If Japan can why can t we? NBC News Folyamatos fejlesztés (continuous improvement) A management szerepe. 6 sigma 1. 6 sigma 2

Hasonló dokumentumok
Minőség-képességi index (Process capability)

Statisztikai folyamatszabályozás Minitab szoftverrel

Define Measure Analyze Improve Control. F(x), M(ξ),

AZ SPC gyakorlati kérdései és alkalmazási tapasztalatai

Szıdy Noémi Fekete Öves Tóth Csaba László Fekete Öves április 12.

A Hat Szigma képzés tapasztalatai

Six Sigma és Lean menedzselésének eszköze a Companion by Minitab

A Hat Szigma bevezetésének tapasztalatai a Siemens Erőműtechnika Kft-nél

Hat Sigma - Siker vagy ámítás?

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet. Hypothesis Testing. Petra Petrovics.

Statisztikai hipotézisvizsgálatok. Paraméteres statisztikai próbák

Erdei János. Minőség- és megbízhatóság menedzsment. villamosmérnöki kar menedzsment mellékszakirány

Hat Sigma - Siker vagy ámítás?

Esetelemzés az SPSS használatával

Hat Szigma Zöldöves Tanfolyam Tematikája

You created this PDF from an application that is not licensed to print to novapdf printer (

Supporting Information

A m becslése. A s becslése. A (tapasztalati) szórás. n m. A minta és a populáció kapcsolata. x i átlag

PhD értekezés. A logisztikai szolgáltatások minőségét meghatározó tényezők és kapcsolatuk a teljeskörű minőségmenedzsmenttel.

MINİSÉGSZABÁLYOZÁS. Dr. Drégelyi-Kiss Ágota

3. mérés Sorozatmérés digitális kijelzésű mérőórával

18.1 SIX SIGMA AND LEAN MANAGEMENT (Hat Szigma és Lean menedzsment) Elnök: Charles Aubrey, USA

XX. Nemzeti Konferencia

Változók közötti kapcsolat II. A nominális / ordinális eset: asszociációs mérőszámok.

Cash Flow Navigátor Tanácsadó Kft. Képzések. Tel.: Skype: nfeher01

Correlation & Linear Regression in SPSS

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet. Correlation & Linear. Petra Petrovics.

Minőségmenedzsment. 1. Minőséggel kapcsolatos alapfogalmak. Minőségmenedzsment - Török Zoltán BKF és BKF SZKI

Correlation & Linear Regression in SPSS

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Factor Analysis

OROSZ MÁRTA DR., GÁLFFY GABRIELLA DR., KOVÁCS DOROTTYA ÁGH TAMÁS DR., MÉSZÁROS ÁGNES DR.

Budapesti kihelyezett Six Sigma képzés

IP/09/473. Brüsszel, március 25

Statistical Dependence

Geokémia gyakorlat. 1. Geokémiai adatok értelmezése: egyszerű statisztikai módszerek. Geológus szakirány (BSc) Dr. Lukács Réka

9. GYAKORLAT STATISZTIKAI PRÓBÁK SPSS-BEN FELADATOK

Hat Sigma - Siker vagy ámítás?

Választási modellek 3






III. Képességvizsgálatok

Eladni könnyedén? Oracle Sales Cloud. Horváth Tünde Principal Sales Consultant március 23.

Mark Auspitz, Fayez Quereshy, Allan Okrainec, Alvina Tse, Sanjeev Sockalingam, Michelle Cleghorn, Timothy Jackson

Új minôségfejlesztési módszer a magyar egészségügyben

5. mérés Mérés és kiértékelés számítógéppel

Adatkezelő szoftver. Továbbfejlesztett termékvizsgálat-felügyelet Fokozott minőség és gyártási hatékonyság

Jeges Zoltán. The mystery of mathematical modelling

MKB Bank Zrt. Kockázati beszámoló. (234/2007. (IX. 4.) kormányrendelet a hitelintézetek nyilvánosságra hozatali követelményének teljesítésérıl

Csima Judit április 9.

Six Sigma 20 éve töretlen siker

Hat Szigma Testre Szabva (Six Sigma for You 6S4U)

Report on the main results of the surveillance under article 11 for annex II, IV and V species (Annex B)

A Lean Beszállító fejlesztés tapasztalatai a Knorr Bremse-nél

Tavaszi Sporttábor / Spring Sports Camp május (péntek vasárnap) May 2016 (Friday Sunday)

GYÁRTÓ VÁLLALAT VEVŐI AUDITJA

NYOMÁSOS ÖNTÉS KÖZBEN ÉBREDŐ NYOMÁSVISZONYOK MÉRÉTECHNOLÓGIAI TERVEZÉSE DEVELOPMENT OF CAVITY PRESSURE MEASUREMENT FOR HIGH PRESURE DIE CASTING

Performance Modeling of Intelligent Car Parking Systems

Miben különbözik a tranzakcionális Hat szigma a gyártásitól?


EEA, Eionet and Country visits. Bernt Röndell - SES

bab.la Cümle Kalıpları: İş Sipariş İngilizce-Macarca

bab.la Cümle Kalıpları: İş Sipariş Macarca-İngilizce

Implementation of water quality monitoring

WIL-ZONE TANÁCSADÓ IRODA

Miskolci Egyetem Gazdaságtudományi Kar Üzleti Információgazdálkodási és Módszertani Intézet Nonparametric Tests

KIEGÉSZÍTŽ FELADATOK. Készlet Bud. Kap. Pápa Sopr. Veszp. Kecsk Pécs Szomb Igény

Kezdőlap > Termékek > Szabályozó rendszerek > EASYLAB és TCU-LON-II szabályozó rendszer LABCONTROL > Érzékelő rendszerek > Típus DS-TRD-01

A dróthúzástól a KAIZEN-ig

Az Ipoly árvízi előrejelző rendszer

Statistical Inference

ANGOL NYELV KÖZÉPSZINT SZÓBELI VIZSGA I. VIZSGÁZTATÓI PÉLDÁNY

A biostatisztika alapfogalmai, hipotézisvizsgálatok. Dr. Boda Krisztina Boda PhD SZTE ÁOK Orvosi Informatikai Intézet

Rába Járműipari Alkatrészgyártó Kft. Szállítói minőségi követelmények

ű ű ű ű Ü ű ű ű Ó ű Á ű Á Ö É É É Á É É É É Ü Á Á Á ű

STATISZTIKA I. Tantárgykódok. Oktatók. Időbeosztás. Tematika Előadás Bevezetés, a statisztika szerepe

A Continental Automotive Hungary beszállítói stratégiája Beszállítók kiválasztása és fejlesztése helyben és globálisan

A projektirányítás a költségekkel, erőforrásokkal és a felhasznált idővel foglalkozik. A konfigurációkezelés pedig magukkal a termékekkel foglalkozik.

Intézményi IKI Gazdasági Nyelvi Vizsga

Outsourcing solutions for rework & pad printing. Suppliers Quality Assistance. Cost effective solutions

WIL-ZONE TANÁCSADÓ IRODA

Pótalkatrész Katalógus Kuplungmatika

Gyakorló feladatok a Kísérletek tervezése és értékelése c. tárgyból Kísérlettervezés témakör

Az SPC alapjai. Az SPC alapjai SPC Az SPC (Statistic Process Control) módszer. Dr. Illés Balázs

DR. SZABÓ LÁSZLÓ 1 DOBOS GÁBOR 2

A modern e-learning lehetőségei a tűzoltók oktatásának fejlesztésében. Dicse Jenő üzletfejlesztési igazgató

Analitikai megoldások IBM Power és FlashSystem alapokon. Mosolygó Ferenc - Avnet

LEANPÓKER MI ÍGY CSINÁLJUK!

Matematika M1 1. zárthelyi megoldások, 2017 tavasz

Minőségjavító kísérlettervezés

ios alkalmazásfejlesztés Koltai Róbert

A következő angol szavak rövidítése: Advanced Product Quality Planning. Magyarul minőségtervezésnek szokás nevezni.

Az időhöz kötődő parancsok

A DOE (design of experiment) mint a hat szigma folyamat eszköze

(NGB_TA024_1) MÉRÉSI JEGYZŐKÖNYV

Statistical Process Control (SPC), Statisztikai Folyamatszabályozás

Hogyan szűrjük a röntgensugarat?

7 th Iron Smelting Symposium 2010, Holland

Átírás:

The Origin of Six Sigma Excerpted from Harry, Mikel, and Schroeder, Richard,"Six Sigma - The Breakthrough Management Strategy Revolutionizing Corporation", Doubleday, New York, 2000, pp.9-11. Motorola, in 1979: Art Sundry "The real problem at Motorola i that our quality tink!" quality cot money improving quality actually reduce cot A Motorola akkori bevételének 5-10%-át költötte javítára Bill Smith, 1985 Mikel Harry ori kieő (repair-rework) 0 km field 6 igma 1 W. E. Deming: Out of the crii, MIT Pre, Cambridge, MA, 1988 Japánban, 1950-ben Improve quality Cot decrea (le rework, fewer delay, better ue of machine time and material) Productivity increae Capture market with better quality and lower price Stay in buine Provide job and more job If Japan can why can t we? NBC New Folyamato fejlezté (continuou improvement) A management zerepe 6 igma 2

A zigma képeég azt méri, hogy a tűrémező zéle é a névlege vagy előírt érték között a hányzoroa a távolág 3 p= ppm C P C PK 1 LSL 3 T 3 USL C P USL LSL 6 Ha a folyamat jól centrált : C P C PK USL T 3 6 igma 3 6 p= ppm C P C PK 2 LSL 6 T 6 USL lenne, ha a folyamat jól centrált lenne (m=t), de Motorola: 1.5 eltolódá 6 igma 4

0 ppm 3.4 pp 1.5 m LSL 6 6 T USL C 2 C PK 15. = 6 ( 6 zigmá folyamat) P 6 igma 5 zigma képeég () C P C PK 1.5 eltolódánál elejtarány (ppm) v. hiba-arány (DPMO) 1.5 eltolódánál 2 0.67 0.17 308537 3 1 0.5 66807 4 1.33 0.67 6210 5 1.67 1.17 233 6 2 1.5 3.4 A zigma képeég a elejtarány vagy hiba-arány (DPMO) ajáto kálája 6 igma 6

1e6 1e5 1e4 ppm 1e3 100 10 1 1 2 3 4 5 6 8 = 1.5+3*C pk 7 6 5 4 6 igma 7 3 2 1 0.0 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 2.2 C pk Include k=0 Include k=0.5 Include k=1 Include k=1.5 Include k=2 Include k=-0.5 Include k=-1 Include k=-1.5 Include k=-2 Other SL m SL T Ha adott, mire zámíthatunk hozú távon? Ha m T 1. 5 0 ppm 1.5 m LSL 6 6 T USL 3.4 ppm 1.5 pl. =6 = p p= hift 1.5 6 igma 8

1.5 1.5 Ha adott, milyen lehet ez a folyamat( ), ha jól állítják be? f(z) pl. =4.5 = Ha p adott () z p p=3.4ppm =4.5 hift m T 1.5 6 igma 9 36. példa Egy folyamatra =1.253 (). A pecifikáció 2505 egyég. Számítuk ki a folyamat rövid é hozú távú zigma képeégét, é a hozú távon várható elejtarányt 1.5 eltolódát feltételezve! SL T 1. 5 p= m T hift 1. 5 6 igma 10

37. példa Egy folyamat termékeit AQL=0.65 előíráal vezik át. Mit mondhatunk a folyamat hozú távú zigma képeégéről? p= = 6 igma 11 38. példa Egy zámlák feldolgozáával foglalkozó cég tapaztalatai zerint 1500 zámlában átlagoan 15 hiba fordul elő. Egy zámla íráakor átlagoan 30 hibát lehet elkövetni. Milyen a folyamat zigma képeége? 15 DPMO 10 6 333 3. 405 150030 Miért? zigma képeég: 3.405+1.5=4.905 Általánoítá: nem i cak normáli elozláú folyamatra haználhatjuk, hogy p é = +1.5 6 igma 12

f(z) Még furcább: Ha hozú távon i kétoldali kieő van, akkor i átzámoljuk egy oldalra 0 z f(z) Ez a 6 igma konvenció! z 6 igma 13 (hort term) (long term) Hozú idő alatt, de coportokban gyűjtött adatokból i zámolhatunk rövid távú képeéget 6 igma 14

1. modell A folyamat eltolódáa a zámlálóban SL m SL T hift m T Ez azt jelenti, hogy olyan folyamatot képzelünk el, amelyikben cak rövid távú ingadozá van, é a hozú távú képeég cak azért rozabb a rövid távúnál, mert eltolódá van a folyamatban. 6 igma 15 SL m 2. modell Kétféle ingadozá van, egy hozú é egy rövid távú hift m T rövid távú (nagy frekvenciájú): a coportokon belül hozú távú (ki frekvenciájú): a coportok átlaga i ingadozik a coportok m-vel jelölt átlaga eetleg nem a T névlege érték, tehát van átlago eltolódá i. m T 6 igma 16

10. példa Számítuk ki a cpdata1.mtw file YS3 ozlopában lévő adatokra a zigma képeéget! Az előírá 2505 egyég. 6 igma 17 Option: benchmark Szigma képeég: 3.31+1.5=4.81 Proce Capability of YS3 Proce Data LSL 245 Target 250 USL 255 Sample Mean 250.727 Sample N 100 StDev (Within) 1.11674 StDev (O v erall) 1.28912 LSL Target USL Within Overall Potential (Within) C apability.bench 3.83.LSL 5.13.USL 3.83 C pk 1.28 C C pk 1.49 O v erall C apability.bench 3.31.LSL 4.44.USL 3.32 Ppk 1.11 C pm 1.13 246.0 247.5 249.0 250.5 252.0 253.5 255.0 O berved Performance PPM < LSL 0.00 PPM > USL 0.00 PPM Total 0.00 Exp. Within Performance PPM < LSL 0.15 PPM > USL 64.92 PPM Total 65.06 Exp. O v erall Performance PPM < LSL 4.45 PPM > USL 458.11 PPM Total 462.57 6 igma 18

A mintából zámított (ahogy a C P, C PK ) bizonytalan. Adjunk rá konfidencia-intervallumot i! 6 igma 19 Proce Capability of YS3 (uing 95.0% confidence) Proce Data LSL 245.00000 Target 250.00000 USL 255.00000 Sample Mean 250.72650 Sample N 100 StDev (Within) 1.05290 StDev (O v erall) 1.28912 O berved Performance PPM < LSL 0.00 PPM > USL 0.00 PPM Total 0.00 LSL Target USL 246.0 247.5 249.0 250.5 252.0 253.5 255.0 Exp. Within Performance PPM < LSL 0.03 PPM > USL 24.66 PPM Total 24.69 Exp. O v erall Performance PPM < LSL 4.45 PPM > USL 458.11 PPM Total 462.57 Within Overall Potential (Within) C apability.bench 4.06 Lower C L 1.80 Upper C L *.LSL 5.44.USL 4.06 C pk 1.35 Lower C L 1.13 Upper C L 1.57 C C pk 1.58 O v erall C apability.bench 3.31 Lower C L 1.78 Upper C L *.LSL 4.44.USL 3.32 Ppk 1.11 Lower C L 0.94 Upper C L 1.27 C pm 1.13 Lower C L 0.98 6 igma 20 MTB14

klaziku definíció USL SL T 255 250 4.75 1.053 ahogy a Minitab zámol USL SL m 255 250.727 4.057 1.053 LSL 250 245 4.75 1.053 LSL 250.727 245 5.438 1.053 6 igma 21 9. példa Számítuk ki a cpdata1.ta file YS3 ozlopában lévő adatokra a zigma képeéget! Az előírá 2505 egyég. Proce Capability -bench Statitic, Confidence Bound etc (CPDATA1.S Variable: YS3 Capability Index Value Variable: YS3 (CPDAT A1. Cp - Lower CI 1.34213-3.000 *Sigma=247.376 Cp - Upper CI 1.83320 +3.000 *Sigma=254.077 Cpk - Lower CI 1.13696 Capability Index Value Cpk - Upper CI 1.57737 Lower Specification Limit 245.0000 - benchmark Potential 4.07125 Nominal Specification 250.0000 benchmark - LSL 5.45581 Upper Specification Limit 255.0000 benchmark - USL 4.07149 CP (potential capability) 1.4924 benchmark - Lower CI 1.79578 CR (capability ratio) 0.6701 benchmark - Upper CI CPK (demontrated excellence) 1.2756 Overall Proce Performance CPL (lower capability index) 1.7092 PPM < LSL 0.02438 CPU (upper capability index) 1.2756 PPM > USL 23.35658 PPM Total 23.38095 K (non-centering correction) 0.1453 Oberved Proce Performance CPM (potential capability II) 1.1271 PPM < LSL 0.00000 PPM > USL 0.00000 PPM Total 0.00000 Cpm - Lower CI 0.97565 Cpm - Upper 6 igma CI 1.27832 22

A rövid távú képeég alternatív definíciója SL T ahol SL USL vagy LSL (Minitab Proce Analyi add.) Ez lenne a folyamat képeége, ha jól centrált lenne SL m (Statitica Proce Analyi) (Minitab Capability Analyi) 6 igma 23 (hort term) (long term) A hozú távú képeég SL m 6 igma 24

. példa Egy zámlák feldolgozáával foglalkozó cég tapaztalatai zerint 1500 zámlában átlagoan 15 hiba fordul elő. Egy zámla íráakor átlagoan 30 hibát lehet elkövetni. Milyen a folyamat zigma képeége? 15 DPMO 10 6 333 150030 1 F 9 z 333,33310 z 3.405 zigma képeég: 3.405+1.5=4.905 6 igma 25 A DMAIC folyamat 15 lépée D M A I C Fáziok Lépéek Tartalmi leíráuk Define Definiálá Meaure Méré Analyze Elemzé Improve Fejlezté Control Ellenőrzé 1 Válazd ki é határozd meg a projekt CTQ-t 2 Hozd létre a projekt alapdokumentumot 3 Kézít maga zintű folyamat térképet 4 Válazd ki a CTQ jellemzőket 5 Határozd meg a teljeítmény előíráokat 6 Elemezd a mérőrendzert 7 Határozd meg a folyamatképeéget 8 Válazd ki a fejleztéi célokat 9 Állapítd meg az ingadozá forráait é okait 10 Szűrd ki a lehetége okokat 11 Tárd fel a változók közötti kapcolatot 12 Határozd meg a működéi tűréhatárokat 13 Határozd meg é hagyd jóvá a mérőrendzert 14 Mérd viza a fejlezté utáni folyamatképeéget 15 Valóítd meg a folyamat ellenőrzét