 10,124
22 10,551 3,514 6,753 10,266
23 10,368 3,452 6,848 10,300
24 11,258 3,749 6,870 10,61925 10,484 3,491 7,083 10,574
-
8/19/2019 Statistical process control-solved examples
22/36
STATISTIČKA KONTROLA PROCESA – KONTROLNE KARTE
20
26 11,687 3,892 7,053 10,945
27 10,873 3,621 7,300 10,921
28 10,613 3,534 7,284 10,818
29 11,539 3,842 7,216 11,058
30 10,867 3,619 7,376 10,995
31 10,917 3,635 7,333 10,969
32 10,957 3,649 7,316 10,96533 11,142 3,710 7,313 11,024
34 10,985 3,658 7,353 11,011
35 10,771 3,587 7,344 10,931
36 11,155 3,715 7,291 11,006
37 11,654 3,881 7,341 11,222
38 10,798 3,596 7,485 11,081
39 12,475 4,154 7,391 11,545
40 10,192 3,394 7,700 11,094
Korak 6. Izrada kontrolne karte
Slika 13. EWMA kontrolna karta za = 0,333 0 = 8 Komentar: EWMA kontrolna karta ukazuje na pojavu značajnog uzroka varijacije kod svihuzoraka nakon broja 26, čiji je eksponencijalni težinski pomični prosjek z26=10,945. Kod ovog
primjera jasno je vidljivo koliko je bitan pravilan odabir uzoraka na temelju kojih radimo
procjenu očekivanja, pri čemu je izuzetno važno procjenu temeljiti na uzorcima koji prethode pojavi pomaka aritmetičke sredine (za dobru procjenu dovoljno je 40 mjerenja). TakoĎerveoma brzo se akumuliraju trendovi u slučaju malih pomaka aritmetičke sredine , zbogmeĎusobne povezanosti podataka na kontrolnoj karti.
-
8/19/2019 Statistical process control-solved examples
23/36
STATISTIČKA KONTROLA PROCESA – KONTROLNE KARTE
21
2.5 Primjer 5. – Zadatak 15-53 iz (3)
U tablici je prikaz broja grešaka lemljenja tiskanih pločica promatranih na 24 uzorka, veličine5:
Tablica 5. Broj grešaka kod lemljenja tiskanih pločica
UzorakBroj
grešaka uuzorku
1 7
2 6
3 8
4 10
5 24
6 6
7 5
8 4
9 810 11
11 15
12 8
13 4
14 16
15 11
16 12
17 8
18 6
19 5
20 9
21 7
22 14
23 8
24 21
a) Koristeći sve podatke izračunajte probne kontrolne granice U kontrolne karte, tenacrtajte kartu.
b) U slučaju da proces nije u statističkoj kontroli, pretpostavite da je moguć pronaćiznačajni uzrok varijacije te ga otkloniti.Nakon toga napravite novu kontrolnu kartu sarevidiranim kontrolnim granicama.
-
8/19/2019 Statistical process control-solved examples
24/36
STATISTIČKA KONTROLA PROCESA – KONTROLNE KARTE
22
a) Izrada probne U kontrolne karte
Korak 1. Izračun prosječnog broja grešaka po jedinici unutra uzorka Ui
Za n=5
UzorakBroj
grešaka uuzorku
Ui
1 7 1,400
2 6 1,200
3 8 1,600
4 10 2,000
5 24 4,800
6 6 1,200
7 5 1,000
8 4 0,800
9 8 1,600
10 11 2,20011 15 3,000
12 8 1,600
13 4 0,800
14 16 3,200
15 11 2,200
16 12 2,400
17 8 1,600
18 6 1,200
19 5 1,000
20 9 1,800
21 7 1,400
22 14 2,800
23 8 1,600
24 21 4,200
Korak 2. Izračun prosječnog broja grešaka po jedinici izmeĎu uzorka U = 1
mUi =
m
i=1
46,60
24 = 1,942
Korak 3. Izračun nepristrane procjene standardne devijacije
σ = U
n = 1,942
5 = 0,623
Korak 4. Izračun kontrolnih granica kontrolne karte
UCL = U + 3 Un
3,811
CL = U 1,942LCL = U
− 3
Un
0,072
-
8/19/2019 Statistical process control-solved examples
25/36
STATISTIČKA KONTROLA PROCESA – KONTROLNE KARTE
23
Korak 4. Izrada kontrolne karte
Slika 14. U kontrolna karta
Komentar:Pregledom probne kontrolne karte vidljivo je da je prosječan broj grešaka po jedinici proizvoda kod uzoraka broj 5 i 24 izlazi izvan kontrolnih granica, što ukazuje naznačajan uzrok varijacija kojeg je nužno otkloniti.
Izrada nove kontrolne karte bez uzoraka broj 5 i 24:
U = 1mUi =
m
i=1
37,60
22 = 1,709
σ =
U
n =
1,709
5 = 0,585
UCL = U + 3 U
n 3,463
CL = U 1,709LCL = U − 3 U
n 0,000
-
8/19/2019 Statistical process control-solved examples
26/36
STATISTIČKA KONTROLA PROCESA – KONTROLNE KARTE
24
Slika 15. U kontrolna karta bez uzorka 5 i 24
Komentar: Pregledom U kontrolne karte možemo uočiti da je prosječan broj grešaka po jedinici kod svih uzoraka unutar kontrolnih granica, pa možemo zaključiti da proces varira podutjecaj slučajnih uzroka varijacija, te je u statističkoj kontroli.
-
8/19/2019 Statistical process control-solved examples
27/36
STATISTIČKA KONTROLA PROCESA – KONTROLNE KARTE
25
2.6 Primjer 6. – Zadatak 15-94 iz (3)
Poklopac kućišta osobnih računala proizvodi se injekcijskim prešanjem. Iz procesa su periodički uzimani uzorci od 5 poklopaca, te je zabilježen broj pronaĎenih grešaka. Tablično jedan prikaz 25 uzoraka:
Tablica 6 . Broj grešaka kod injekcijskog prešanja poklopca kućišta
UzorakBroj
grešaka uuzorku
1 3
2 2
3 0
4 1
5 4
6 3
7 2
8 4
9 1
10 0
11 2
12 3
13 2
14 8
15 0
16 2
17 4
18 3
19 5
20 021 2
22 1
23 9
24 3
25 2
a) Potrebno je izračunati probne kontrolne granice c-karte, te nacrtati kontrolnu kartu procesa. Odrediti da li je proces u statističkoj kontroli.
b) U slučaju da je proces izvan kontrole revidirati kontrolne granice, i napraviti novu
kontrolnu kartu.
a) Izrada probne kontrolne c karte
Korak 1. Izračun prosječnog broja grešaka po jedinici izmeĎu uzorka c = 1
m ci =
m
i=1
66
25 = 2,640
-
8/19/2019 Statistical process control-solved examples
28/36
STATISTIČKA KONTROLA PROCESA – KONTROLNE KARTE
26
Korak 2. Izračun nepristrane procjene standardne devijacije σ = c = 2,640 = 1,625 Korak 3. Izračun kontrolnih granica
kontrolne karte
UCL = c + 3 c 7,514CL = c 2,640LCL = c − 3 c 0,000
Korak 4. Izrada kontrolne karte
Slika 16. C kontrolna karta
Komentar: Pregledom probne c kontrolne karte vidljivo je da broj grešaka po uzorku koduzoraka broj 14 i 23 izlazi izvan kontrolnih granica, što ukazuje na značajan uzrok varijacijakojeg je nužno otkloniti.
Izrada nove kontrolne karte bez uzoraka broj 14 i 23:
c = 1m ci =
m
i=1
49
23 = 2,130
σ = c = 2,130 = 1,460
-
8/19/2019 Statistical process control-solved examples
29/36
STATISTIČKA KONTROLA PROCESA – KONTROLNE KARTE
27
UCL = c + 3 c 6,509CL = c 2,130LCL = c
−3
c
0,000
Slika 17. C kontrolna karta bez uzorka broj 14 i 23
Komentar: Nakon formiranja nove kontrolne karte bez uzoraka 14 i 23, vidljivo je da je broj
grešaka unutar svih uzoraka promatranog procesa, unutar kontrolnih granica, te proces varirasamo pod utjecajem slučajnih uzroka varijacija.
-
8/19/2019 Statistical process control-solved examples
30/36
STATISTIČKA KONTROLA PROCESA – KONTROLNE KARTE
28
2.7 Primjer 7. – Zadatak 15-93 iz (3)
Plastične boce za tekući deterdžent izraĎene su primjenom puhanja plastike. Kontrolirano je 20uzorka veličine 100 boca prema redoslijedu proizvodnje, te je zabilježena proporcija lošihkomada kod svakog uzorka:
Tablica 7 . Proporcija loših komada kod puhanja plastičnih boca
UzorakProporcija
lošihkomada
1 0,12
2 0,15
3 0,18
4 0,10
5 0,12
6 0,11
7 0,05
8 0,09
9 0,13
10 0,13
11 0,10
12 0,07
13 0,12
14 0,08
15 0,09
16 0,15
17 0,10
18 0,06
19 0,12
20 0,13
a) Potrebno je izraditi p-kontrolnu kartu procesa, i odrediti da li je proces u statističkojkontroli.
b) Pretpostavite da je uzorka veličine n=200. Na temelju navedenog podatka napravitenovu kontrolnu kartu, te provjerite da li je proces u statističkoj kontroli.
a) Izrada p kontrolne karte uz n=100
Korak 1. Izračun srednje vrijednosti omjera loših komada p = 1
mpi =
m
i=1
=2,20
20 = 0,11
Korak 2. Izračun nepristrane procjene standardne devijacije σ = p(1 − p)
n = 0,11(1− 0,11)
100 = 0,031289
-
8/19/2019 Statistical process control-solved examples
31/36
STATISTIČKA KONTROLA PROCESA – KONTROLNE KARTE
29
Korak 3. Izračun kontrolnih granica kontrolne karte
UCL = p + 3 p(1 − p)n
0,2039
CL = p 0,1100LCL = p − 3 p(1 − p)
n 0,0161
Korak 4. Izrada kontrolne karte
Slika 18. = 100 Komentar: Nakon formiranja kontrolne karte, vidljivo je da je proporcijaloših komada unutarsvih uzoraka promatranog procesa, unutar kontrolnih granica, te proces varira samo pod
utjecajem slučajnih uzroka varijacija.
b) Izrada p kontrolne karte uz n=200
Izrada kontrolne karte uz n=200:
p
=
1
m
pi =
m
i=1
=2,20
20 = 0,11
-
8/19/2019 Statistical process control-solved examples
32/36
-
8/19/2019 Statistical process control-solved examples
33/36
STATISTIČKA KONTROLA PROCESA – KONTROLNE KARTE
31
σ = p(1 − p)n
= 0,1063(1− 0,1063)200
= 0,021794
UCL = p + 3 p(1 − p)n 0,1717CL = p 0,1063LCL = p − 3 p(1 − p)
n 0,0409
Slika 20. = 100 3 Komentar: Nakon formiranja nove kontrolne karte bez uzorka broj 3, vidljivo je da je
proporcija loših komada unutar svih uzoraka promatranog procesa, unutar kontrolnih granica,te proces varira samo pod utjecajem slučajnih uzroka varijacija.
-
8/19/2019 Statistical process control-solved examples
34/36
-
8/19/2019 Statistical process control-solved examples
35/36
STATISTIČKA KONTROLA PROCESA – KONTROLNE KARTE
33
Korak 3. Izračun nepristrane procjene standardne devijacije σ = np(1 − p) = 2(1 − 0,02) = 1,4 Korak 4. Izračun kontrolnih granica
kontrolne karte
UCL = np + 3 np(1 − p) 6,200CL = np 2,000LCL = np − 3 np(1 − p) 0,000
Korak 5. Izrada kontrolne karte
Slika 21. Komentar:Kontrolna karta pokazuje da broj škart jedinica unutar uzoraka promatranog procesa varira pod utjecajem slučajnih uzroka varijacija, te je proces u stanju statističkekontrole.
-
8/19/2019 Statistical process control-solved examples
36/36