სტატისტიკურ მონაცემებზე დაფუძნებული ხარისხის კონტროლის სისტემის დიზაინი

სტატისტიკაზე დაფუძნებული ხარისხის კონტროლის სისტემის დიზაინი

თანამედროვე ინდუსტრიულ სამყაროში ხარისხი აღარ არის უბრალოდ „კარგი საბოლოო შედეგი“, არამედ სისტემა, რომელიც თანმიმდევრულად უნდა იყოს შემუშავებული, გაზომილი და კონტროლირებადი. ბაზრის კონკურენცია, მომხმარებელთა მოთხოვნები და მარეგულირებელი სტანდარტები მოითხოვს, რომ კომპანიებმა უზრუნველყონ სტაბილური წარმოების პროცესები და პროდუქციის წარმოების შესაძლებლობა სპეციფიკაციების შესაბამისად. სწორედ აქ ერთვება სტატისტიკურზე დაფუძნებული ხარისხის კონტროლის სისტემები: სტრუქტურირებული მიდგომა, რომელიც იყენებს მონაცემებსა და სტატისტიკურ მეთოდებს პროცესების მონიტორინგისთვის, გადახრების აღმოსაჩენად და უწყვეტი გაუმჯობესების ხელშესაწყობად.

1. სტატისტიკური ხარისხის კონტროლის ძირითადი კონცეფციები

სტატისტიკურზე დაფუძნებული ხარისხის კონტროლი ხშირად ასოცირდება სტატისტიკური ხარისხის კონტროლთან (SQC) და სტატისტიკური პროცესის კონტროლთან (SPC). SQC მოიცავს მონაცემებზე დაფუძნებულ შემოწმებას და გაზომვის ტექნიკას პროდუქტის ხარისხის უზრუნველსაყოფად. მეორეს მხრივ, SPC უფრო მეტად ფოკუსირებულია რეალურ დროში ან პერიოდულ პროცესის კონტროლზე სტატისტიკური ინსტრუმენტების, განსაკუთრებით საკონტროლო დიაგრამების გამოყენებით.

ამ მიდგომის არსი მდგომარეობს პროცესებში ვარიაციის ორი ტიპის განსხვავების დადგენაში:

1. საერთო მიზეზით გამოწვეული ვარიაცია: პროცესის თანდაყოლილი ბუნებრივი ვარიაცია. თუ მხოლოდ ეს ვარიაცია არსებობს, პროცესი სტატისტიკურად სტაბილურად ითვლება.
2. განსაკუთრებული მიზეზით გამოწვეული ვარიაცია: ვარიაცია, რომელიც წარმოიქმნება კონკრეტული ფაქტორების გამო, როგორიცაა დანადგარის გაუმართაობა, ოპერატორის შეცდომა, ნედლეულის ცვლილებები ან გარემო პირობების დარღვევა. თუ ეს ვარიაცია მოხდება, პროცესი კონტროლიდან გამოსულად ითვლება და საჭიროებს კორექტირებას.

სტატისტიკური ხარისხის კონტროლის სისტემის დიზაინის მიზანია განსაკუთრებული მიზეზების ვარიაციის რაც შეიძლება სწრაფად აღმოჩენა ძალიან ბევრი „ცრუ განგაშის“ გარეშე.

2. სტატისტიკური ხარისხის კონტროლის სისტემების მიზნები და უპირატესობები

სტატისტიკურად დაფუძნებული ხარისხის კონტროლის სისტემა შექმნილია რამდენიმე ძირითადი მიზნის მისაღწევად:

– პროცესის სტაბილურობის შენარჩუნება ისე, რომ გამომავალი იყოს თანმიმდევრული.
– შეამცირეთ დეფექტური პროდუქტები, ასევე გადამუშავებისა და ჯართის ხარჯები.
– გააუმჯობესეთ პროცესის შესაძლებლობები მომხმარებლის მოთხოვნების დასაკმაყოფილებლად.
– მხარი დაუჭირეთ მონაცემებზე დაფუძნებულ გადაწყვეტილებებს და არა ვარაუდებს.
– წარმოადგინეთ ხარისხის სტანდარტებთან შესაბამისობის დამადასტურებელი საბუთი (მაგ. ISO 9001, IATF 16949, GMP).

ეკონომიკური სარგებელი ხშირად მნიშვნელოვანია: რაც უფრო ადრე გამოვლინდება გადახრები, მით უფრო დაბალია სპეციფიკაციიდან გადახრილი პროდუქტების ღირებულება.

3. სტატისტიკურ მონაცემებზე დაფუძნებული ხარისხის კონტროლის სისტემის დიზაინის ეტაპები

ა) კრიტიკული პროცესებისა და მახასიათებლების იდენტიფიკაცია (CTQ)
პირველი ნაბიჯი არის პროცესის ნაკადის გაგება და ხარისხისთვის კრიტიკული კრიტერიუმების (CTQ) განსაზღვრა, მახასიათებლები, რომლებიც ყველაზე მეტად განსაზღვრავს მომხმარებლის კმაყოფილებას და სპეციფიკაციებთან შესაბამისობას. CTQ-ების მაგალითებია კომპონენტის დიამეტრი, პროდუქტის ტენიანობა, დაჭიმვის სიმტკიცე, წმინდა წონა ან მომსახურებაზე რეაგირების დრო.

CTQ-ები, როგორც წესი, მიიღება:
– მომხმარებლის საჭიროებები (მომხმარებლის ხმა),
- ტექნიკური სტანდარტები,
- რეგულაციები,
– პროცესის რისკის ანალიზი (მაგ. FMEA).

ბ) გაზომვის გეგმა და მონაცემთა სისტემა
სტატისტიკური კონტროლის დიზაინი დამოკიდებულია მონაცემთა ხარისხზე. ამიტომ, საზომი ინსტრუმენტების სიზუსტისა და ზუსტობის უზრუნველსაყოფად საჭიროა გაზომვის სისტემის ანალიზი (MSA). ერთ-ერთი გავრცელებული მეთოდია Gage R&R, რომელიც ზომავს საზომი ინსტრუმენტისა და ოპერატორის ვარიაციის წვლილს მთლიან ვარიაციაში.

გაზომვის გეგმა მოიცავს:
– გაზომვის მეთოდის განმარტება,
– შერჩევის სიხშირე,
- ნიმუშის ზომა,
– სინჯის აღების ადგილი (პროცესის დასაწყისი, შუა ნაწილი, დასასრული),
– მონაცემთა ჩაწერის წესები (ხელით ან ავტომატურად),
– მონაცემთა მთლიანობა (აუდიტის კვალი და ვალიდაცია).

სანდო გაზომვის სისტემის გარეშე, საკონტროლო დიაგრამები შეიძლება შეცდომაში შემყვანი იყოს, რადგან აშკარა „ვარიაცია“ სინამდვილეში საზომი ინსტრუმენტიდან მოდის და არა პროცესიდან.

გ) შესაბამისი სტატისტიკური ინსტრუმენტების შერჩევა
მეთოდის არჩევანი დამოკიდებულია მონაცემთა ტიპზე:

1. ცვლადი მონაცემები (უწყვეტი): მაგალითად, სიგრძე, წონა, ტემპერატურა.
საერთო ინსტრუმენტები:
– X̄-R დიაგრამა (მცირე ქვეჯგუფებისთვის, n 2–10),
– X̄-S დიაგრამა (უფრო დიდი n-ისთვის),
– I-MR დიაგრამა (ინდივიდუალური მონაცემებისთვის).

2. ატრიბუტული მონაცემები (დისკრეტული): მაგალითად, დეფექტების ან დეფექტური პროდუქტების რაოდენობა.
საერთო ინსტრუმენტები:
– p-დიაგრამა (დეფექტური ერთეულების პროპორცია),
– np-დიაგრამა (დეფექტური ერთეულების რაოდენობა მუდმივი n-ით),
– c-დიაგრამა (დეფექტების რაოდენობა ერთეულზე მუდმივი ალბათობის ფართობისთვის),
– u-დიაგრამა (დეფექტები ერთეულზე სხვადასხვა შანსებისთვის).

საკონტროლო სქემების გარდა, სისტემა ასევე შეიძლება მოიცავდეს:
– ჰისტოგრამები და ჩარჩოები კვლევისთვის,
– პარეტოს დიაგრამა გაუმჯობესების პრიორიტეტებისთვის,
– პროცესის შესაძლებლობების ანალიზი (Cp, Cpk; ან Pp, Ppk),
– ექსპერიმენტების დიზაინის (DOE) მეთოდი ოპტიმიზაციისთვის.

დ) კონტროლის ლიმიტებისა და აღმოჩენის წესების განსაზღვრა
SPC-ში, კონტროლის ლიმიტები, როგორც წესი, გამოითვლება სტაბილური პროცესის (საბაზისო) ისტორიული მონაცემების საფუძველზე „3 სიგმას“ წესის გამოყენებით. კონტროლის ლიმიტები არ არის სპეციფიკაციის ლიმიტები. ეს ნიშნავს, რომ პროცესი შეიძლება „კონტროლის ქვეშ“ იყოს, მაგრამ მაინც წარმოქმნას სპეციფიკაციის მიღმა პროდუქტები, თუ პროცესი არ არის ქმედითი.

UCL/LCL გამსვლელი პუნქტის წესების გარდა, ბევრი ორგანიზაცია ახორციელებს დამატებით წესებს (მაგ., Western Electric/Nelson Rules), როგორიცაა:
– ზედიზედ 3 პუნქტიდან 2 გადალახავს 2 სიგმას ლიმიტს,
– თანმიმდევრული აღმავალი ან დაღმავალი ტენდენციები,
– არაშემთხვევითი ნიმუშები, რომლებიც ცვლილებებზე მიუთითებს.

წესების განსაზღვრა მოითხოვს აღმოჩენის მგრძნობელობასა და ცრუ განგაშის მაჩვენებელს შორის კომპრომისის გათვალისწინებას.

ე) რეაგირებისა და ესკალაციის პროცედურები
კარგი ხარისხის კონტროლის სისტემა „დიაგრამებით“ არ შემოიფარგლება. მას უნდა ჰქონდეს მკაფიო რეაგირების მექანიზმი. როდესაც კონტროლიდან გამოსვლის სიგნალები ჩნდება, მთავარი კითხვებია: ვინ რა გააკეთა, როდის და როგორ.

რეაგირების პროცედურის ძირითადი ელემენტები:
– პროცესის დროებით შეჩერება (საჭიროების შემთხვევაში),
– დაზარალებული პროდუქტების კარანტინი,
– ძირეული მიზეზის გამოკვლევა (5 რატომ, იშიკავა),
– მაკორექტირებელი და პრევენციული ქმედებები (CAPA),
- შეკეთების შემდეგ ეფექტურობის შემოწმება,
- სრული დოკუმენტაცია.

სწრაფი და თანმიმდევრული რეაგირების გარეშე, SPC უბრალოდ ანგარიშად იქცევა და არა კონტროლის ინსტრუმენტად.

ვ) ოპერაციულ სისტემებთან ინტეგრაცია და დიგიტალიზაცია
ინდუსტრია 4.0 ეპოქაში სტატისტიკური კონტროლი ხშირად ინტეგრირებულია:
– IoT სენსორები რეალურ დროში მონაცემებისთვის,
– MES (წარმოების შესრულების სისტემა),
– ERP პარტიების მიკვლევადობისთვის,
– მენეჯმენტის ხარისხის დაფა.

დიგიტალიზაცია ხელს უწყობს ადრეულ გამოვლენას, აჩქარებს ანალიზს და ამცირებს ხელით შეყვანის შეცდომებს. თუმცა, ეს ინტეგრაცია მაინც მოითხოვს მონაცემთა უსაფრთხოების, წვდომის კონტროლისა და სისტემის ვალიდაციის შენარჩუნებას.

4. პროცესის შესაძლებლობები: სტაბილურობისა და სპეციფიკაციის დაკავშირება

როგორც კი პროცესი სტატისტიკურად სტაბილური გახდება, შემდეგი ნაბიჯი არის იმის შეფასება, აკმაყოფილებს თუ არა პროცესი თანმიმდევრულად სპეციფიკაციებს. სწორედ აქ გამოიყენება შესაძლებლობების ინდექსი:

– Cp: ადარებს სპეციფიკაციის სიგანეს პროცესის ვარიაციასთან (პოტენციურ შესაძლებლობებთან).
– Cpk: ითვალისწინებს პროცესის საშუალო პოზიციას სპეციფიკაციის ლიმიტებთან შედარებით (ფაქტობრივი შესაძლებლობები).

მაგალითად, Cpk < 1 მიუთითებს პროცესზე, რომელსაც აქვს სპეციფიკაციიდან გადაცილებული პროდუქტების წარმოების მაღალი რისკი. მიუხედავად იმისა, რომ ბევრი ინდუსტრია მიზნად ისახავს Cpk ≥ 1,33 ან მეტს, რისკისა და რეგულაციების მიხედვით. კარგი შესაძლებლობები ნიშნავს, რომ პროცესი არა მხოლოდ სტაბილურია, არამედ „მიზნის მიხედვით“ და მცირე ვარიაციით ხასიათდება. 5. განხორციელების გამოწვევები და მათი დაძლევის გზები სტატისტიკურ მონაცემებზე დაფუძნებული ხარისხის კონტროლის სისტემების დიზაინისა და განხორციელების ზოგიერთი გავრცელებული გამოწვევა მოიცავს: 1. შეუსაბამო ან არასრული მონაცემები. გადაწყვეტილებები: ჩაწერის, ავტომატიზაციის, ტრენინგის, მონაცემთა აუდიტის სტანდარტიზაცია. 2. ცუდი გაზომვის სისტემები. გადაწყვეტილებები: MSA-ს ჩატარება, რუტინული კალიბრაცია, ინსპექტირების მეთოდების გაუმჯობესება. 3. კულტურული წინააღმდეგობა მონაცემების მიმართ. გადაწყვეტილებები: განათლება, რომ SPC არ არის ოპერატორების დადანაშაულების ინსტრუმენტი, არამედ პროცესის გასაგებად ინსტრუმენტი. 4. დიაგრამის არასათანადო შერჩევა. გადაწყვეტილებები: მონაცემთა ტიპებისა და წარმოების ნიმუშების კლასიფიკაცია, ხარისხის/სტატისტიკის გუნდთან კონსულტაცია. 5. სიგნალის გამოჩენისას არანაირი ქმედება. გადაწყვეტილებები: რეაგირების სტანდარტული საოპერაციო პროცედურის შექმნა, პასუხისმგებელი პირის დანიშვნა, წვრთნებისა და შეფასებების ჩატარება. 6. დასკვნა სტატისტიკურ მონაცემებზე დაფუძნებული ხარისხის კონტროლის სისტემის დიზაინი მნიშვნელოვანი საფუძველია იმ ორგანიზაციებისთვის, რომლებსაც სურთ თანმიმდევრული პროდუქციის წარმოება, ხარისხის ხარჯების შემცირება და მომხმარებლის ნდობის გაზრდა. ეს სისტემა მოიცავს CTQ-ების იდენტიფიცირებას, საიმედო გაზომვის გეგმის შემუშავებას, შესაბამისი სტატისტიკური ინსტრუმენტების შერჩევას, კონტროლის ლიმიტებისა და აღმოჩენის წესების დადგენას და დისციპლინირებული რეაგირების პროცედურების დანერგვას. როდესაც ის სწორად არის შემუშავებული და ინტეგრირებული ყოველდღიურ ოპერაციებში - თუნდაც ციფრულიზაციით - სტატისტიკური ხარისხის კონტროლი არ არის მხოლოდ მონიტორინგის ინსტრუმენტი, არამედ უწყვეტი გაუმჯობესების ძრავა, რომელიც აძლიერებს კომპანიის კონკურენტუნარიანობას. თუ გსურთ, შემიძლია ეს სტატია მოვარგო კონკრეტულ კონტექსტებს (მაგ., კვების, ფარმაცევტული, საავტომობილო ან კომპონენტების წარმოების ინდუსტრიები), კონტროლის დიაგრამების მაგალითებით და სტანდარტული სამოქმედო პროცედურების დიაგრამებით კონტროლიდან გამოსვლის შემთხვევაში რეაგირებისთვის.