Számológép

Ezen az oldalon négy gyakori számítás található, adatsor nélkül, amelyek segítségével teljesíthetők az átvételi ellenőrzési előírások. ISO 2859 és 3951 valamint a szórásintervallum kiszámítására és az előrejelzésre ISO 16269-6 és ISO 16269-8.

1. IQC – Jellemzők

Az átvételi ellenőrzés egy egyszerű kérdésre ad választ: egy minta alapján elfogadjuk-e vagy elutasítjuk-e a tételt? Az oldal mindkét felhasználási módot tárgyalja: a szabványos ellenőrzési terv felkutatását, illetve egy egyedi terv elkészítését.

1. Normál méretarányú rajz (ISO 2859)

• Megadjuk a tétel méretét, az ellenőrzési szintet (I, II vagy III – alapértelmezés szerint II; az S-1–S-4 speciális szintek a költséges vagy roncsolásos ellenőrzések esetében) és az NQA-t, azaz az elfogadható minőségi szintet.
• Kiválasztjuk a levonás típusát (egyszeri, kétszeri vagy többszöri) és a rendszert: normál, szigorított – ha többször is elutasították –, illetve enyhített – ha a korábbi fizetési előzmények jók.
• Kimenet: a kódbetű, az n mintanagyság, valamint az Ac elfogadási és a Re elutasítási kritériumok. Pontosan ez az a sor, amelyet a szabvány táblázataiból ki lehetne keresni, anélkül, hogy félnünk kellene az olvasási hibától.

2. Személyre szabott terv készítése

• Vagy közvetlenül megadjuk az n és az Ac értékeket, és a szoftver kiszámítja a megfelelő hatékonysági görbét: így láthatjuk, hogy a rendszer valójában mit képes elfogadni.
• Vagy a kívánt eredményt vesszük kiindulási pontnak: a görbe két pontja: egy minőség, amelyet szinte mindig elfogadni szeretnénk (p1, a beszállítói kockázattal α), és egy minőség, amelyet szinte mindig elutasítani szeretnénk (p2, a vevői kockázattal β), és ebből levezethető az (n, Ac) terv.
• Ez a második módszer a legőszintébb: arra kényszerít, hogy mindkét előnyt és mindkét kockázatot kifejtsük, míg egy szabványos terv ezeket implicit módon határozza meg.

💡 A hatékonysági görbe adja meg a valódi eredményt, nem pedig az (n, Ac) páros. Ez a görbe a tétel hibás darabjainak minden egyes arányára megadja annak elfogadásának valószínűségét. Két azonos NQA-értékű tervnek nagyon eltérő görbéi lehetnek: a megkülönböztető képességet a mintanagyság határozza meg, nem pedig az NQA.

⚠️ Az NQA nem minőségi célérték, és a mintavételi terv nem garantálja az elfogadott tétel minőségét: csupán átlagosan és egy tételsorozatra vonatkozóan csökkenti annak valószínűségét, hogy hibás tételt fogadjanak el. Az Ac = 0 értékű terv sem minden körülmények között a legszigorúbb; erősen hátrányosan érinti a megfelelő tételeket anélkül, hogy javítaná a nyilvánvalóan hibás tételek felismerését; a választás előtt hasonlítsa össze a görbéket.

2. IQC – Mérések

Ugyanaz a minősítési logika, de a döntés már nem a hibás darabok számán alapul: a mért értéket veszi alapul. Azonos védelmi szint mellett a mérési terv sokkal kevesebb darabot igényel, mint az attribútumalapú terv; ez adja a terv előnyét, ha az ellenőrzés időigényes vagy költséges.

1. Normál méretarányú terv (ISO 3951) megkeresése

• A beviteli adatok megegyeznek az attribútumokéval: tételméret, ellenőrzési szint, NQA, normál / megerősített / csökkentett rendszer. Ehhez hozzáadódik a tűrés jellege – egyoldalú vagy kétoldalú –, valamint az, hogy a folyamat szórása ismert-e vagy sem.
• «Ismeretlen szigma» módszer (s-módszer): a szórást a mintán becslik. Ez a leggyakoribb eset, amelyhez valamivel nagyobb mintára van szükség.
• «Ismert szigma» módszer (σ-módszer): egy előre meghatározott és állandó szórásértéket alkalmaznak. A minta kisebb, de a hipotézist rendszeresen ellenőrizni kell.
• Kimenet: az n mintanagyság és a k elfogadási állandó. A tétel akkor kerül elfogadásra, ha az átlag több mint k szórásnyira van a tűréshatártól — (max. tűréshatár − X̄) / s ≥ k, és ugyanez vonatkozik az alsó határra is. Kétoldalú tűrés esetén a döntés a teljes tűrésen kívüli arány becslésén alapul.

2. Személyre szabott terv készítése

• Vagy megadjuk az n és k értékeket, és a hatékonysági görbe megmutatja, hogy ez a terv valójában mit tesz lehetővé.
• Vagy meghatározzuk a görbe két pontját – azt, amelyet szinte mindig elfogadunk (p1, beszállítói kockázat α), és azt, amelyet szinte mindig elutasítunk (p2, vevői kockázat β) –, és ebből levezetjük az (n, k) párost.

💡 A két oldal összehasonlítása ugyanazon eset kapcsán a legszemléletesebb példa: azonos védelmi szint mellett a mérési terv gyakran három- vagy négyszeresére csökkenti a mintanagyságot. Ez az érv hozható fel, ha a vizsgálat roncsoló jellegű.

⚠️ Ennek a megtakarításnak ára van: az intézkedési terv a jellemző normál eloszlását feltételezi. Aszimmetrikus vagy csonka eloszlás esetén – például formai hiba, excentrikusság vagy már előzetesen válogatott jellemző esetén – a becsült, a tűréshatáron kívüli arány téves, és a terv nem nyújtja a megígért védelmet. Mérési terv kiválasztása előtt ellenőrizze az eloszlás megfelelőségét; kétség esetén térjen vissza az attribútumokhoz.

⚠️ Minden jellemzőhöz egy ellenőrzési terv. Az attribútumokkal ellentétben – ahol egy alkatrész vagy hibás, vagy nem – a méretellenőrzés egyszerre csak egy-egy mérési értéket értékel: több kritikus jellemző esetén több ellenőrzési tervre van szükség, és az elfogadás általános kockázata már nem egyetlen, elkülönült terv kockázata.

3. Az ellenőrző diagramok határai

Rajzolj egy hatékonysági görbét a paraméterek alapján, hogy a kártyát méretezd, mielőtt beépítenéd.

A számítás három lépésben történik: meg kell becsülni a rövid távú szigmát, ki kell választani a határértékek elhelyezésének kritériumát, majd le kell olvasni a hatékonysági görbét, hogy ellenőrizzük, mit képes valójában észlelni az így méretezett térkép.

1. A rövid távú szigma eredete

• Egy mérési adatsor alapján: mintán belüli szórás (S̄/c4) vagy átlagos szórás (R̄/d2). Ez a legmegbízhatóbb forrás, de feltételezi a megfelelően kialakított, ésszerű alcsoportokat.
• Ismert képességi érték alapján: σct = IT / (6 × Cp). Hasznos a méretezés során, amikor csak a folyamat képességi értéke van dokumentálva.
• Megadott szigma: történelmi vagy referenciaérték, amikor a kártyát az egyes időszakok között összehasonlíthatónak kell tartani, ahelyett, hogy minden tételhez újra beállítanák.

⚠️ A rövid távú szigma határozza meg az összes többi tényezőt. Ha rosszul összeállított minták alapján becsülik meg, akkor túlzottan magas lesz: a határok túl szélesek lesznek, és a térkép már nem észlel semmit. Ha túl kevés minta alapján becsülik meg, akkor instabil lesz, és ez azonosíthatósági görbe azonnal megmutatja.

2. A három felkínált limitjáték

💡 A választás nem a számítás pontosságán múlik, hanem azon, hogy mit szeretnénk szabályozni. Egy nagyon képes folyamat esetében a Cpk-értéket garantáló határok jóval tágabbak, mint ± 3 szigma: hagyjuk, hogy az átlag eltérjen, amíg a megfelelőség nem kerül veszélybe, és elkerüljük a felesleges beavatkozásokat. Egy éppen csak megfelelő folyamat esetében viszont a határok szűkebbek, mint ±3 szigma, és ha ezek keresztezik egymást, semmilyen beállítással sem lehet betartani a tűréshatárt: a probléma a szóródás, nem pedig a vezérlés.

💡 A hatékonysági görbe minden lehetséges eltérés esetében megadja annak a valószínűségét, hogy a kártya azt észleli. Ez határozza meg a minta méretét: az n értékének megduplázása a határokat √n-re szűkíti és a görbét meredekebbé teszi, a mintavételi költség árán.

4. Szórásintervallum

Az a tartomány, amely egy adott mintanagyság alapján a populáció egy meghatározott arányát tartalmazza. Kiszámítása a következőképpen történik: S-módszer vagy Sigma-módszer.

Egy minta alapján nem az átlagot, hanem magát a populációt szeretnénk meghatározni: milyen határok között helyezkedik el a darabok egy adott aránya, és milyen megbízhatósággal? Ez a statisztikai szóródási (ISO 16269-6) és előrejelzési (ISO 16269-8) intervallumok célja.

1. Amit megértünk

• A minta mérete n, a megfigyelt átlag és szórás, vagy közvetlenül a tervezés során előzetesen feltételezett paraméterek.
• A lefedendő népesség aránya (gyakran 95 %, 99 % vagy 99,73 %) és a hozzá tartozó konfidenciaszint (gyakran 95 %).
• Az intervallum típusa: kétoldalú, vagy egyoldalú, ha csak az egyik határértéknek van értelme: minimális ellenállás, maximális tartalom.

2. S-módszer vagy Sigma-módszer

• S-módszer: a szórást a mintán becslik. A k együttható ekkor két bizonytalanságot is figyelembe vesz: az átlagra és a szóródásra vonatkozó bizonytalanságot; minél kisebb az n, annál nagyobb a k. Ez az általános eset.
• Sigma-módszer: a szórás ismertnek tekinthető, mivel egy ellenőrzött folyamat előzményeiből származik. Az intervallum lényegesen szűkebb, de csak akkor érvényes, ha ez az érték valóban ismert.
• A határértékeket X̄ ± k × s (vagy k × σ) formában írjuk le, ahol a k együtthatót az n, a célarány, a konfidenciaszint és a választott eloszlás alapján számítják ki.

3. Három fogalom, amelyet nem szabad összetéveszteni

• Bizalmi intervallum: egy paramétert határol: az átlagot, a szórást. Az n értékének növekedésével a bizalmi intervallum nullához közeledik.
• Szórásintervallum (vagy statisztikai tűrésintervallum): a populáció egy arányát határolja. A populáció valódi intervalluma felé konvergál, nem pedig nullához.
• Előrejelzési intervallum: a következő megfigyelés(ek)et határolja be. Ez a megfelelő eszköz arra a kérdésre, hogy «a következő legyártott darab ebbe a tartományba fog-e esni?».

💡 A leggyakoribb alkalmazás a kis sorozatú termékek megfelelőségének ellenőrzése: ha a 99 % / 95 % szórási tartomány a tűréshatárok között marad, akkor a megadott bizalmi szint mellett kijelenthető, hogy a gyártás betartja azokat. Ez megbízhatóbb érvelés, mint a minta egyszerű min-max összehasonlítása, amely nem bizonyít semmit azokról az értékekről, amelyeket nem mértek meg.

⚠️ A k együttható nem 3: ahhoz, hogy a populáció 99,73 %-jét 95 %-es konfidenciaszinttel lefedjük, a k értéke kis mintanagyság esetén jóval nagyobb, mint 3, és csak nagy n esetén közelíti meg ezt az értéket. Ha 20 mérés alapján az X̄ ± 3s értéket használjuk, az olyan garanciát jelent, amelyet az adatok nem támasztanak alá.

⚠️ A konfidencia-intervallumokhoz hasonlóan ezek az intervallumok is alapértelmezés szerint normális eloszlást feltételeznek. Nem normális eloszlású adatok esetén ellenőrizni kell az eloszlás megfelelőségét, vagy inkább a kalibrált eloszlást kell alkalmazni, ahelyett, hogy egy nem normális eloszlásra k-szorzót alkalmaznánk.

💡 A konfidencia-intervallum arra az esetre szolgál, amikor azt kérdezzük: «30 mérési értékem van, milyen határokat tudok garantálni a populációra vonatkozóan?». A válasz nagymértékben függ a minta méretétől, és a 30 és 100 mérési érték közötti különbség gyakran meglepő.

5. Előrejelzési intervallum

A becslési intervallum sem egy paraméterre, sem a teljes populációra vonatkozik: a következő megfigyeléseket határolja be. A kérdés így hangzik: «A mért értékek alapján, egy adott konfidenciaszint mellett a következő megfigyelés vagy az m következő megfigyelés mely határok között fog elhelyezkedni?».

1. Amit megértünk

• A kezdeti minta eredményei: n-érték, átlag, szórás, illetve a referencia-szórás, ha a folyamat ismert.
• A jövőben figyelembe veendő megfigyelések száma: egy, vagy m jövőbeli érték.
• A magabiztosság mértéke és a forma – kétoldalú vagy egyoldalú.
• Kimenetként az X̄ ± k × s értékek. Egy jövőbeli megfigyelés esetén, becsült szórással, k = t(1−α/2; n−1) × √(1 + 1/n): az 1-es tag a jövőbeli darab variabilitását, az 1/n-es tag pedig az átlagra vonatkozó bizonytalanságot fedi le.

2. Mikor érdemes használni?

• Minősítés és vizsgálatok: egy korlátozott sorozat alapján garantálni egy következő alkatrész, tétel vagy vizsgálat minőségét.
• Megfigyelés: figyelembe véve, hogy egy elszigetelt mérésnek milyen értéke lehet, ha a folyamat nem változott, a predikciós tartományon kívüli érték jelzésnek számít, nem pedig nem megfelelőségnek.
• A már legyártott mennyiség helyett egy jövőbeli szállítmányra vonatkozó kötelezettségvállalás: éppen ebben az esetben kerül a legdrágábbra a szórásintervallummal való összetévesztés.

💡 A predikciós intervallum mindig szélesebb, mint az átlagra vonatkozó konfidencia-intervallum, és nem szűkül nullához: még végtelen számú mérés esetén is a jövőbeli darab megőrzi saját variabilitását. Az n értékének növelése a folyamat ismeretét javítja, nem pedig a következő darab reprodukálhatóságát.

💡 A jövőbeli megfigyelések egyidejű lefedése kiszélesíti az intervallumot: az, hogy a következő 10 darab mindegyike ebbe az intervallumba essen, sokkal szigorúbb követelmény, mintha ezt csak egy darabra vonatkoztatnánk. A lefedendő megfigyelések számának ezért meg kell felelnie a ténylegesen vállalt kötelezettségnek.

⚠️ A számítás abból indul ki, hogy a folyamat állapota változatlan marad, és alapértelmezés szerint normális eloszlás érvényesül. Nem jósol semmit a beállítások, az anyag vagy a szerszám megváltozása után: az intervallum a megfigyelt variabilitást fedi le, nem pedig egy jövőbeli eltérést. Az ellenőrzőtábla továbbra is a biztosíték.