Minden szerszámgép adatokat állít elő. Megmért méretek, sodrási frekvenciák, vágási paraméterek, kalibrációs eredmények... A legtöbb műhelyben ezek az információk Excel-fájlokban, naplókban vagy szétkapcsolt szoftverekben gyűlnek össze. Ezeket utólag, gyakran túl későn nézik meg.
A megmunkálásra alkalmazott adatelemzés megváltoztatja ezt a logikát: a szétszórt méréseket használható információvá alakítja, valós időben vagy a gyártás utáni elemzéshez. A cél nem az, hogy «statisztikát készítsünk», hogy kielégítsük az auditorok igényeit. Hanem a változékonyság valódi okainak azonosítása, az eltérések előrejelzése, mielőtt azok selejthez vezetnének, és a tényeken, nem pedig az intuíciókon alapuló döntések meghozatala.
Íme, mit takar az adatelemzés a gépészetben, és miért vált olyan versenyképes eszközzé, amelyet nehéz figyelmen kívül hagyni.
Miért jelent az adatelemzés változást egy gépműhely számára?
Az igazi probléma: a fel nem használt adatok
Számos műhely már méréseket végez. A mérés és a döntés között azonban gyakran szakadék tátong. Észrevesz egy bordát, amely nem felel meg a tűréshatárnak, kézzel beállítja a gépet, és továbblép a következő lépésre. Nem tudjuk, hogy az eltérés a szerszámkopással, a műhely hőmérsékletével, egy adott anyagtétellel vagy a sorozat elején történt hozzávetőleges beállítással függ-e össze.
Strukturált elemzés nélkül inkább a tüneteket kezeljük, mint az okokat. És ugyanazok a problémák ismétlődnek.
Mire képes az adatelemzés valójában
A termelési adatok statisztikai elemzése lehetővé teszi számunkra, hogy :
- észleli a sodródást, mielőtt az túllépi a tűréshatárt, vezérlőkártyák (SPC), amelyek jóval azelőtt jelzik a tendenciát, hogy egy alkatrész nem megfelelővé válna.
- egy folyamat képességének számszerűsítése, Ez azt jelenti, hogy pontosan tudni kell, hogy egy szerszámgép mennyire jól tud tartani egy adott tűrést az idő múlásával.
- a változékonyság eredetének azonosítása, több forrásból származó adatok kereszthivatkozásával: alkatrészmérés, gépi paraméterek, szerszámtörténet, anyagszállító stb.
- a szállítók statisztikai összehasonlítása, objektíven bizonyítani, hogy egy anyagtétel vagy egy alvállalkozó változékonyságot visz be a folyamatba
- a fejlesztési projektek felgyorsítása, az empirikus próbálkozások és hibák strukturált kísérleti tervekkel történő felváltásával.
Képesség és Cp, Cpk, Ppk indexek
A megmunkálás fő mutatói
Ezek az indexek azt mérik, hogy egy folyamat mennyire képes a tűréshatárokon belül termelni. Összefoglalva:
- Cp a gép potenciálját méri, ha az tökéletesen centrikusan lenne elhelyezve.
- Cpk figyelembe veszi a névértéktől való tényleges eltérést. Az 1,33-nál kisebb Cpk érték törékeny folyamatra utal.
- Ppk a ténylegesen megfigyelt (hosszú távú) változékonyság alapján kerül kiszámításra, nem pedig a gépben rejlő változékonyság alapján.
A repülőgépipar, az autóipar és az orvostechnika területén kiírt pályázatoknál gyakran legalább 1,67-es Ppk értéket követelnek meg. Ha nem tudja, hogy hol áll, nem tud megalapozott kötelezettségvállalásokat tenni, és nem tud elébe menni a selejtnek.
Vezérlőkártyák: felügyelet a probléma kivárása nélkül
A kontrolldiagram (X-bar/R diagram, CUSUM diagram stb.) a mért partvonal időbeli alakulását követi nyomon. Arra szolgál, hogy megkülönböztesse egy folyamat természetes változékonyságát a rendellenes jelektől: a fokozatos sodródástól, a hirtelen kiugrástól, a gyanús váltakozástól.
Ez nem egy darabszám-ellenőrző eszköz. Ez egy folyamatszabályozó eszköz. A különbség alapvető: nem várjuk meg, amíg az alkatrész rossz lesz, mielőtt beavatkozunk.
Fejlett adatelemzés: gépi tanulás és a kiváltó okok azonosítása
A hagyományos statisztikai módszerek arra a kérdésre adnak választ, hogy «Sodródik-e a folyamatom? A gépi tanulás egy nehezebb kérdésre ad választ: «Miért?»
A mérési adatok és a gyártási paraméterek (vágási sebesség, betétszám, környezeti hőmérséklet, anyagtételszám stb.) automatikus kereszthivatkozásával az algoritmusok azonosítani tudják azokat a tényezőket, amelyek a legjobban magyarázzák a megfigyelt változékonyságot. Ez a fajta elemzés, amely sokáig csak nagy ipari csoportoknak volt fenntartva, külön erre szakosodott csapatokkal, ma már a kis és közepes méretű gépipari vállalatok számára is elérhetővé válik egy speciális szoftver segítségével.
Íme egy konkrét példa: egy alumíniumalkatrészeket gyártó gyártósoron a selejt hétfő reggelente megnő. A keresztelemzés összefüggést mutat a műhelyben a hétvége utáni hőmérséklettel és az orsók előzetes felmelegítésének hiányával. Keresztreferenciás adatelemzés nélkül az ilyen típusú okok gyakorlatilag láthatatlanok.
Kísérletek tervezése: a fejlesztés strukturálása a próbálkozás és hiba helyett
A kísérleti tervek (DOE - Design of Experiments) a leghatékonyabb megközelítés egy megmunkálási folyamat szigorú optimalizálására.
Ahelyett, hogy a paramétereket egyenként variálnák (ami időigényes és nem teszi lehetővé a kölcsönhatások kimutatását), a kísérlettervezés egy matematikailag felépített struktúra szerint egyszerre több tényezőt vizsgál. Ily módon a lehető legtöbb információhoz jutunk a lehető legkevesebb próbálkozással.
A megmunkálásban leggyakrabban használt típusok :
- Teljes tervek Az összes tényező minden szintjét tesztelik. Pontos, de drága a tesztelés.
- Frakciós tervek A teljes terv intelligens részhalmaza. Alkalmazkodik, ha sok tényező van.
- Válaszfelület egy célérték (érdesség, tűrés, szerszám élettartam) optimalizálása a folyamat matematikai modellezésével.
Ezek a tervek ugyanúgy vonatkoznak egy vágási paraméter optimalizálására, mint egy új eljárás kifejlesztésére vagy egy alvállalkozó minősítésére.
Adatelemzés és beszállítói ellenőrzés: egy gyakran elhanyagolt alkalmazás
A változékonyság nem csak a gépből ered. Nyersanyagok, alvállalkozói alkatrészek, fogyóeszközök: minden okozhat ingadozást a folyamatában.
A beérkező vizsgálati adatok statisztikai elemzése (IQC) lehetővé teszi, hogy :
- annak kimutatása, hogy az egyik szállító statisztikailag különbözik-e egy másiktól egy mért jellemző tekintetében,
- annak megállapítása, hogy egy anyagtétel-változás hatással volt-e az előállított minőségre,
- Csökkentse a megbízható beszállítók ellenőrzésének mennyiségét a fokozatos ellenőrzésnek köszönhetően (ISO 2859 és ISO 3951 szabványnak megfelelő).
Ez a beszállítói kapcsolatokban a megtakarítások és az objektivitás eszköze: a döntések az adatok, nem pedig a benyomások alapján születnek.
Hogyan lehet egy műhelyben adatelemzési megközelítést kialakítani?
1. lépés: Határozza meg, hogy mit és miért mér és miért mér
Az elemzés előtt mérni kell. És következetesen mérni. Ehhez kalibrált műszerekre, meghatározott mérési gyakoriságokra és az összes üzemeltető által használt, közös protokollokra van szükség. Egy nem üzemképes eszköz, amely torz adatokat generál, hibás döntésekhez vezethet. A műszerek kezelése (METRO) ezért gyakran alábecsült előfeltétele minden adatmegközelítésnek.
2. szakasz: az adatok központosítása
Az egyes táblázatokban szétszórt adatok nem elemezhetők. A kellő mennyiségű és időbeli konzisztencia elérésének feltétele a központosítás, ideális esetben valós időben a gépekről.
3. lépés: Válassza ki a megfelelő elemzőeszközöket
A SPC szoftver lehetővé teszi a valós idejű statisztikai nyomon követést. Egy fejlett elemző modul segítségével azonosítani lehet a változékonyság okait. A kísérleti tervekhez külön modulra van szükség. Az eszköznek minden esetben hozzáférhetőnek kell lennie a kezelők és a minőségügyi technikusok, nem csak a statisztikusok számára.
4. lépés: Az eredmények alapján cselekedni
Az elemzésnek csak akkor van értéke, ha korrekciós intézkedésekhez vezet. Az azonosított eltérésnek korrekciót kell kiváltania. Az azonosított kiváltó oknak folyamatmódosításhoz kell vezetnie. Ez az a zárt kör, amely az adatokat teljesítményre alakítja át.
Következtetés: Adatelemzés a megmunkálásban, egy mérhető megtérüléssel járó befektetés
A megmunkálásra alkalmazott adatelemzés nem egy kényelmi technológia. Olyan irányítási eszköz, amely csökkenti a selejtet, stabilizálja a minőséget, biztosítja a vevői kötelezettségvállalásokat és felgyorsítja a döntéshozatalt. Azok a műhelyek, amelyek integrálták, kézzelfogható nyereséget mérnek: alacsonyabb a nem megfelelőségi arány, jobb képességi mutatók, kevesebb beszállítói vita, az auditok során megtakarított idő.
A jó hír az, hogy a megmunkálási adatok elemzésére szolgáló eszközök jelentősen fejlődtek. Ezek ma már mindenféle fejlett statisztikai ismeret nélkül, közvetlenül egy böngészőből elérhetők, és a meglévő gyártási munkafolyamatokhoz csatlakoztathatók. A kiindulópont nem egy nehézkes informatikai projekt: a döntés, hogy intuíció helyett a tények vezérelnek.
GYIK
Mi is pontosan az adatelemzés a megmunkálásban? Ez azon módszerek és eszközök összessége, amelyeket a gyártás során keletkező adatok (alkatrészmérések, gépi paraméterek, ellenőrzési eredmények) elemzésére használnak a minőségirányítás, a változékonyság csökkentése és az eltérés okainak azonosítása érdekében.
Statisztikusnak kell lennie ahhoz, hogy a műhelyben használt adatelemző eszközöket használhassa? Nem. A speciális ipari szoftvereket úgy tervezték, hogy a minőségügyi technikusok és a termelésirányítók számára is hozzáférhetővé tegyék az elemzéseket, mélyreható matematikai képzés nélkül. A kulcs az, hogy megértsük, mit és miért akarunk mérni.
Mi a különbség az SPC és a fejlett adatelemzés között? Az SPC (statisztikai folyamatszabályozás) valós időben, kontrollgrafikonok segítségével figyeli a folyamat stabilitását. A fejlett adatelemzés tovább megy: több adatforrást kereszthivatkozással hasonlít össze, hogy azonosítsa a változékonyságot magyarázó tényezőket, gyakran gépi tanulással.
Honnan tudom, hogy a megmunkálási folyamatom alkalmas-e? A képességi mutatók (Cpk, Ppk) kiszámítása a gyártott alkatrészek reprezentatív mintáján. Az 1,33-nál nagyobb Cpk általában kielégítőnek tekinthető. E szint alatt a folyamat idővel a nem megfelelőség kockázatát jelenti.
Alkalmazható-e az adatelemzés a beszállítói ellenőrzésre? Igen, a bejövő ellenőrzési adatok statisztikai elemzése lehetővé teszi számunkra a beszállítók objektív összehasonlítását, a tételenkénti eltérések felderítését és a megbízható beszállítók ellenőrzésének mennyiségének csökkentését, az ISO 2859 és ISO 3951 szabványoknak megfelelően.
