A
ØÍZENÍ JAKOSTI
Metody statistického øízení jakosti Cesta ke zlepení jakosti vede pøes zmenování variability hodnot parametrù výsledných výrobkù, tj. zmenování variability (výrobního) procesu. K dosaení oèekávaných výsledkù statistické regulace procesu je vak tøeba mj. pouít vhodný model a správnì ho interpretovat.
Karel Kupka
procesù ke zlepení kvality produktu; v tomto pøípadì má výrobce, popø. dodavatel, nespornou výhodu, nebo takto vzniklý systém statistického vyhodnocování obvykle má nejvìtí efektivitu, protoe ho vytváøejí lidé, kteøí dobøe znají technologii a její cíle.
mùe efektivnì a správnì tyto nástroje pouívat. Výsledkem zavedení a aktivního vyuití statistických metod k analýze technologických dat bude pøesnìjí pøedstava, nebo dokonce model vzájemných souvislostí a ovlivòování jednotlivých prvkù a fází technologie. Tento model lze vy-
1. Obecné cíle statistického øízení jakosti
AUTOMA
výrobce A
výrobce B
kvalita
↑
číslo výrobku
↑
Obr. 1. Rozdíl kvality spoèívá ve variabilitì Základním pøedpokladem pouití statistiky je existence relevantních dat. Ta musí být k dispozici v rámci informaèního systému (databáze) a musí obsahovat co nejvíce namìøených nebo jinak získaných údajù, které mohou souviset s jakostí. Tato data mohou být z technologie, ale také z ekonomiky, marketingu a dalích oblastí aktivit výrobního subjektu. Statistické nástroje, které má mít pracovník odpovìdný za jakost k dispozici jsou uvedeny napø. v ÈSN ISO/TR 10017 Návod k aplikaci statistických metod v ISO 9000. Kromì klasických metod, jako popisná statistika, analýza rozptylu (ANalysis Of Variance ANOVA), testování hypotéz, regresní analýza a analýza spolehlivosti, sem patøí jetì nìkteré speciální statistické metody pøizpùsobené potøebám øízení jakosti. Jsou to pøedevím rùzné typy regulaèních diagramù, metodiky statistických pøejímek, analýza nespojitých promìnných, analýza zpùsobilosti, vzorkování, analýza bezporuchovosti a Paretova analýza. Je zøejmé, e pracovník bez odpovídajícího vzdìlání nebo dobrého vykolení ne-
uít k nalezení pøíèin variability a nestability a k reálnému zvýení kvality a stability. V následujícím textu je moné se dotknout jen nìkolika z mnoha dùleitých souèasných témat statistického øízení jakosti. irí pøehled získá ètenáø v knihách uvedených výrobce A
výrobce B
výrobce C
↑ kvalita
Pøestoe je jistì zná kadý pracovník útvaru øízení jakosti, struènì je shròme. Kadá lidská èinnost technologického charakteru od otloukání pazourkových hrotù po supravodièe, fullerény a amorfní elezo je provázena neurèitostí a chybami. V souèasných technologiích je hlavním kritériem jakosti dosaení a udrení stanovených hodnot parametrù produktu. Fenoménem, který dosaení tohoto cíle brání, je variabilita. Je proto zøejmé, e snahy zlepit kvalitu produktù a také vlastních technologických procesù a operací se budou z velké èásti soustøeïovat právì na popis a pochopení variability. Motivy snahy zabývat se systematicky kvalitou jsou zhruba tøi: 1. Více èi ménì pøesnì specifikované poadavky odbìratele (èasto bohuel nekompatibilní èi nevhodnì formulované, co ovem dodavatel zpoèátku neví, a pozdìji to vede ke zdánlivì nevyhovujícímu hodnocení a dalím problémùm). 2. Zájem subjektu o akreditaci typu ISO 9000 apod., a tudí poadavky (bohuel èasto dosti formální a povrchní) pracovníka akreditaèní spoleènosti; tento postup mùe mít nadìji na úspìch pouze tehdy, jsou-li zainteresováni i øadoví pracovníci a v podniku je k dispozici dobøe vykolený odborník na technologii i statistické metody; 3. (Ideálnì) snaha samotného subjektu vypracovat vlastní systém hodnocení kvality ve svém podniku za pomoci vlastních kolených odborníkù, jeho cílem je popis a vyuití statistických modelù jednotlivých dílèích
ní technologie výroby, vlastností a funkcí výrobkù a slueb, vývoj designu na základì prùzkumu trhu, výbìr dodavatelù, zkvalitnìní a rozíøení slueb zákazníkùm, personalistické práce, vnitøní audity apod. Tyto obecné principy jsou bohatì diskutovány v mnoha pøíruèkách a provádìcích postupech. Ne kadá zmìna designu èi funkce je vak nutnì zlepením jakosti. Kvantifikace, vyhodnocení a doloení úèinnosti takové zmìny bývají sloité. Z hlediska statistického øízení jakosti mùe vak být úloha zlepování jakosti definována pøekvapivì jednodue a jednoznaènì. Je známo, e variabilitu procesu lze chápat jako míru jakosti. Je-li pak moné statisticky doloit pokles variability nìkteré velièiny významné pro proces (napø. F-testem nebo porovnáním intervalù spolehlivosti indexù zpùsobilosti), je to doklad o zlepení jakosti pro výrobce i pro auditora. Je zøejmé, e na vìtinu situací, kdy lze uvaovat o zmenení variability, podnik upozorní základní diagnostické techniky exploratorní a statistické analýzy, a to pøedevím korelaèní analýza, autokorelace, trendy, vyboèující hodnoty a testy shody. Za
nejnižší přijatelná jakost
zmetky
Obr. 2. Zvýení kvality lze dosáhnout jen zmenením variability v pøehledu literatury v závìru pøíspìvku. Zejména lze doporuèit i u nás relativnì dostupné tituly [3], [6], [9] a [12].
2. Variabilita Zlepování jakosti (Quality Improvement QI) je jedním z hlavních úkolù pracovitì jakosti. Z obecnìjího hlediska zahrnuje tato èinnost zdokonalová-
(2001) èíslo 7-8
zlepení jakosti lze tedy povaovat kadé zmenení variability urèité velièiny, která má vliv na výslednou kvalitu, nebo alespoò pøiøazení èásti variability urèité pøíèinì s následnou snahou tuto pøíèinu vylouèit. Z obr. 1 je patrné, e aèkoliv výrobce B má vyí støední hodnotu absolutní kvality, jistì nebude vyhledávaným dodavatelem, nebo jeho odbìratel pøedem neví, který výrobek
!
A
ØÍZENÍ JAKOSTI
∞ L = k (X − T ) ~ 2
+ (x − T )
2
1 n −1
1 = n −1
n
n
∑(x − T ) + 2
i
i =1
∑ (x − x ) i
i =1
2
(1)
Variabilita a stabilita procesu Variabilita procesù a dìjù v technologii je dùleitým a ostøe sledovaným ukazatelem jakosti. Odvozují se z ní napø. indexy zpùsobilosti, parametry regulaèního diagramu nebo mez detekce a navíc je zmenení variability povaováno podle Deminga za zlepení jakosti. Sledování variability procesu tedy je jedním z nejdùleitìjích úkolù pracovi a)
su je smìrodatnou odchylkou dobøe popsána. Nelze ale øíci, v které èásti intervalu se následující hodnota vyskytne. Není tedy moné proces nebo dalí, na nìj navazující procesy lépe nastavit nebo adjustovat na okamitý stav. Zkuenosti klientù firmy TriloByte vak dokazují, e v praxi nezávislá data, resp. procesy, témìø neexistují. V pøípadì závislých dat lze sice také numericky vyèíslit smìrodatnou odchylku podle známého vztahu, avak pro tuto odchylku ji nebude platit,
nezávislá data
↑ xi
index b)
závislá data
A
B
↑
viskozita látky B
xi
čistota látky A
lovat o mení variabilitu.
↑
Je moné uvést názorný pøíklad pøímé souvislosti variability se ztrátou. Tøi výrobci dodávají na trh urèité výrobky, které musí splòo-
s výrobcem A ve ztrátì. Výrobce C sice vyrábí na stejné úrovni jako A, take výroba sama bude zhruba stejnì nákladná jako u výrobce A, ale vlivem vìtí variability bude muset èást produkce vyhodit, protoe nesplní poadovanou jakost. Odbìratel sice moná dostane vyhovující výrobky, avak za vyí cenu, nebo bude v dùsledku tohoto postupu muset zaplatit zmaøenou produkci dodavatele, který bude postupnì ztrácet trh. Jedním z uiteèných nástrojù pro hledání moných zdrojù variability je tzv. diagram pøíèin a následkù (zvaný také Ishikavùv diagram podle autora prof. Kaoru Ishikavy, anglicky fishbone diagram nebo cause-and-effect diagram), slouící k ujasnìní moných nebo prokázaných souvislostí (obr. 3). Úèinná konstrukce tohoto diagramu není obvykle prací na jeden den a mìla by vycházet z dùkladné analýzy procesù a dlouhodobé zkuenosti. Z hlediska statistické analýzy je zajímavé vyuití tohoto diagramu k návrhu korelaèních a regresních modelù. Jednoduchý lineární regresní model k diagramu na obr. 3 by mohl mít napø. tvar
xi
dostane. Z hlediska výrobce B znamená produkce s velkou nekontrolovanou variabilitou rovnì ztrátu, nebo neèekanì kvalitní výrobky mohl prodat dráe, kdeto málo kvalitními výrobky ztrácí trh. Ze veobecnì pøijímaného Taguchiho modelu hospodáøské ztráty v dùsledku nekvality (rozumìj: odchylek skuteèných hodnot xi od oèekávaných hodnot T parametrù produktu) plyne, e tato ztráta L je obecnì pøímo úmìrná ètverci odchylky procesu X od T, L = k(X T)2, kde k je konstanta úmìrnosti. Je dobré si povimnout, e pokud je støední hodnota x procesu rovna T, je ztráta vlastnì pøímo úmìrná základní statistické velièinì rozptylu podle vztahu
čistota suroviny
stáří katalyzátoru
% aditiv
kvalita výrobku
koncentrace meziproduktu C rychlost míchání
druh měřicího přístroje
index
↑
reakční teplota
laborant
Obr. 4. Závislost v datech zpùsobuje vzrùst zdánlivé variability a nepouitelnost Shewhartova diagramu
analytická chyba
Obr. 3. Diagram pøíèin a následkù (Ishikavùv diagram) vat minimální poadavek jakosti (obr. 2). Variabilita produkce B a C je srovnatelná, variabilita A . je mení: σA < σB = σC. Výrobce A, kterému se daøí udrovat statistickou regulací malou variabilitu produkce, si mùe dovolit vyrábìt v prùmìru s nií kvalitou, a tedy levnìji, ani by se jeho produkce dostala pod pøijatelnou hladinu kvality. Proto bude zøejmì úspìnì konkurovat výrobci B. Ten, má-li jeho produkce vyhovìt poadavku minimální jakosti, musí vyrábìt v prùmìru kvalitnìji (a tedy nákladnìji). Výrobce B bude tedy ve srovnání
"
(kvalita výrobku) = e·(koncentrace C) + + f·(èistota suroviny) + + g·(viskozita B) + ...
(2)
Na základì statistické významnosti parametrù e, f, g by bylo moné kvantitativnì plánovat zmìnu kvality meziproduktu C pomocí zmìn pøísluných technologických velièin. Nezapomeòme, e výhodným mìøítkem kvality mùe být také ztráta L a popø. pøímo odhad rozptylu s2. Pak mùe významnost regresních parametrù napovìdìt, u kterých velièin stojí za to usi-
jakosti se zvlátním dùrazem na snahu o její zmenení. Následující ukázky mají naznaèit monosti zmenení variability pouitím správného modelu procesu. Jako míra variability se bìnì pouívá odhad rozptylu s 2, popø. jeho odmocnina s. V pøípadì stacionárního procesu a nezávislých dat s normálním rozdìlením N(µ,σ2) odpovídají násobky smìrodatné odchylky kvantilùm rozdìlení dat, napø. v intervalu o íøce 4s (±2s) kolem støední hodnoty se oèekává výskyt hodnoty s asi 95% pravdìpodobností. Neurèitost proce-
(2001) èíslo 7-8
e v intervalu o íøce 4s (±2s) kolem støední hodnoty se oèekává výskyt hodnoty s pravdìpodobností asi 95 %. Ve vyrafované oblasti A na obr. 4b se výskyt hodnot v horní polovinì intervalu vùbec neoèekává, v oblasti B se zase neèeká výskyt hodnot v dolní polovinì intervalu. Horní mez intervalu v oblasti A a spodní mez intervalu v oblasti B postrádají smysl. Následkem toho zde nelze mimo jiné pouít ádný z klasických (a èasto nesmyslnì vyadovaných) Shewhartových diagramù, popø. diagramù CUSUM. Jestlie toto chování procesu v
AUTOMA
A
ØÍZENÍ JAKOSTI vzorce, kdeto skuteèné hodnoty x odpovídají smìrodatné odchylce s0. Toto je jedna z nejèastìjích pøíèin nespokojenosti se Shewhartovými diagramy. V takovém pøípadì je nutné pouít alternativní regulaèní diagram, napø. dynamický diagram EWMA, diagram AR nebo diagram ARMA, které
ticko-statistického modelu, který dobøe popisuje proces. Regulaèní diagram je obecnì tøeba chápat jako nástroj, který statisticky vèas diagnostikuje jakoukoliv neoèekávanou odchylku od tohoto modelu. Samotný model pøitom mùe být libovolnì sloitý.
bez autokorelace
Indexy zpùsobilosti jsou veobecnì pouívané statistiky pro vyjádøení schopnosti procesu vyhovìt poadavkùm vystihnutých obvykle pomocí cílové hodnoty T (target) a horní a dolní specifikaèní meze (Upper Specification Limit USL, Lower Specification Limit LSL). Statistiky standardnì pouívané pro výpoèet indexu zpùsobilosti jsou odhad
s autokorelací A
↑
2
data
data
↑
4
0
2 0
-2
-2
-4
-4 0
50
100
200
0
50
100
150 index
200
Obr. 5 Autokorelace v datech mùe mít pøiøaditelnou pøíèinu, po jejím odstranìní se výraznì zmení variabilita proces lze popsat autokorelaèním modelem 1. øádu, podílem s = 1− r2 (3) s0
V pøípadì závislých dat na obr. 4 a obr. 5, kde je r = 0,8, by bylo s0/s = 0,6, co odpovídá nárùstu cp o 40 % a zmenení Taguchiho ztráty o 64 %! Nepouitelnost Shewhartova diagramu x-individual pro autokorelovaná data ilustrují obr. 6 a obr. 7. Pøíèinou této skuteènosti je výpoèet regulaèních mezí ze smìrodatné odchylky procesu získané z klouzavých rozpìtí (viz ISO ÈSN 8225 Shewhartovy regulaèní diagramy). Taková smìrodatná odchylka vak odpovídá spíe smìrodatné odchylce s z pøedchozího
berou závislost dat v úvahu. Je tøeba zdùraznit, e tento problém existuje i v pøípadì diagramu x-prùmìr, kde se hodnotí chování prùmìrù racionálních podskupin (nìkolika mìøení) místo jednotlivých hodnot. Zde je kromì autokorelace problémem jetì èastá párová korelace mezi jednotlivými mìøeními v podskupinì. V takovém pøípadì Shewhartùv diagram opìt selhává a je vhodné pouít vícerozmìrný Hotellingùv diagram, zaloený na kovarianèní matici (místo prosté smìrodatné odchylky) a Mahalanobisovì vzdálenosti. Tento regulaèní diagram tedy bere v úvahu korelaèní strukturu dat a navíc citlivì indikuje nejen odchylky absolutních hodnot jednotlivých mìøení, ale rovnì neèekané zmìny v jejich vzájemném vztahu. Závìrem tohoto odstavce je moné konstatovat, e jediná pøedstava stability jako vodorovné èáry s konstantními mezemi, tedy N(µ, σ2), zdaleka nestaèí pro vechny sledované procesy. Statistickou stabilitu je nutné chápat jako nemìnnost matema-
Tab. 1. Vliv poètu dat na pøesnost odhadu indexu zpùsobilosti cp n 10 15 25 60
AUTOMA
cp 1,160 1,236 1,221 1,260
Cílová hodnota T je hodnota, k ní se má proces pøiblíit (poadovaná støední hodnota procesu).
spodní 0,889 0,997 1,019 1,137
horní 1,430 1,475 1,422 1,383
zpùsobilý? neví se neví se ano ano
↑
index
↑
kde s0 je smìrodatná odchylka vypoèítaná podle klasického vztahu, s minimální smìrodatná odchylka, které by bylo docíleno vyuitím znalosti modelu procesu (tedy znalostí r), r odhad autokorelaèního koeficientu 1. øádu.
Mezi základní pojmy nejèastìji pouívané v souvislosti se zpùsobilostí procesu patøí: cílová hodnota T, specifikaèní meze LSL a USL, nevyhovující výrobek, Pzmet jako podíl zmetkù, ARL jako støední doba do výskytu nevyhovujícího výrobku, intervaly spolehlivosti.
↑
↑
150 index
B
4
Zpùsobilost procesu
ným imperativem. K hlavním cílùm zlepovaní jakosti a zvyování zpùsobilosti patøí: zmenit (nevysvìtlenou) variabilitu, zajistit µ = T.
xi
oblasti A, popø. B je známo, je moné technologii na tento stav (výskyt spíe meních, popø. vìtích hodnot) pøipravit a zmenit pøípadnou variabilitu výstupu procesu. Tento potenciál zmenení variability (a tím zvìtení tzv. indexu zpùsobilosti cp a jakosti vùbec) lze vyjádøit v pøípadì, e
Obr. 6. Shewhartùv diagram x-individual vykazuje nesmyslných 53 poruení pravidel v dùsledku pøítomnosti autokorelace smìrodatné odchylky s a støední hodnoty x (aritmetický prùmìr). Pøi uvádìní hodnoty indexu zpùsobilosti se zøídka uvádí interval spolehlivosti této hodnoty, aèkoliv jde o statistiku s koneèným rozptylem. Je-li vak tøeba, aby uvádìné hodnoty odráely realisticky skuteènost, je nutné brát v úvahu spodní mez intervalu spolehlivosti daného indexu zpùsobilosti místo jeho støední hodnoty. Úkolem indexu zpùsobilosti je jednodue vyjádøit vztah mezi hodnotami T, LSL, USL a skuteèným procesem za pomoci nìjaké varianty porovnání teoretické (pøedepsané) smìrodatné odchylky σ a skuteèné smìrodatné odchylky procesu I, která se odhaduje ze vzorku namìøených dat: cp = σ/s, kde σ se obvykle vyjadøuje jako (USL LSL)/6. Indexy zpùsobilosti mají úzkou souvislost se zlepováním jakosti, které se mnohde stává vyadova-
(2001) èíslo 7-8
Specifikaèní meze LSL a USL jsou meze urèené pro znak jakosti s ohledem na poadovanou variabilitu. Pozor, specifikaèní meze nejsou toleranèní meze. Na urèení specifikaèních mezí rozhodujícím zpùsobem závisí hodnota indexu zpùsobilosti. Hodnoty LSL a USL lze chápat jako T ± 3s0, kde s0 je nejhorí (nejvìtí) pøípustná smìrodatná odchylka pomyslného procesu s normálním rozdìlením N(T, s02). Nevyhovující výrobek je zde výrobek, jeho znak jakosti leí mimo specifikaèní meze. Pzmet podíl zmetkù, tedy nevyhovujících výrobkù, je zároveò pravdìpodobností výskytu nevyhovujícího výrobku. Uvádí se v relativní hodnotì (0 a 1), v procentech (poèet zmetkù na vyrobených 100 ks) nebo v ppm (poèet zmetkù na 1 000 000 ks). Podíl zmetkù je jedním z kritérií pøi posuzování zpùsobilosti procesu. Jeho odhad velmi závisí na
#
A
ØÍZENÍ JAKOSTI
modelu rozdìlení skuteèného procesu a na výskytu vyboèujících hodnot ve vzorku dat. ARL (Average Run Length) se nazývá støední doba mezi poruchami (pøesnì jde o støední délku øady mezi dvìma bezprostøednì následujícími výskyty nevyhovujícího výrobkù, popø. pøekroèeními regu-
intervalù spolehlivosti na hladinì významnosti α. Jako pøíklad je moné uvést nejjednoduí index zpùsobilosti cp, který bývá nìkdy oznaèován jako index potenciální zpùsobilosti cp =
USL − LSL 6σ
(4)
x
↑
↑
index
Obr. 7 Diagram EWMA, popø. diagram AR, reálnì diagnostikuje pìt poruení pravidel laèní meze): ARL = 1/Pzmet. Pøi posuzování pravdìpodobnosti výskytu zmetkù je tedy ARL alternativní hodnota se shodnou vypovídací schopností jako Pzmet. Intervaly spolehlivosti se pouívají proto, e vzhledem ke sloitosti procesu obvykle nemùe jediné èíslo øíci objektivnì ve o jeho prùbìhu, trendech a vlastnostech. Rùzní výrobci a dodavatelé uvádìjí rùzné druhy indexù zpùsobilosti (cp, cpk, cpm, cpmk), které nejsou vzájemnì srovnatelné. Protoe indexy zpùsobilosti jsou statistiky, a tedy náhodné velièiny, je tøeba vdy vyadovat jejich intervaly spolehlivosti! Proto jsou v následujícím textu uvedeny vzorce pro výpoèet odhadù nejpouívanìjích indexù zpùsobilosti s vyjádøením jejich
P
↑
Interval spolehlivosti c p na hladinì významnosti α lze odhadnout pomocí rozdìlení χ2 χα / 2 (n − 1) ; cp ⋅ (n − 1)
5. Zobecnìný index?pk
χ (1−α / 2 )(n − 1) cp ⋅ (n − 1)
(5)
kde χ2α(n) je alfakvantil rozdìlení chíkvadrát s n stupni, n poèet údajù, z nich byla vypoèítána smìrodatná odchylka. Protoe nelze urèit skuteènou hodnotu cp, je nutné poèítat s tím, e mùe mít libovolnou hodnotu
1,0 LCL x
0,6 0,4
=
0,2 Pzmet 0 -3
-2
-1
0
1
2
3
↑
x
Obr. 8. Pravdìpodobnostní interpretace zobecnìného indexu zpùsobilosti cpk
$
Závìrem naznaème alternativní obecné a konzistentní pojetí indexù cp a cpk na základì pravdìpodobnosti pøekroèení mezí a pravdìpodobnostního modelu procesu, které umoòuje výpoèet indexù i pro asymetrická rozdìlení, procesy s jednou specifikaèní mezí a procesy s nemìøitelnými charakteristikami hodnocené pouze poètem výskytù nevyhovujících výrobkù. Protoe vztahy pro indexy zpùsobilosti jsou sestaveny za pøedpokladu normálního rozdìlení, je x 3s = F-1 (0,001 349 898). Bude-li USL x > x LSL, je moné vztah pro cpk zapsat jako x − LSL F −1 (pzmet ) cpk = = −1 = 3s F (0.00135)
0,8 x – 3σ
mezi spodní a horní hranicí intervalu. To znamená, e není argument proti tvrzení, e index cp je roven spodní mezi intervalu spolehlivosti, a je tedy tøeba tento pesimistický závìr povaovat za oprávnìný. Pøi potøebì být korektní a vyhnout se sporùm, je nutné uvádìt spodní mez intervalu spolehlivosti cp. Vyjde-li tedy cp = 1,16 s intervalem spolehlivosti (0,89; 1,43), je tøeba prohlásit, e proces je nezpùsobilý (pøesnìji: není moné prokázat, e je zpùsobilý, co je vak v pøípadì sporu v praxi toté). íøku intervalu spolehlivosti cp lze vak znaènì ovlivnit poètem údajù n, které se pouijí k výpoètu smìrodatné odchylky. íøka intervalu je nepøímo úmìrná √(n 1). Vliv poètu údajù na interval spolehlivosti ukazuje tab. 1. Hodnota c p byla poèítána prùbìnì pro 10, 15, 25 a 60 údajù. Teprve pro n = 25 je ji c p prokazatelnì vìtí ne jedna. Podobnì lze vypoèítat intervaly spolehlivosti i pro ostatní druhy indexù zpùsobilosti.
F −1 (pzmet ) 1 −1 = F (1 / ARL ) (6) 3 3
kde F1(α) je α-kvantil normovaného normálního rozdìlení. Index zpùsobilosti je tedy urèen pouze pravdìpodobností pøekroèení specifikaèní meze, kterou lze chápat jako relativní èetnost vý-
(2001) èíslo 7-8
skytu zmetkù Pzmet. Pøevrácená hodnota 1/Pzmet se nazývá ARL (viz výe). Situace je znázornìna na obr. 8. Podobnì lze získat pøesné vztahy pro dalí indexy. Termín zpùsobilost zde pro cpk získává skuteèný smysl míry schopnosti procesu produkovat výrobky beze zmetkù. Velkou výhodou této naznaèené interpretace je nezávislost na rozdìlení. Hodnota ARL, popø. Pzmet, mùe být získána empiricky z vìtího mnoství údajù, pomocí libovolného vhodného rozdìlení, nebo s pouitím transformace dat.
6. Závìr S rostoucím schopností informaèních systémù, databází a datových skladù ukládat a organizovat data získaná z výrobních i ekonomických procesù roste tlak na smysluplné vyuití informace obsaené v tìchto datech. Tato snaha je umocnìna nesporným ziskem, který ze znalosti tìchto informací plyne. Subjekt, který ví, kam investovat, aby zvýil svoji dùvìryhodnost a konkurenceschopnost svého produktu, je ve znaèné výhodì. Je zøejmé, e cesta ke kvalitì není jen v mechanickém pouívání regulaèních diagramù, ale v hledání komplexnìjích modelù technologií a technických a ekonomických parametrù a modelování vztahù mezi nimi. Takové modely je nutné vyuít k predikci vývoje, nalezení zdrojù ztrát, diagnóze nestability apod. Trendy vývoje smìøují ke zobecòování pouívaných klasických nástrojù, z nich mnohé zde nebyly pro nedostatek místa zmínìny (spolehlivost, statistická pøejímka, plánování experimentu, korelaèní analýza). Takové vyuití statistiky je moné jen s pomocí specializovaného statistického softwaru a za podmínky vykoleného personálu vìnujícího se øízení jakosti, který musí být schopen interpretace statistických výsledkù. Nezanedbatelnou podmínkou úspìchu pøi zavádìní statistických metod je i osvìta a snadný pøístup ostatních pracovníkù k výsledkùm. Prùbìné hodnoty statistických parametrù lze èasto vyuít i k objektivizaci odmìòování.
AUTOMA
A
Literatura: [1] FEIGENBAUM, A. V.: Total Quality Control. McGraw-Hill 1991. [2] GRANT, E. LEAVENWORTH, R. S.: Statistical Quality Control. McGraw-Hill 1996. [3] JURAN, J. M. GODFREY, A. B.: Jurans Quality Handbook. McGraw-Hill 1999.
ØÍZENÍ JAKOSTI [4] JURAN, J. M. GRYNA, F. M.: Quality Planning and Analysis. McGraw-Hill 1993. [5] KOTZ, S. JOHNSON, L.: Process Capability Indices. Chapman&Hall 1993. [6] KUPKA, K.: Statistické øízení jakosti. TriloByte 1997. [7] LOGOTHETIS, N.: Managing for Total Quality. Prentice Hall 1992.
[8] MITRA, A.: Fundamentals of Quality Control and Improvement. Macmilian Publishing 1993. [9] MONTGOMERY, D. C.: Introduction to Statistical Quality Control. John Wiley 1991. [10] SHEWHART, W. A.: Economic Control of Quality of Manufactured Product. Van Nostrand Inc. 1931.
[11] SHEWHART, W. A.: Statistical Method from the Viewpoint of Quality Control. Washington DC, GSDA 1939. [12] THOMAS, P. R.: Statistical Methods for Quality Control, John Wiley 1989. [13] ÈSN ISO/TR 10017 Návod k aplikaci statistických metod v ISO 9001. ISO, ÈSNI 2000.
Ing. Karel Kupka, TriloByte spol. s r. o.,
[email protected]
AUTOMA
(2001) èíslo 7-8
%