Что нужно для отдела кадров. Структура и функции отдела кадров организации. Обязательные документы, которые должны храниться в отделе кадров
Стандарт ИСО утверждает, что правильное применение статистических методов имеет важное значение для проведения управляющих воздействий при анализе рынка, для проектирования продукции, для прогнозирования долговечности и срока службы, для изучения средств регулирования процессов, для определения уровней качества в планах выборочного контроля, при оценке эксплуатационных характеристик для улучшения качества процессов, при оценке безопасности и анализе рисков.
Используя статистические методы, можно своевременно выявлять проблемы, связанные с качеством (обнаружить нарушение процесса до того, как произошел выпуск дефектных изделий). В значительной мере статистические методы позволяют установить и причины нарушения.
Потребность в статистических методах возникает, прежде всего, в связи с необходимостью минимизации вариабельности (изменчивости) процессов.
Под вариабельностью понимается отклонение различных фактов от заданных значений. Не выявленная своевременно вариабельность может представлять собой смертельную опасность, как для производства, так и для продукции и предприятия в целом.
Системный подход к процедуре принятия решения, основанный на теории вариабельности, называют статистическим мышлением. В соответствии с формулировкой американского общества качество статистического мышления основывается на трех фундаментальных принципах:
1) любая работа осуществляется в системе взаимосвязанных процессов;
2) во всех процессах есть вариации;
3) понимание и снижение вариации – это ключ к успеху.
Деминг говорил «Если бы мне пришлось выразить мое послание менеджмент всего в нескольких словах, я бы сказал, что вся суть состоит в уменьшении вариации».
Причины вариации любых процессов могут быть разделены на две группы.
Первая группа – это общие причины, связанные с производственной системой (оборудование, здания, сырье, персонал) соответствуют вариабельность нельзя изменить без изменения системы. Любые действия рядовых сотрудников – исполнителей в этой ситуации, скорее всего, только ухудшает положение. Вмешательство в систему почти всегда требует действий со стороны руководства – высшего менеджмента.
Вторая группа – это специальные причины, связанные с ошибками оператора, сбоями настройки, нарушения режима и др. Ликвидацией этих причин занимается персонал, непосредственно участвующий в процессе. Это неслучайные причины – износ инструмента, ослабления креплений, изменение температуры охлаждающей жидкости, нарушение технологического режима. Такие причины должны быть изучены и могут быть устранены при настройке процесса, что и обеспечивает его стабильность.
Основные функции статистических методов в УК
Познавательная информационная функция
Прогностическая функция
Оценочная функция
Аналитическая функция
Ложная и необъявленная тревога
В данном случае речь идет о статистических ошибках. Где в результате их возникновения может быть обвялено ложная тревога и на оборот не обнаружения этих ошибок может перевести к необъявленной тревоге.
В целом ошибки наблюдения – это расхождения между статистическим наблюдением и действительными значениями изучаемых величин.
при проведении статистических наблюдений выделяют два вида ошибки
1) ошибки регистрации
2) ошибки репрезентативности
Ошибки регистрации – возникают из-за неправильного установления фактов в процессе наблюдения, либо ошибочной их записи, либо и того и другого.
Ошибки регистрации бывают случайными и систематическими, преднамеренными и непреднамеренными.
Случайные ошибки – это те ошибки, которые возникают под действием случайных факторов.
Такие ошибки могут быть направлены как в сторону преувеличения, так и в сторону преуменьшения, а при достаточно большом числе наблюдения это ошибки взаимно погашаются под действием закона больших чисел.
Систематические ошибки – возникают по определенным постоянным причинам, действующим в одном и том же направлении, т.е. в сторону преувеличения или преуменьшения размера данных, что приводит к серьезным искажениям общих результатов статистического наблюдения.
Преднамеренные ошибки – это ошибки причиной которых является сознательное искажение данных.
Непреднамеренные ошибки – это ошибки, которые носят случаный, неумышленный характер, например, неисправности измерительных приборов.
Ошибки репрезентативности – такие ошибки возникают при не сплошном наблюдении. Они, так же как и ошибки регистрации бывают случайными и систематическими
Случайные ошибки репрезентативности возникают в силу того, что выборочная совокупность отобранных на основе принципа случайности единиц наблюдения отражает не всю совокупность, величина этой ошибки может быть оценена.
Систематические ошибки возникают вследствие нарушения принципа случайности отбора единиц изучаемой совокупности, которые должны быть подвергнуты наблюдению.
Размеры этих ошибок, как правило, не поддаются количественному измерению. Проверка достоверности данных статистического наблюдения может быть реализована посредством осуществления контроля.
Классификация отклонений параметров качества изделий и методов контроля
В зависимости от источника и способа получения информации методы оценки качества классифицируются на объективные, эвристические, статистические и комбинированные (смешанные). Объективные методы делят на измерительный, регистрационный, расчетный и опытной эксплуатации. Эвристические методы включают в себя органолептический, экспертный и социологические методы.
Применение статистических методов - один из наиболее эффективных путей разработки новых технологий и контроля качества процессов.
Вопрос 2. Надежность систем. Оценка вероятности отказов и вероятности безотказной работы системы при различных схемах соединения входящих в нее элементов.
Надежность систем
Надежность системы – это свойство объекта сохранять во времени в установленных пределах значения всех параметров, характеризующих способность выполнять требуемые функции в заданных режимах и условиях применения, технического обслуживания, ремонтов, хранения и транспортировки.
Показатель надежности количественно характеризует одно или несколько свойств, составляющих надежность объекта.
Показатель надежности может иметь размерность (например, наработка на отказ) или не иметь (например, вероятность безотказной работы).
Показатели надежности могут быть единичными и комплексными. Единичный показатель надежности характеризует одно из свойств , а комплексный - несколько свойств , составляющих надежность объекта.
Различают следующие показатели надежности:
Исправность
Работоспособность
Безотказность
Долговечность
Ремонтопригодность
Восстанавливаемость
Сохраняемость и др.
Причины изготовления ненадежной продукции:
1) отсутствие регулярной проверки соответствия стандартам;
2) ошибки в применении материалов и неправильный контроль материалов в ходе производства;
3) неправильный учет и отчетность по контролю, включая информацию об усовершенствовании технологии;
4) не отвечающие стандартам схемы выборочного контроля;
5) отсутствие испытаний материалов на их соответствие;
6) не выполнение стандартов по приемочным испытаниям;
7) отсутствие инструктивных материалов и указаний по проведению контроля;
8) не регулярное использование отчетов по контролю для усовершенствования технологического процесса.
Оценка вероятность отказов и вероятность безотказной работы любой системы зависит от схемы соединения входящих в нее элементов.
Различают три схемы соединения:
1) последовательное соединение элементов
Последовательная система соединения элементов надежна тогда, когда надежны все элементы и чем больше количество элементов в системе, тем ниже ее надежность.
Надежность последовательно соединенных элементов можно найти по формуле:
(1)
где р – это степень надежности элемента.
п – это число элементов.
Вероятность отказа системы последовательно соединенных элементов находится по формуле:
2) параллельное соединение элементов
 |
Параллельное соединение элементов увеличивает надежность системы.
Надежность системы при параллельном соединении элементов определяется по формуле:
где q – это степень ненадежности элемента
вероятность отказа при параллельном соединении элементов определяется по формуле:
3) Комбинированные соединения.
Различают две Схемы комбинированных соединений элементов.
Схема (1) – отражает надежность системы при параллельном соединении двух подсистем, когда каждая из них состоит из двух последовательно соединенных элементов.
Схема (2) – отражает надежность системы при последовательном соединении двух подсистем, когда каждая из них состоит из двух параллельно соединенных элементов
Надежность системы при параллельном соединении двух подсистем, когда каждая из них состоит из двух последовательно соединенных элементов определяется по формуле:
Надежность системы при последовательном соединении двух подсистем, когда каждая из них состоит из двух параллельно соединенных элементов определяется по формуле.
1. Роль и значение статистических методов в управлении качеством. Причины, сдерживающие применение статистических методов в практике отечественных предприятий
1.1 Введение
Необходимость использования статистических методов обоснована изменчивостью, наблюдаемой в процессе работы и влияющей на результаты производственной и коммерческой деятельности, даже при условии кажущейся стабильности. Такая изменчивость может проявляться в измерении характеристик продукции и процессов на различных этапах их жизненного цикла (начиная от исследования рынка и заканчивая реализацией готовой продукции).
Статистические методы помогают измерить, описать, проанализировать и смоделировать подобную изменчивость даже при наличии ограниченного объема данных. Статистический анализ данных может помочь при формировании лучшего понимания природы, сроков и причин изменчивости, а в дальнейшем - при решении и даже предупреждении проблем, связанных с такого рода изменчивостью.
Таким образом, статистические методы позволяют наилучшим образом использовать имеющиеся в распоряжении данные при принятии решений и улучшить качество продукции и процессов на стадиях проектирования, разработки, производства, поставки и технического обслуживания.
В настоящее время на отечественных предприятиях использование прикладной статистики инженерно-техническим персоналом, а тем более рабочими, встречается сравнительно редко. На это есть три основные причины.
Во-первых , традиционное понимание технологии приводит к тому, что большинство инженеров занимаются преобразованием материалов и энергии. Они не понимают важности преобразования, осмысления и использования информации.
Во-вторых , традиционное техническое образование построено на принципе “точности”. Со студенческих лет точность расчета конструкции, точность обработки, измерения в сознании специалиста становится главным фактором. Отклонения признаются нежелательными, а поскольку они нежелательны, то срабатывает ортодоксальный принцип: отклонений не должно быть, значит их быть не должно. Это тем более удивительно, что все же производственники прекрасно видят и понимают, что бездефектных технологий и производств нет и быть не может.
Неопределенность всегда присутствует в производственных процессах, действиях людей, функционировании машин, станков, приспособлений и инструмента, качества материалов и комплектующих изделий и т.п. “Вскрыть”, выявить, обнаружить закономерность этой неопределенности может только статистика, при условии корректного и осмысленного се применения. Статистика помогает различать случайные н систематические отклонения, а также выявить их причины. При этом на первый план выходит умение находить, контролировать отклонения (дефекты, брак) выявлять те причины брака, которые подлежат устранению, Только в этом случае с браком (отклонениями, несоответствиями) можно бороться осмысленно н приближаться к концепции точности. (Можно четко проследить полную аналогию с медициной. При лечении любого недуга его степень определяется именно величиной отклонения от нормы, а сам метод лечения целиком н полностью определяется причиной недуга.)
В-третьих, большинство специалистов не имеют опыта обработки эмпирических данных не могут на основании конкретных наблюдений сделать общие выводы. Стереотип производственного мышления на сегодняшний день сложился так, что фактор интеллекта сведен практически к нулю. Производственные проблемы зачастую решаются с ориентацией только на данных момент времени, что приводит к тяжелым, порой непоправимым, последствиям . Традиции такой работы нужно ломать “с позиции силы” и это, прежде всего, должны понимать руководители.
Статистика существенно помогает решать традиционные инженерные и производственные проблемы. Она облегчает обработку, анализ и использование информации. Семь статистических методов анализа (схема Исикава, диаграмма Парето, гистограмма и др. - см. тему 6 в таблице) помогают представить данные в удобном для обобщения и анализа виде. Применение этих методов позволяет сделать достоверные и корректные выводы, получить большую определенность в поиске причин выявления неполадок, следовательно, большую конкретность и эффективность разрабатываемых мероприятии по устранению этих причин.
Неоценимым преимуществом применения статистики и производственной практике является быстрое снижение издержек. Например, в компании “Хьюлетт Паккард” с помощью статистических методов были установлены оптимальные характеристики работы оборудования в различных условиях. Была получена информация для использования этого оборудования. Результатом десяти месяцев работы, основанной на анализе процесса с помощью статистических методов, явилось резкое снижение брака: с 9 тыс. дефектов на миллион изделий до 45 дефектов на миллион. В этой же компании, но в другом случае, были достигнуты еще более впечатляющие результаты: всего лишь после семи недель статистических исследований и реализации корректирующих мер брак снизился с 36 тыс. Дефектов на миллион изделий до 1 500. Поэтому широкое распространение статистических методов в деятельности зарубежных фирм (идеолог – Э. Деминг), а также широкое использование этих методов в стандартах ИСО серии 9000 вполне закономерны и не вызывают удивления.
В настоящее время нам необходимо переосмыслить узаконенные, рутинные методы работы, ориентированные нередко на стихийное решение сиюминутных проблем. В качестве альтернативы следует наращивать широкое применение статистических методов всеми специалистами, включая рабочих, направленное на профессиональное выявление и последовательное устранение узких мест. А для этого необходимо выполнить, по крайней мере, три условия:
провести обучение методам прикладной статистики (семь методов анализа я выборочный контроль) всех работающих;
создать поддерживаемые руководством предприятия официальные установки, требующие применения этих методов;
морально и материально поощрять работников, применяющих методы прикладной статистики для решения производственных проблем, высказывать официальное одобрение их деятельности.
К. Исикава утверждает, что “95 % всех проблем фирмы могут быть решены с помощью этих семи принципов. Они просты, однако без них невозможно владеть более сложными методами. В Японии применение этих методов имеет большое значение. Ими пользуются без всякого труда даже выпускники средних школ”. Американский ученый А. Фейгенбаум также считает обязательным применение на производстве статистических методов анализа и выборочного контроля.
^
1.2 Характеристика статистических методов
| № | вид метода | содержание, цель |
| ведомость сбора данных | систематический учет ситуации в виде конкретных данных |
|
| гистограмма | упорядочение данных в соответствии с периодичностью появления (например, во временном выражении) |
|
| Парето-анализ | упорядочение фактов по значимости |
|
| стратификация | расслоение данных различного происхождения |
|
| диаграмма «причины-действия» | анализ источников возникновения основных проблем (человек, машина, материал, метод...) со ссылкой на воздействие проблемы |
|
| диаграмма корреляции | вывод закономерностей и связей из информационного материала |
|
| карточка регулирования качества | постоянный контроль, работает ли процесс в пределах заданного допуска |
|
| описательная статистика | Цель – количественная оценка характеристик полученных данных, метод основывается на аналитических процедурах, связанных с обработкой и предоставлением количественных данных |
|
| анализ измерений | Набор процедур для оценки точности измерительной системы в условиях ее работы |
|
| построение доверительных интервалов | Процедура определения допусков, основанная на достоверность действий, совершенных с помощью статистического распределения измерений |
|
| анализ возможностей процесса | Возможности процесса являются оценкой изменчивости процесса, находящегося в состоянии статистической устойчивости (оценкой являются индексы воспроизводимости) |
|
| проверка гипотез | Статистическая процедура проверки обоснованности гипотезы, рассматривающей параметры одной или нескольких выборок с определенными уровнями доверия |
|
| регрессионный анализ | Связывает поведение изучаемой характеристики с потенциальными причинами |
|
| анализ надежности | Использование инженерных и аналитических методов для решения проблем надежности. Это касается оценки, прогноза и предупреждения случайных отказов с течением времени |
|
| выборочный контроль | Систематических статистический метод для получения информации о характеристиках совокупностей путем изучения представительной выборки (статистический приемочный контроль, выборочное обследование) |
|
| моделирование | Совокупность процедур, помощью которых теоретическая или эмпирическая система может быть представлена математически в виде компьютерной программы для поиска решения проблем |
|
| анализ временных рядов | Анализ временных трендов представляет набор методов для изучения последовательных во времени групп наблюдений |
|
| планирование экспериментов | Используются преднамеренные измерения в исследуемой системе, включается статистическая оценка этих изменений в данной системе. В результате появляется возможность определить основные характеристики системы или исследовать влияние одного или нескольких факторов на эти характеристики системы. |
^ 1.3. Простые неформализованные методы системного анализа и методы японских групп качества
Группы качества, естественно, предполагают использование таких методов решения возникающих проблем, которые основаны в первую очередь на коллективных усилиях. Во многих фирмах, к примеру, практикуют метод “мозгового штурма” и его разновидности.
1.3.1 “Мозговой штурм” .
Цель : получение максимального количества предложений
Алгоритм проведения :
Правила проведения деловой игры:
Четко устанавливать цель
Каждый может выступать по очереди или идеи могут выражаться спонтанно
Предлагать по одной идее
Не обсуждать идеи
Учитывать идеи остальных
Регистрировать все идеи, ..... для членов группы
1.3.2 Метод Делфи .
Цель : выбрать из серии альтернатив лучшую.
Алгоритм проведения :
Таблица расчетов.
| Фамилии участников обсуждения | Альтернативы |
||||||||||||||
| 1 | 2 | 3 | 4 | 5 |
|||||||||||
Р | Б | П | Р | Б | П | Р | Б | П | Р | Б | П | Р | Б | П |
|
| А | 4 | 7 | 28 | 3 | 4 | 12 | 1 | 1 | 1 | 2 | 3 | 6 | 5 | 10 | 50 |
| Б | 5 | 2 | 10 | 3 | 6 | 18 | 2 | 7 | 14 | 1 | 10 | 10 | 4 | 4 | 16 |
| В | 2 | 8 | 16 | 1 | 1 | 1 | 4 | 3 | 12 | 3 | 4 | 12 | 5 | 2 | 10 |
| Г | 5 | 10 | 50 | 4 | 5 | 20 | 3 | 4 | 12 | 2 | 3 | 6 | 1 | 1 | 1 |
| Сумма произведений | 104 | 51 | 39 | 34 | 77 |
||||||||||
Р – ранговая оценка (от 1 до 5); Б – оценка в баллах (от 1 до 10); П – произведение Р*Б.
Согласно расчетам, четвертая альтернатива – с суммой 34 – оказалась той самой причиной, которую надо устранить в первую очередь. Результаты подсчета безоговорочно принимаются всей группой.
1.3.3 Методы групп качества
Метод “черного ящика”. Решение проблем на основе данного метода осуществляется посредством анализа конкретных ситуаций, которые подбираются таким образом, что при их анализе участники дискуссии невольно затрагивают вопросы возникновения дефектов. К этому участников побуждают специальными, целенаправленными вопросами, например: “К чему может привести данная ситуация?” или: “Насколько устойчива в данном случае работа механизмов?” и т. д. Сущность метода “черного ящика” состоит в том, что причины дефектов выявляются как бы косвенным путем. Здесь развязывается творческая инициатива людей.
Синектика. Метод применяется как для выявления проблемных ситуаций, так и для решения возникающих проблем. Процедура состоит из трех этапов. На первом этапе анализируются проблемы, сформулированные лидером группы. Затем каждый участник обсуждения выдвигает свои проблемы, и они также тщательно обсуждаются. По завершении этих двух этапов выявляется какая-то общая модель решения. На третьем этапе все обобщения, а также выявленная модель подвергаются интенсивному исследованию. В обсуждении принимают участие не только члены группы, защищающие свою коллективную идею, но и приглашенные эксперты. Задача экспертов состоит в том, чтобы помочь членам группы качества принять правильное решение.
^ Метод дневников. Каждому члену группы качества раздаются карманные записные книжки. Туда в течение, скажем, недели вписываются все возникающие по обсуждаемой проблеме идеи. Нередко записи всех участников анализируются лидером группы с последующим обсуждением подготовленного материала на очередном заседании. Как считают японцы, данный метод ценен тем, что, во-первых, появившаяся идея или конкретное рационализаторское предложение обретает коллективную групповую окраску, а во-вторых, все неувязки и различные точки зрения выявляются до заседания группы, категоричные точки зрения сглаживаются. На заседание выносится обычно “усредненное” мнение.
Метод 6-6. Не менее шести членов группы качества в течение шести минут стараются сформулировать конкретные идеи, которые должны способствовать. решению стоящей перед группой проблемы (отсюда - название метода). Каждый участник на отдельном листе записывает свои соображения. Это делается в лаконичной форме. Например: нарушение герметизации, разрушение материала, нарушение технологии и т. д. После этого в группе организуется обсуждение всех подготовленных списков. В процессе обсуждения отсеиваются явно ошибочные мнения, уточняются спорные, группируются по определенным признакам все оставшиеся. Задача-отобрать несколько наиболее важных альтернатив, причем их количество должно быть меньше числа участников дискуссии.
Перечисленные методы решения возникающих проблем объединяет общая ориентация на выработку единого мнения. Ориентация эта определяет и саму тональность обсуждения группой качества даже наиболее острых вопросов. Доброжелательный стиль дискуссии, при котором невозможны взаимные обвинения, личные выпады, наклеивание ярлыков, выявление “правых” и “виноватых”, рассматривается как важное условие быстрого обнаружения оптимальных решений.
В ориентации на единое мнение, вне всякого сомнения, проявляются элементы национального культурного наследия японцев. Известный японский биофизик проф. Сэцуро Эбаси говорит, что японцы исторически приучены вчувствоваться в других людей. В Японии считается хорошим тоном, подчеркивает он, когда собеседники не навязывают друг другу своей точки зрения, когда делают все возможное, чтобы избежать излишней напряженности при рассмотрении каких-либо спорных моментов. В практике деятельности групп качества эти поведенческие установки прослеживаются с предельной ясностью.
В результате изучения данной главы студент должен:
знать
- положение стандартов ИСО о роли статистических методов контроля и обеспечения качества продукции;
- способы анализа качества продукции и регулирования технологических процессов;
уметь
- проводить анализ качества работы оборудования;
- применять статистические методы для разработки новой технологии и контроля качества на различных этапах производственного процесса;
владеть
Навыками применения статистических методов при регулировании качества продукции.
Понятие о контроле качества продукции и применяемых статистических методах. Семь инструментов контроля качества
Контроль качества продукции является составной частью производственного процесса. Он проводится на всех стадиях технологического цикла, начиная с контроля качества используемых сырья и материалов и заканчивая определением соответствия готового продукта техническим характеристикам и параметрам. Контроль качества продукции ведется в двух направлениях:
- 1) при регулировании хода технологического процесса по изготовлению продукции;
- 2) при приеме готовой продукции.
Контроль качества на предприятии возложен на специальные службы - отделы технического контроля, в функции которых входят разработка показателей оценки качества по всем видам выпускаемой продукции, методов проверки качества, анализ рекламаций, выяснение причин возникновения дефектов и брака и условий их устранения.
В соответствии с международным положением стандартов ИСО серии 9001 статистические методы рассматриваются как одно из высокоэффективных средств обеспечения качества продукции. Применение статистических методов позволяет с заданной степенью точности и достоверности судить о состоянии производственного процесса и необходимости его регулирования на всех этапах жизненного цикла продукции. Статистические методы рассматриваются как путь разработки новой технологии и контроля качества на различных этапах производственного процесса. Детальные указания по применению статистических методов для анализа и контроля качества содержатся в ИСО 9004-1, п. 4.20.
Для получения качественной продукции необходимо обеспечить точность имеющегося оборудования, определять соответствие точности выбранного технологического процесса заданной точности изделия, оценивать стабильность технологического процесса. Решение этих задач осуществляется в основном путем статистической обработки эмпирических данных, полученных многократными измерениями, либо измерением размеров изделий, либо данных о погрешностях обработки или погрешностях измерения.
Для контроля технологических процессов на каждой стадии оцениваются их точность и стабильность. При этом фактические данные сравниваются с эталоном на контролируемые параметры, которые заданы в технологической документации.
Разброс данных, относящихся к измерению параметров изготавливаемого изделия, исследуется статистическими методами. Для контроля над разбросом строится график замеров, что позволяет понять характер процесса. Если разброс данных мал, среднюю оценку параметра можно считать надежной и нет необходимости в изменении технологии производства. Если же разброс велик, то это означает необходимость регулирования процесса для его стабилизации и обеспечения качества продукции.
Для контроля качества продукции необходимо располагать:
- стандартами, техническими параметрами, характеризующими качество продукции;
- методами и средствами контроля проверки качества;
- техническими средствами для проведения испытаний;
- причинами возникновения дефектов, брака и условий их устранения;
- результатами анализа рекламаций.
Статистические методы включают:
1) методы, применяемые при разработке операций технического контроля, планировании промышленных экспериментов, при расчетах точности и надежности параметров изделий. Они позволяют довольно просто идентифицировать несоответствие параметров изделия технической документации. Это так называемые семь инструментов контроля качества, которые в 1979 г. были объединены и предложены
Союзом японских ученых и инженеров (JUSE) как наиболее простые в использовании наглядных методов анализа процессов производства;
2) методы многомерного статистического анализа: корреляционнорегрессионный и дисперсионный анализ, методы факторного и кластерного анализа, адаптивные робастные статистики и др.
Основное назначение статистических методов - контроль производственного процесса и предоставление фактов для корректировки и улучшения процесса производства.
Семь инструментов контроля качества. Семь инструментов контроля качества - набор инструментов, позволяющих облегчить задачу контроля процессов производства, корректировки и улучшения качества продукции. Они включают в себя:
- 1) контрольные листки, позволяющие усовершенствовать процесс сбора данных и их автоматического упорядочения для облегчения их дальнейшего использования;
- 2) гистограммы, отражающие условия процесса за период, в течение которого были получены данные. Сравнение вида распределения с контрольными нормативами дает информацию для управления процессом (удобны при составлении месячных отчетов о качестве выпускаемой продукции, о результатах технического контроля, при демонстрации изменения уровня качества по месяцам и т.д.);
- 3) диаграммы Парето, позволяющие выяснить причины появления дефектов и сосредоточить усилия на ликвидации именно этих причин (используются при анализе видов брака, суммы потерь от брака, затраты времени и материальных средств на его исправление);
- 4) метод стратификации (расслаивания данных) - инструмент, позволяющий произвести разделение данных на подгруппы по определенному признаку;
- 5) диаграмму Исикавы (диаграмма причин изменения качества), показывающую отношение между характеристиками качества и воздействующими на него факторами (используется при решении вопросов обеспечения качества продукции, эффективности использования оборудования, внедрения стандартов на технологические операции);
- 6) диаграммы рассеяния (разброса), позволяющие выявить причинно-следственные связи показателей качества и влияющих факторов при анализе диаграммы Исикавы (строится как поле корреляции для зависимости между двумя переменными х и у);
- 7) контрольные карты, используемые для управления качеством технологического процесса, так как позволяют контролировать моменты, когда выпускаемая продукция отклоняется от заданных техническими условиями допусков.
Перечисленные методы просты и образуют эффективную систему методов контроля и анализа качества. Они могут применяться в любой последовательности, их можно рассматривать как целостную систему и как отдельные инструменты анализа.
Статистические методы
Статисти́ческие ме́тоды - методы анализа статистических данных. Выделяют методы прикладной статистики , которые могут применяться во всех областях научных исследований и любых отраслях народного хозяйства, и другие статистические методы, применимость которых ограничена той или иной сферой. Имеются в виду такие методы, как статистический приемочный контроль, статистическое регулирование технологических процессов, надежность и испытания, планирование экспериментов.
Классификация статистических методов
Статистические методы анализа данных применяются практически во всех областях деятельности человека. Их используют всегда, когда необходимо получить и обосновать какие-либо суждения о группе (объектов или субъектов) с некоторой внутренней неоднородностью.
Целесообразно выделить три вида научной и прикладной деятельности в области статистических методов анализа данных (по степени специфичности методов, сопряженной с погруженностью в конкретные проблемы):
а) разработка и исследование методов общего назначения, без учета специфики области применения;
б) разработка и исследование статистических моделей реальных явлений и процессов в соответствии с потребностями той или иной области деятельности;
в) применение статистических методов и моделей для статистического анализа конкретных данных.
Прикладная статистика
Описание вида данных и механизма их порождения - начало любого статистического исследования. Для описания данных применяют как детерминированные, так и вероятностные методы. С помощью детерминированных методов можно проанализировать только те данные, которые имеются в распоряжении исследователя. Например, с их помощью получены таблицы, рассчитанные органами официальной государственной статистики на основе представленных предприятиями и организациями статистических отчетов. Перенести полученные результаты на более широкую совокупность, использовать их для предсказания и управления можно лишь на основе вероятностно-статистического моделирования. Поэтому в математическую статистику часто включают лишь методы, опирающиеся на теорию вероятностей.
Мы не считаем возможным противопоставлять детерминированные и вероятностно-статистические методы. Мы рассматриваем их как последовательные этапы статистического анализа. На первом этапе необходимо проанализировать имеющие данные, представить их в удобном для восприятия виде с помощью таблиц и диаграмм. Затем статистические данные целесообразно проанализировать на основе тех или иных вероятностно-статистических моделей. Отметим, что возможность более глубокого проникновения в суть реального явления или процесса обеспечивается разработкой адекватной математической модели.
В простейшей ситуации статистические данные - это значения некоторого признака, свойственного изучаемым объектам. Значения могут быть количественными или представлять собой указание на категорию, к которой можно отнести объект. Во втором случае говорят о качественном признаке.
При измерении по нескольким количественным или качественным признакам в качестве статистических данных об объекте получаем вектор. Его можно рассматривать как новый вид данных. В таком случае выборка состоит из набора векторов. Есть часть координат - числа, а часть - качественные (категоризованные) данные, то говорим о векторе разнотипных данных.
Одним элементом выборки, то есть одним измерением, может быть и функция в целом. Например, описывающая динамику показателя, то есть его изменение во времени, - электрокардиограмма больного или амплитуда биений вала двигателя. Или временной ряд, описывающий динамику показателей определенной фирмы. Тогда выборка состоит из набора функций.
Элементами выборки могут быть и иные математические объекты. Например, бинарные отношения. Так, при опросах экспертов часто используют упорядочения (ранжировки) объектов экспертизы - образцов продукции, инвестиционных проектов, вариантов управленческих решений. В зависимости от регламента экспертного исследования элементами выборки могут быть различные виды бинарных отношений (упорядочения, разбиения, толерантности), множества, нечеткие множества и т. д.
Итак, математическая природа элементов выборки в различных задачах прикладной статистики может быть самой разной. Однако можно выделить два класса статистических данных - числовые и нечисловые. Соответственно прикладная статистика разбивается на две части - числовую статистику и нечисловую статистику.
Числовые статистические данные - это числа, вектора, функции. Их можно складывать, умножать на коэффициенты. Поэтому в числовой статистике большое значение имеют разнообразные суммы. Математический аппарат анализа сумм случайных элементов выборки - это (классические) законы больших чисел и центральные предельные теоремы.
Нечисловые статистические данные - это категоризованные данные, вектора разнотипных признаков, бинарные отношения, множества, нечеткие множества и др. Их нельзя складывать и умножать на коэффициенты. Поэтому не имеет смысла говорить о суммах нечисловых статистических данных. Они являются элементами нечисловых математических пространств (множеств). Математический аппарат анализа нечисловых статистических данных основан на использовании расстояний между элементами (а также мер близости, показателей различия) в таких пространствах. С помощью расстояний определяются эмпирические и теоретические средние, доказываются законы больших чисел, строятся непараметрические оценки плотности распределения вероятностей, решаются задачи диагностики и кластерного анализа, и т. д. (см. ).
В прикладных исследованиях используют статистические данные различных видов. Это связано, в частности, со способами их получения. Например, если испытания некоторых технических устройств продолжаются до определенного момента времени, то получаем т. н. цензурированные данные, состоящие из набора чисел - продолжительности работы ряда устройств до отказа, и информации о том, что остальные устройства продолжали работать в момент окончания испытания. Цензурированные данные часто используются при оценке и контроле надежности технических устройств.
Обычно отдельно рассматривают статистические методы анализа данных первых трех типов. Это ограничение вызвано тем отмеченным выше обстоятельством, что математический аппарат для анализа данных нечисловой природы - существенно иной, чем для данных в виде чисел, векторов и функций.
Вероятностно-статистическое моделирование
При применении статистических методов в конкретных областях знаний и отраслях народного хозяйства получаем научно-практические дисциплины типа «статистические методы в промышленности», «статистические методы в медицине» и др. С этой точки зрения эконометрика - это «статистические методы в экономике». Эти дисциплины группы б) обычно опираются на вероятностно-статистические модели, построенные в соответствии с особенностями области применения. Весьма поучительно сопоставить вероятностно-статистические модели, применяемые в различных областях, обнаружить их близость и вместе с тем констатировать некоторые различия. Так, видна близость постановок задач и применяемых для их решения статистических методов в таких областях, как научные медицинские исследования, конкретные социологические исследования и маркетинговые исследования, или, короче, в медицине , социологии и маркетинге . Они часто объединяются вместе под названием «выборочные исследования».
Отличие выборочных исследований от экспертных проявляется, прежде всего, в числе обследованных объектов или субъектов - в выборочных исследованиях речь обычно идет о сотнях, а в экспертных - о десятках. Зато технологии экспертных исследований гораздо изощреннее. Еще более выражена специфика в демографических или логистических моделях, при обработке нарративной (текстовой, летописной) информации или при изучении взаимовлияния факторов.
Вопросы надежности и безопасности технических устройств и технологий, теории массового обслуживания подробно рассмотрены, в большом количестве научных работ.
Статистический анализ конкретных данных
Применение статистических методов и моделей для статистического анализа конкретных данных тесно привязано к проблемам соответствующей области. Результаты третьего из выделенных видов научной и прикладной деятельности находятся на стыке дисциплин. Их можно рассматривать как примеры практического применения статистических методов. Но не меньше оснований относить их к соответствующей области деятельности человека.
Например, результаты опроса потребителей растворимого кофе естественно отнести к маркетингу (что и делают, читая лекции по маркетинговым исследованиям). Исследование динамики роста цен с помощью индексов инфляции, рассчитанных по независимо собранной информации, представляет интерес прежде всего с точки зрения экономики и управления народным хозяйством (как на макроуровне, так и на уровне отдельных организаций).
Перспективы развития
Теория статистических методов нацелена на решение реальных задач. Поэтому в ней постоянно возникают новые постановки математических задач анализа статистических данных, развиваются и обосновываются новые методы. Обоснование часто проводится математическими средствами, то есть путем доказательства теорем. Большую роль играет методологическая составляющая - как именно ставить задачи, какие предположения принять с целью дальнейшего математического изучения. Велика роль современных информационных технологий, в частности, компьютерного эксперимента.
Актуальной является задача анализа истории статистических методов с целью выявления тенденций развития и применения их для прогнозирования.
Литература
2. Нейлор Т. Машинные имитационные эксперименты с моделями экономических систем. - М.: Мир, 1975. - 500 с.
3. Крамер Г. Математические методы статистики. - М.: Мир, 1948 (1-е изд.), 1975 (2-е изд.). - 648 с.
4. Большев Л. Н., Смирнов Н. В. Таблицы математической статистики. - М.: Наука, 1965 (1-е изд.), 1968 (2-е изд.), 1983 (3-е изд.).
5. Смирнов Н. В., Дунин-Барковский И. В. Курс теории вероятностей и математической статистики для технических приложений. Изд. 3-е, стереотипное. - М.: Наука, 1969. - 512 с.
6. Норман Дрейпер, Гарри Смит Прикладной регрессионный анализ. Множественная регрессия = Applied Regression Analysis. - 3-е изд. - М.: «Диалектика» , 2007. - С. 912. - ISBN 0-471-17082-8
Смотри также
Wikimedia Foundation . 2010 .
- Yat-Kha
- Амальгама (значения)
Смотреть что такое "Статистические методы" в других словарях:
СТАТИСТИЧЕСКИЕ МЕТОДЫ - СТАТИСТИЧЕСКИЕ МЕТОДЫ научные методы описания и изучения массовых явлений, допускающих количественное (численное) выражение. Слово “статистика” (от игал. stato государство) имеет общий корень со словом “государство”. Первоначально оно… … Философская энциклопедия
СТАТИСТИЧЕСКИЕ МЕТОДЫ – - научные методы описания и изучения массовых явлений, допускающих количественное (численное) выражение. Слово «статистика» (от итал. stato – государство) имеет общий корень со словом «государство». Первоначально оно относилось к науке управления и … Философская энциклопедия
Статистические методы - (в экологии и биоценологии) методы вариационной статистики, позволяющие исследовать целое (напр., фитоценоз, популяцию, продуктивность) по его частным совокупностям (напр., по данным, полученным на учетных площадках) и оценить степень точности… … Экологический словарь
статистические методы - (в психологии) (от лат. status состояние) нек рые методы прикладной математической статистики, используемые в психологии в основном для обработки экспериментальных результатов. Основная цель применения С. м. повышение обоснованности выводов в… … Большая психологическая энциклопедия
Статистические методы - 20.2. Статистические методы Конкретные статистические методы, используемые для организации, регулирования и проверки деятельности, включают, но не ограничиваются следующими: а) планированием экспериментов и факторный анализ; b) анализ дисперсии и … Словарь-справочник терминов нормативно-технической документации
СТАТИСТИЧЕСКИЕ МЕТОДЫ - методы исследования количеств. стороны массовых обществ. явлений и процессов. С. м. дают возможность в цифровом выражении характеризовать происходящие изменения в обществ. процессах, изучать разл. формы социально экономич. закономерностей, смену… … Сельско-хозяйственный энциклопедический словарь
СТАТИСТИЧЕСКИЕ МЕТОДЫ - некоторые методы прикладной математической статистики, используемые для обработки экспериментальных результатов. Ряд статистических методов был разработан специально для проверки качества психологических тестов, для применения в профессиональном… … Профессиональное образование. Словарь
СТАТИСТИЧЕСКИЕ МЕТОДЫ - (в инженерной психологии) (от лат. status состояние) некоторые методы прикладной статистики, используемые в инженерной психологии для обработки экспериментальных результатов. Основная цель применения С. м. повышение обоснованности выводов в… … Энциклопедический словарь по психологии и педагогике
Ерлан Аскаров, доцент КазНТУ им. К. Сатпаева
Статистические методы играют важную роль в объективной оценке количественных и качественных характеристик процесса и являются одним из важнейших элементов системы обеспечения качества продукции и всего процесса управления качеством. Неслучайно основоположник современной теории менеджмента качества Э. Деминг много лет работал в Бюро по переписи населения и занимался именно вопросами статистической обработки данных. Он придавал огромное значение статистическим методам.
Для получения качественной продукции необходимо знать реальную точность имеющегося оборудования, определять соответствие точности выбранного технологического процесса заданной точности изделия, оценивать стабильность технологического процесса. Решение задач указанного типа производится в основном путем математической обработки эмпирических данных, полученных многократными измерениями либо действительных размеров изделий, либо погрешностей обработки или погрешностей измерения.
Существуют две категории погрешностей: систематические и cлучайные. В результате непосредственных наблюдений, измерений или регистрации фактов получается множество данных, которые образуют статистическую совокупность и нуждаются в обработке, включающей систематизацию и классификацию, расчет параметров, характеризующих эту совокупность, составление таблиц, графиков, иллюстрирующих процесс.
На практике используют ограниченное количество числовых характеристик, называемых параметрами распределения.
Центр группирования . Одной из основных характеристик статистической совокупности, дающей представление о том, вокруг какого центра группируются все значения, является среднее арифметическое. Оно определяется из выражения:
где Xmax, Xmin - максимальное и минимальное значения статистической совокупности.
Вариационный размах не всегда характерен, так как учитывает только крайние значения, которые могут сильно отличаться от всех других значений. Более точно рассеяние определяется с помощью показателей, учитывающих отклонение всех значений от среднего арифметического. Основным из этих показателей является среднее квадратичное отклонение результата наблюдений, которое определяется по формуле
Форма распределения вероятности. Для характеристики формы распределения обычно используют ту математическую модель, которая наилучшим образом приближает к виду кривой распределения вероятностей, полученной при анализе экспериментально полученных данных.
Закон нормального распределения. Большинство случайных явлений, происходящих в жизни, в частности, в производстве и научных исследованиях, характеризуются наличием большого числа случайных факторов, описывается законом нормального распределения, который является основным во многих практических исследованиях. Однако нормальное распределение не является единственно возможным. В зависимости от физической природы случайных величин, некоторые из них на практике могут иметь распределение другого вида, например, логарифмическое, экспоненциальное, Вейбулла, Симпсона, Релея, равной вероятности и др.
Уравнение, описывающие плотность вероятности нормального распределения имеет вид:
 |
(5) |
Нормальное распределение характеризуется двумя параметрами μ и σ 2 и на графике представляет собой симметричную кривую Гаусса (рисунок 1), имеющую максимум в точке соответствующей значению Х = μ (соответствует среднему арифметическому Х ср и называется центром группирования), а при Х → -∞ и Х → ∞ асимптотически приближающуюся к оси абсцисс. Точка перегиба кривой находится на расстоянии σ от центра расположения μ. С уменьшением σ кривая растягивается вдоль оси ординат и сжимается вдоль оси абсцисс. Между абсциссами μ - σ и μ + σ расположено 68,3 % всей площади кривой нормального распределения. Это означает, что при нормальном распределении 68,3 % всех измеренных единиц отклоняются от среднего значения не более чем на σ, то есть все они находятся в пределах + σ. Площадь, заключенная между ординатами, проведенными на расстоянии 2σ с обеих сторон от центра составляет 95,4 % и соответственно столько же единиц совокупности находится в пределах μ+ 2σ. И наконец, 99,73 % всех единиц находится в пределах μ+ 3σ. Это так называемое правило «трех сигм», характерное для нормального распределения. Согласно этому правилу за пределами отклонения на 3σ находится не более 0,27 % всех значений величин, то есть 27 реализаций на 10 тысяч. В технических приложениях принято при оценке результатов измерений работать с коэффициентами z при σ, соответствующим 90 %, 95 %, 99 %, 99,9 % вероятности попадания результата в область допуска.
Рисунок 1
Z90 = 1,65; Z95 = 1,96; Z99 = 2,576; Z999 = 3,291.
Следует отметить, что это же правило распространяется на отклонения среднего значения Х ср (?). Оно также колеблется в некоторой области на три значения среднего квадратического отклонения среднего значения S в обе стороны, и в этой области заключено 99,73 % всех значений среднего значения. Нормальное распределение хорошо проявляется при большом количестве членов статистической совокупности, не менее 30.
Распределение Стьюдента. Для практики большой интерес представляет возможность судить о распределении случайных величин и определять производственные погрешности во всех изготовленных изделиях и погрешности научных экспериментов по результатам измерения параметров статистической совокупности полученным из партии малого объема. Эта методика была разработана Карлом Госсетом в 1908 году и опубликована под псевдонимом Стьюдент.
Распределение Стьюдента симметрично, но более сплющено, чем кривая нормального распределения, и поэтому вытянуто на концах (рисунок 2). Для каждого значения n имеется своя t-функция и свое распределение. Коэффициент z заменен в распределении Стьюдента коэффициентом t, значение которого зависит от заданного уровня значимости, который определяет какая часть реализации может находиться за пределами выбранной области кривой распределения Стьюдента и количества изделий в выборке.
Рисунок 2
При больших n распределение Стьюдента асимптотически сближается со стандартным нормальным распределением. С приемлемой для практики точностью можно считать, что при n ?30, распределение Стьюдента, которое иногда называют t -распределением, апроксимируется нормальным.
t -распределение имеет те же самые параметры, что и нормальное. Это среднее арифметическое Хср, среднее квадратическое отклонение ? и среднее квадратическое отклонение среднего S. Хср определяется по формуле (1), S определяется по формуле (4), а ? по формуле:
 |
(6) |
Контроль точности. Когда известно распределение случайной величины, можно получить все особенности данной партии изделий, определить среднее значение, дисперсию и т.п. Но полная совокупность статистических данных партии промышленных изделий, а значит закон распределения вероятностей смогут быть известными, только после изготовления всей партии изделий. На практике закон распределения всей совокупности изделий почти всегда неизвестен, единственным источником информации служит выборка, обычно малая. Каждая рассчитанная по выборочным данным числовая характеристика, например, среднее арифметическое или дисперсия есть реализация случайной величины, которая от выборки к выборке может принимать различные значения. Задача контроля облегчается благодаря тому, что обычно не требуется знать точного значения отличий случайных значений от заданной величины. Достаточно лишь знать отличаются ли наблюдаемые значения больше чем на величину допускаемой ошибки, которая определяется величиной допуска. Распространение на генеральную совокупность оценок, сделанных по выборочным данным, может быть осуществлено только с некоторой вероятностью Р(t). Таким образом, суждение о свойствах генеральной совокупности всегда носит вероятностный характер и содержит элемент риска. Так как заключение делается по выборочным данным, то есть при ограниченном объеме информации, могут возникать ошибки первого и второго рода.
Вероятность допустить ошибку первого рода называют уровнем значимости и обозначают а . Область, отвечающая вероятности а , называется критической, а дополняющая ее область, вероятность попадания в которую равна 1-а , называется допустимой.
Вероятность ошибки второго рода обозначается ? , а величина 1-? называется мощностью критерия.
Величина а иногда называется риском изготовителя, а величина ? называется риском потребителя.
С вероятностью 1-а неизвестное значение Х 0 полной совокупности лежит в интервале
(Хср - Z?) < Х 0 < (Хср + Z?) для нормального распределения,
(Хср - t?) < Х 0 < (Хср + t?) для распределения Стьюдента.
Предельные крайние значения Х 0 называют доверительными границами.
При уменьшении объема выборки при распределении Стьюдента доверительные границы расширяются, а вероятность ошибки возрастает. Задаваясь, например, 5% уровнем значимости (а=0,05), считают, что с вероятностью 95% (Р=0,95) неизвестное значение Х 0 находится в интервале
(Хср - t?,:., Хср+t?)
Иными словами искомая точность будет равна Хср+ t?, причем количество деталей с размером, выходящим за пределы этого допуска, будет составлять не более 5 %.
Контроль стабильности процесса. В реальных условиях производства фактические значения параметров технологического процесса и характеристик изготовляемой продукции не только хаотично изменяются за счет случайных погрешностей, но часто с течением времени постепенно и монотонно отклоняются от заданных значений, то есть имеет место появление систематических погрешностей. Эти погрешности должны ликвидироваться путем выявления и устранения вызывающих их причин. Проблема заключается в том, что в реальных условиях систематические погрешности трудно отличить от случайных. Незначительные систематические погрешности без специального статистического анализа могут долго оставаться незамеченными на фоне случайных погрешностей.
Анализ основан на том, что когда систематические ошибки отсутствуют, фактические значения параметров изменяются случайным образом. Однако их средние значения и основные ошибки остаются неизменными во времени. В таком случае технологический процесс называют стабильным. Условно считается, что в данной партии все изделия являются одинаковыми. При стабильном процессе случайные погрешности подчиняются нормальному закону распределения с центром μ=Хо. Среднее значения параметров, полученные в различных партиях, должны быть приближенно равны Хо. Следовательно, все они приближенно равны между собой, но величина текущего среднего значения Хсрт колеблется в доверительном интервале+ tS, то есть:
| (Хср - tS) ≤ Хсрт ≤ (Хср + tS) | (7) |
Материалом для анализа стабильности могут служить те же данные, которые использовались для контроля точности. Но они будут пригодны лишь в том случае, если представляют собой непрерывные наблюдения, охватывающие достаточный промежуток времени, или если они составлены из выборок, отобраны через определенные промежутки времени. Интервалы между выборками, называемые в этом случае пробами, устанавливают в зависимости от наблюдаемой частоты разладок оборудования.
При заданном уровне значимости среднее значение Хсрт в различных текущих партиях могут различаться не более чем на величину tS от базового Хср, полученного для первого замера, то есть
| /Хср - Хсрт/ ≤ tS | (8) |
При выполнении этого условия можно считать, что процесс стабилен и обе партии выпущены при одинаковых условиях. Если же различие средних значений в двух партиях будет превосходить величину tS, то уже нельзя считать, что это различие вызвано только случайными причинами. В процессе появился доминирующий постоянный фактор, который изменяет значения параметров изделий в партии по определенному постоянному закону. Процесс является нестабильным и изделия, выпускаемые в разное время, будут значительно отличаться друг от друга, причем эта разница будет увеличиваться со временем.
Таким образом, расхождение средних значений в различных партиях больше чем на tS, указывает на наличие систематических ошибок и на необходимость принятия мер для их обнаружения и устранения причин, которые их вызывают. Этот принцип был применен В. Шухартом при разработкеконтрольных карт.
Статистические методы анализа стабильности могут применяться также в ситуациях, противоположных рассмотренным выше. Если в конструкцию изделия или технологический процесс его изготовления вносят какие-то изменения, то требуется определить, в какой мере это приведет к ожидаемым результатам.
Следовательно, требуется провести испытания, сделать несколько проб и статистически обработать данные. Если
| /Хср.ст.-Хср.нов./ > tS, | (9) |
Семь простейших методов статистического исследования процесса
Современные статистические методы довольно сложны для восприятия и широкого практического использования без углубленной математической подготовки всех участников процесса. К 1979 году Союз японских ученых и инженеров (JUSE) собрал воедино семь достаточно простых в использовании наглядных методов анализа процессов. При всей своей простоте они сохраняют связь со статистикой и дают профессионалам возможность пользоваться их результатами, а при необходимости - совершенствовать их.
Причинно-следственная диаграмма Исикавы. Данная диаграмма является очень мощным инструментом для анализа ситуации, получения информации и влиянии разных факторов на основной процесс. Здесь появляется возможность не только выявить факторы, влияющие на процесс, но и определить и приоритетность их влияния.
Рисунок 3
Диаграмма типа 5М рассматривает такие компоненты качества, как «люди», «оборудование», «материал, сырье», «технология», «управление», а в диаграмме типа 6М к ним добавляется компонент «среда» (рисунок 3).
Применительно к решаемой задаче квалиметрического анализа,
- для компоненты «люди» необходимо определить факторы, связанные с удобством и безопасностью выполнения операций;
- для компоненты «оборудование» - взаимоотношения элементов конструкции анализируемого изделия между собой, связанные с выполнением данной операции;
- для компоненты «технология» - факторы, связанные с производительностью и точностью выполняемой операции;
- для компоненты «материал» - факторы, связанные с отсутствием изменений свойств материалов изделия в процессе
выполнения данной операции;
- для компоненты «технология» - факторы, связанные с достоверным распознаванием ошибки процесса выполнения операции;
- для компоненты «среда» - факторы, связанные с воздействием среды на изделие и изделия на среду.
| Типы дефектов | Данные контроля | Итого |
| Вмятины | ///// ///// //// | 14 |
| Трещины | ///// ///// ///// // | 17 |
| Выход за допуск в минус | ///// // | 7 |
| Выход за допуск в плюс | ///// ///// ///// ///// /// | 23 |
| Прожиг при термообработке | ///// //// | 9 |
| Перекос базовых поверхностей | /// | 3 |
| Литейные раковины | ///// / | 6 |
| Несоответствие шероховатости | ///// ///// ///// /// | 18 |
| Дефекты покраски | //// | 4 |
| Прочие | ///// // | 7 |
| Итого | 108 |
Рисунок 4
Контрольные листки. Контрольные листки могут применяться как при контроле по качественным, так и при контроле по количественным признакам, в этом документе фиксируются определенные виды дефектов за определенный отрезок времени. Контрольный листок является хорошим статистическим материалом для дальнейшего анализа и изучения проблем производства и уменьшения уровня дефектности (рисунок 4).
Анализ Парето. Анализ Парето получил свое название по имени итальянского экономиста Вилфредо Парето (1848-1923), который показал, что большая часть капитала (80%) находится в руках незначительного количества людей (20%). Парето разработал логарифмические математические модели, описывающие это неоднородное распределение, а математик М.О. Лоренц представил графические иллюстрации, в частности кумулятивную кривую.
Правило Парето - «универсальный» принцип, который применим во множестве ситуаций, и без сомнения - в решении проблем качества. Д. Джуран отметил «универсальное» применение принципа Парето к любой группе причин, вызывающих то или иное последствие, причем большая часть последствий вызвана малым количеством причин. Анализ Парето ранжирует отдельные области по значимости или важности и призывает выявить и в первую очередь устранить те причины, которые вызывают наибольшее количество проблем (несоответствий).
Рисунок 5
Анализ Парето, как правило, иллюстрируется диаграммой Парето (рисунок 5), на которой по оси абсцисс отложены причины возникновения проблем качества в порядке убывания вызванных ими проблем, а по оси ординат - в количественном выражении сами проблемы, причем как в численном, так и в накопленном (кумулятивном) процентном выражении. Построим диаграмму по данным, взятым из предыдущего примера - контрольного листка.
На диаграмме отчетливо видна область принятия первоочередных мер, очерчивающая те причины, которые вызывают наибольшее количество ошибок. Таким образом, в первую очередь, предупредительные мероприятия должны быть направлены на решение именно этих проблем. Выявление и устранение причин, вызывающих появление наибольшего количества дефектов, позволяет нам расходуя минимальное количество ресурсов (деньги, время, люди, материальное обеспечение) получить максимальный эффект в виде значительного уменьшения количества дефектов.
Стратификация. В основном, стратификация - процесс сортировки данных согласно некоторым критериям или переменным, результаты которого часто показываются в виде диаграмм и графиков. Мы можем классифицировать массив данных в различные группы (или категории) с общими характеристиками, называемыми переменной стратификации. Важно установить, которые переменные будут использоваться для сортировки. Стратификация - основа для других инструментов, таких как анализ Парето или диаграммы рассеивания. Такое сочетание инструментов делает их более мощными.
Возьмем данные из контрольного листка (рисунок 4). На рисунке 6 приведен пример анализа источника возникновения дефектов. Все дефекты 108 (100%) были классифицированы на 3 категории - по сменам, по рабочим и по операциям. Из анализа представленных данных наглядно видно, что наибольший вклад в наличие дефектов вносит 2 смена (54%) и рабочий Г (47%), который работает в этой смене.
Гистограммы. Гистограммы - один из вариантов столбчатой диаграммы, отображающий зависимость частоты попадания параметров качества изделия или процесса в определенный интервал значений от этих значений.
Внизу приведен пример построения гистограммы.
Для удобства расчетов и построения применяем прикладной компьютерный программный пакет EXCEL. Необходимо определить разброс значений геометрического размера, например, диаметр вала, номинальный размер которого равен 10 мм. Произведен замер 20 валов, данные замеров приведены в первом столбце А (рисунок 7). В столбце В производим расстановку замеров по возрастанию, затем в ячейке D7 определяем размах размеров, как разницу самого большого и малого значений замера. Выбираем количество интервалов гистограммы равным 8. Определяем диапазон интервала D. Затем определяем параметры интервалов, это наименьшее и наибольшее включительно значение геометрического параметра, входящего в интервал.
где i - номер интервала.
После этого определяем количество попаданий значений параметра в каждый из 8 интервалов, после этого окончательно строим гистограмму.
Рисунок 7
Диаграммы разброса. Диаграммы разброса представляют из себя графики, которые позволяют выявить корреляцию (статистическую зависимость) между различными факторами, влияющими на показатели качества. Диаграмма строится по двум координатным осям, по оси абсцисс откладывается значение изменяемого параметра, а на оси ординат откладывается получаемое значение исследуемого параметра, которое мы имеем в момент использование изменяемого параметра, на пересечении этих значений ставим точку. Собрав достаточно большое количество таких точек, мы можем делать анализ и вывод.
Приведем пример. На предприятии решили проводить занятия по основам менеджмента качества. Каждый месяц обучение проходило определенное количество рабочих. В январе обучение прошли 2 человека, в феврале 3 человека и т.д. В течение года количество обученных работников возрастало и к концу года достигло 40 человек. Руководство дало поручение службе качества отследить зависимость процента бездефектной продукции, предъявляемой с первого раза, количества поступающих на завод рекламаций на продукцию со стороны заказчиков и расхода электроэнергии в цеху от количества обученных рабочих. Была составлена таблица 1 данных по месяцам и построены диаграммы разброса (рисунок 8, 9, 10). На них хорошо видно, что процент бездефектности повышается, имеем прямую корреляционную зависимость, количество рекламаций уменьшается, имеем обратную корреляционную зависимость, причем на диаграммах хорошо видна четко выраженная корреляционная зависимость, которая определяется по кучности точек и их приближении к какой либо точно очерченной траектории, в нашем случае это прямая линия. Количество расходуемой электроэнергии не имеет зависимости от количества обученных работников.
Контрольные карты. Контрольные карты - специальный вид диаграммы, впервые предложенный В. Шухартом в 1924 г. Они отображают характер изменения показателя качества во времени, например, стабильности получения размера изделия. По существу контрольные карты показывают стабильность технологического процесса, то есть нахождение среднего значения параметра в коридоре допускаемых значений, состоящего из верхней и нижней границы допуска. Данные этих карт могут сигнализировать о том, что параметр приближается к границе допуска и необходимо уже принимать упреждающие действия еще до того как параметр выйдет в зону брака, то есть такой метод контроля позволяет предупреждать появление брака еще на стадии его зарождения.
Существуют 7 основных типов карт.
Отклонения среднеквадратического отклонения среднего значения х-S,
Отклонений размахов х-R,
Отклонений индивидуальных значений х,
Колебания числа дефектов С,
Колебания числа дефектов на единицу продукции u,
Колебания числа дефектных единиц продукции pn,
Колебания доли дефектной продукции p.
Все карты можно разбить на две группы. Первая контролирует количественные параметры качества, представляющие собой непрерывные случайные величины - размеры, масса и т.д. Вторая для контроля качественных альтернативных дискретных параметров (есть дефект - нет дефекта).
Таблица 2
Например карта х-S. Колебания среднего арифметического значения, коридор допуска здесь является величина 3S (для нормального распределения) или tS (для распределения Стьюдента), где S - среднеквадратическое отклонение среднего. Середина коридора среднее арифметическое значение первого замера. Значения этой карты наиболее достоверны и объективны. Общий вид контрольной карты показан на рисунке 11.
Литература:
1. Аскаров Е.С. Управление качеством. Учебное пособие. Изд.2. Алматы, Pro servisе, 2007, 256 с.