Shainin-kísérlettervezés Sokváltozós Alkatrész- Páronkénti diagram keresés összehasonlítás Változók keresése Teljes faktoros tervek B/C összehasonlítás Kétváltozós ábrázolás Shainin 56 Krónikus gyártási problémák (minıségi hibák) okainak felderítésére Sajátossága: clue generation, hagyjuk az alkatrészeket beszélni R. Hoerl, R. Snee: Statistical Thinking, Duxbury, 2002 Egy amerikai vállalatnál nem értették az idınkénti késıi szállítások okát. Strukturált ok-keresés Shainin 57
Is - Is not analysis: Elosztási folyamatban a késıi szállítások elemzése Hol? Micsoda? Mikor? Kicsoda? van nincs Lehetséges magyarázat Északkeleti Dél, Középnyugat, Különbözı régió Nyugat raktárak Az alkatrészek kifogynak A problémák október elején kezdıdtek Minden megrendelı A raktárban lévı alkatrészek késıi kiszállítása Ezt megelızıen A kiszállítási folyamat rendben, de a raktárnyilvántartás nem Új számítógépes rendszert installáltak szeptember végén, október elejétıl erıfeszítéseket tettek a raktárkészlet csökkentésére Akció N/A N/A N/A Megvizsgálandók a különbözı raktárak adatai Megvizsgálandó a raktárnyilvántartási rendszer Vizsgáljuk meg a raktárnyilvántartási algoritmusok különbözıségét, dokumentáljuk a raktárkészlet csökkentésére irányuló változtatásokat Shainin 58 R. Hoerl, R. Snee: Statistical Thinking, Duxbury, 2002, p. 118 4900 Net realized revenue 4800 4700 4600 NRR 4500 4400 4300 4200 4100 4000 0 2 4 6 8 10 12 14 month Shainin 59
2200 Total rebates 2000 1800 TR 1600 1400 1200 1000 0 2 4 6 8 10 12 14 month Shainin 60 2200 Total rebates, 3 years 2000 1800 TR3years 1600 1400 1200 1000 0 5 10 15 20 25 30 35 40 month Shainin 61
4900 Net realized revenue, 3 years 4800 4700 4600 NRR3years 4500 4400 4300 4200 4100 4000 0 5 10 15 20 25 30 35 40 month Shainin 62 6500 Gross sales, 3 years 6400 6300 6200 GrS3year 6100 6000 5900 5800 5700 0 5 10 15 20 25 30 35 40 month Shainin 63
Sokváltozós diagram (Multi-vari charts) Hely szerinti változás y 1 2 3 gép Shainin 64 Idı szerinti változás: trend y H K Sz Cs P Shainin 65
Idı szerinti változás: ugrás y H K Sz Cs P Shainin 66 Ciklikus viselkedés 1. mûszak 2. mûszak 3. mûszak y H K Sz Cs P Shainin 67
Hely szerinti (positional) egy egységen belüli változékonyság szakaszos folyamatban az adagon (batch, sarzs) belül géprıl gépre, operátorról operátorra, üzemrıl üzemre Ciklikus a folyamatból egymás után vett minták között a termék-egységek bizonyos csoportjai között adagról adagra tételrıl tételre Idıbeli (temporal) óráról órára mőszakról mőszakra napról napra hétrıl hétre Shainin 68 K. R. Bhote: World class quality. Using design of experiments to make it happen. Amacom, 1991, p. 60 Tengely elıírt mérete 0.0250"±0.001". terjedelem 0.0025" a várt 0.002" helyett (C PK =0.8) Javaslat: vegyenek új esztergagépet, amire 0.0008" (C PK =1.25) terjedelmet ígérnek. Helyette multi-vari: 3 tengelyt vettek ki óránként Shainin 69
Shainin 70 típus a teljes változékonyság %-a a változékonyság oka akció eredmény óráról órára 50% kevés feltöltés kb. 50% hőtıfolyadék darabon belül 10% nem párhuzamos beállítás kb. 10% bal följebb beállítás darabon belül 30% kopott győrő győrő-csere kb. 30% excentricitás darabok között 5%? Az eredmény: 0.0025" helyett 0.0004" az ingadozás terjedelme (C PK =5). Shainin 71
Egy fermentációs technológiában nem tudják mire vélni a kihozatal változékonyságát. 110 Scatterplot of y against Inoc lot No. csupasz2.sta 23v*208c 100 90 45 Histogram of y csupasz2.sta 23v*208c y 80 40 70 35 30 60 No of obs 25 20 50 101 107 113 119 125 132 138 144 150 156 Inoc lot No. 15 10 5 0 50 55 60 65 70 75 80 85 90 95 100 105 y Minıségjavító Shainin kísérlettervezés 72 Statistics>Industrial Statistics>Quality Control Charts Individuals & moving range Variables: X Parts: MedD Options, Labeling fülön MedD 105 100 95 90 85 80 75 70 101 X Chart; variable: y X: 78.269 (78.269); Sigma: 2.7557 (2.7557); n: 1. 102 103 104 106 105 104 86.536 78.269 70.002 65 60 X Chart; variable: y X: 78.269 (78.269); Sigma: 2.5352 (2.5352); n: 1. 115 116 117 118 119 120 121 105 100 55 50 50 100 150 200 95 90 85 80 75 70 85.875 78.269 70.664 Parts: MedC Options, Labeling fülön MedC 65 60 55 50 50 100 150 200 táptalaj-adagok Minıségjavító Shainin kísérlettervezés 73
Effect Inoc lot No.(MedC) MedC Error Components of Variance (csupasz2.sta) Over-parameterized model Type III decomposition y 15.9394 161.8160 9.3750 A teljes ingadozás 86%-át a MedC okozza. Shainin 74 Most már értjük, hogy a MedC táptalaj-komponens okozza az eltérést, de azt még nem, hogy hogyan. Miben különbözik a 118 és 119 tétel a többitıl? 110 Scatterplot of y against allasido honap csupasz2.sta 23v*208c állásidı 100 90 y 80 70 60 50 5 10 15 20 25 30 35 40 allasido honap Minıségjavító Shainin kísérlettervezés 75
Effect Intercept allasido honap MedC Error 15 Univariate Tests of Significance for y (csupasz2.sta) Sigma-restricted parameterization Type I decomposition; Std. Error of Estimate: 4.821353 SS Degr. of MS F p Freedom 1274223 1 1274223 54816.02 0.00 22073 1 22073 949.56 0.00 5755 6 959 41.26 0.00 4649 200 23 MedC; Weighted Means Current effect: F(6, 201)=28.349, p=0.0000 Effective hypothesis decomposition Vertical bars denote 0.95 confidence intervals 10 y000res1: y Residual 5 0-5 -10-15 -20 115 116 117 118 119 120 121 MedC Shainin 76 Az állásidıtıl való függés reziduumaira a MedC sarzsok szerint végzett egyfaktoros ANOVA végén a MedC sarzsok átlagai: 15 MedC; Weighted Means Current effect: F(6, 201)=28.349, p=0.0000 Effective hypothesis decomposition Vertical bars denote 0.95 confidence intervals 10 y000res1: y Residual 5 0-5 -10-15 -20 115 116 117 118 119 120 121 MedC A 120. MedC sarzs y értéke kb. 20 egységgel lejjebb van annál, amit az állásidı magyarázna. Shainin 77
Alkatrész-keresés (Component search) Ha vannak jó és rossz termék-példányok, a termék szétszedhetı és újból összerakható, és az összerakott termék minısége mérhetı és reprodukálható. 1. Kiválasztunk egy jó és egy rossz példányt. 2. Megmérjük mindkét példányon a minıségi jellemzıt. 3. Szétszedjük és változatlanul összeszereljük a jó és a rossz terméket, újra megmérjük a minıségi jellemzıt. Shainin 78 Az átlagos különbség a jó (J) és a rossz (R) termék között: D = J 1 2 R1 R2 + J 2 + 2 Az átlagos különbség a jó és a rossz termékeken belül: d = J 1 J 2 R1 R2 2 + 2 Ha D/d>5, jelentıs és reprodukálható a jó és a rossz termék közötti különbség. Shainin 79
4. Mérnöki ítélıképességünk alapján megadjuk a részegységek valószínősíthetı fontossági sorrendjét (A, B, C,...), elsınek véve a feltételezett legfontosabbat. 5. A legfontosabbnak tartott részegységet fölcseréljük a jó és a rossz termék-példány között. a. Ha nincs változás, vagyis a jó termék változatlanul jó, a rossz pedig rossz marad, a vizsgált részegység nem fontos a hiba szempontjából. b. Ha a csere valamelyes változást okoz a minıségben, a részegység a rózsaszín (pink) vagy halványrózsaszín (pale pink) csoportba tartozik. c. Ha a két termék-példány minıségi megítélése az ellenkezıjére változik, megtaláltuk a hiba okát - ez a piros X, nem is kell folytatnunk a keresést. Shainin 80 6. Visszacseréljük az A alkatrészt, és az 5. lépést végrehajtjuk a B, C, D stb. alkatrészekkel is. Ezzel kijelöljük a piros X (ha ilyen létezik), rózsaszínő X, és a halványrózsaszínő X csoportba tartozó alkatrészeket. 7. Ellenırzı kísérletet végzünk, amelyben a fontosnak talált alkatrészekbıl a jót építjük be az egyik, a rosszat a másik termékpéldányba. 8. Kiértékeljük az egyes alkatrészek hatását és kölcsönhatását az 5. és 6. lépésben nyert adatokból. Shainin 81
Ablaktörlı motor zajossága H: hajtómőház M: motorház F: forgórész K: fogaskerék Shainin 82 60 50 40 arány% 30 20 10 0-10 26-Mar 15-Apr 5-May 25-May 14-Jun 4-Jul 24-Jul 13-Aug dátum Shainin 83
H: hajtómőház M: motorház F: forgórész K: fogaskerék H M F K eredmény - - - - nem megf. + - - - nem megf. - + - - megfelelı - - + - nem megf. - - - + nem megf. + + + + megfelelı - + + + megfelelı + - + + nem megf. + + - + megfelelı + + + - megfelelı Shainin 84 Páronkénti összehasonlítás (Paired comparisons) Ha vannak jó és rossz termék-példányok, de a termék nem újból összerakható. Több jó-rossz párt választhassunk ki a gyártmányok közül, és kell egy minıségi jellemzı, amelynek alapján a jó a rossztól megkülönböztethetı. Shainin 85
1. Kiválasztunk egy jó és egy rossz termék-példányt, lehetıleg véletlenszerően a rosszak ill. jók közül. 2. Ennél az elsı párnál megfigyeljük és följegyezzük az összes észlelhetı eltéréseket (méret, kinézés, a lehetséges mőszeres vizsgálatok eredményei). A vizsgálat módszere a vizuális megfigyeléstıl a röntgenig vagy elektronmikroszkópos felvételig bármi lehet, beleértve a roncsolásos vizsgálatot is. 3. Kiválasztunk egy második párt, és elvégezzük a 2. pont szerinti elemzést. 4. Mindaddig további párokat veszünk, amíg az eltéréseket jellegzetesnek és reprodukálhatónak nem látjuk, ez általában már 5-6 pár után bekövetkezik. Shainin 86 K. R. Bhote: World class quality. Using design of experiments to make it happen. Amacom, 1991, p. 85 Hibás dióda scanning elektronmikroszkópos vizsgálat Shainin 87
Observed differences 1 Good: No flaws Bad: Chipped die, oxide defects, copper migration 2 Good: No flaws Bad: Alloying irregularities, oxide defects 3 Good: No flaws Bad: Oxide defects, contamination 4 Good: No flaws Bad: Oxide defects, chipped die 4 esetben oxide defects, Red X 2 esetben chipped die, Pink X Shainin 88