Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
SOMMARIO
Definizione di controllo statistico di processo
(SPC - Statistical Process Control) e fonti di
variabilit
Fondamenti statistici delle carte di controllo
Carte di controllo per variabili
Carte di controllo per attributi
Stima della capacit del processo
FONTI DI VARIABILIT
Un processo produttivo, anche se ben progettato,
soggetto a variabilit intrinseca o naturale, dovuta alleffetto
cumulato di tanti, piccoli, ineliminabili fattori costanti o
casuali.
Le fonti di variabilit che non sono riconducibili a fattori
casuali vengono chiamate fattori specifici:
z macchinari non ben funzionanti
z errori degli operatori
z materiali difettosi
La variabilit prodotta da tali fattori, che potrebbe portare a
pericolose contaminazioni, molto pi evidente di quella
prodotta da fattori casuali e da luogo in genere ad una
prestazione del processo inaccettabile con conseguente
aumento del rischio igeienico-sanitario. Infatti, un processo
che stia funzionando in presenza di fattori specifici verr
detto fuori controllo.
CONTROLLO STATISTICO DI PROCESSO PER IL MONITORAGGIO DEL RISCHIO
FONTI DI VARIABILIT
Un processo produttivo in cui la variabilit provocata solo
da fattori casuali verr detto sotto controllo.
VARIABILIT
FATTORI
CASUALI
CAUSE
FATTORI
SPECIFICI
LE CARTE DI CONTROLLO
Processo sotto controllo la maggior parte dei valori della
grandezza oggetto di controllo cade tra i limiti di specifica.
Processo fuori controllo molte determinazioni
campionarie cadono al di fuori delle specifiche.
Lo strumento principale per monitorare il processo produttivo
costituito dalle carte di controllo.
Funzioni delle carte di controllo:
z
Ridurre la variabilit
CONTROLLO STATISTICO DI PROCESSO PER IL MONITORAGGIO DEL RISCHIO
ANDAMENTO SISTEMATICO
Anche se i punti cadono entro i limiti il processo potrebbe
essere fuori controllo se i punti presentano un andamento
sistematico e non casuale. Ad esempio
z
10
= w
LCL
= w L w
11
12
13
14
15
16
17
18
19
SCHEMI ADATTATIVI
Per essere certi che lipotesi sul non corretto funzionamento
del processo sia veritiera, si soliti aumentare la frequenza
del campionamento e/o la dimensione campionaria cos che
molte pi informazione vengono analizzate nellintorno
temporale dellistante in cui il problema pu essersi
manifestato.
Questi interventi vengono chiamati schemi adattativi o
schemi di campionamento con dimensione campionaria
variabile.
La curva operativa caratteristica (OC) descrive, per una data
numerosit campionaria, in funzione dello scostamento che
intendiamo rilevare tra il parametro del processo e il valore
obiettivo, lerrore di II tipo cio la probabilit che il punto
cada entro i limiti di controllo quando invece dovrebbe
cadere fuori per segnalare una specifica differenza.
CONTROLLO STATISTICO DI PROCESSO PER IL MONITORAGGIO DEL RISCHIO
20
10
21
FREQUENZA DI CAMPIONAMENTO
Lideale sarebbe esaminare grandi campioni frequentemente ma si
pone un trade off per esigenze economiche allocazione degli
sforzi di campionamento. Le alternative sono:
1. Esaminare piccoli campioni frequentemente
2. Esaminare grandi campioni a intervalli pi distanziati
In genere si preferisce la soluzione (1), soprattutto se si tratta di
industrie che producono grandi volumi e si possono manifestare
svariati tipi di fattori.
Per la decisione sulla dimensione campionaria ottimale e sulla
frequenza di campionamento si utilizzano i due strumenti seguenti
(p= probabilit che un punto cada fuori i limiti di controllo):
ARL (Average Run Lenght) = lunghezza media delle sequenze
numero medio di punti (campioni) che devono essere osservati
prima di avere un segnale di fuori controllo: ARL = 1/p.
ATS (Average Time to Signal) = tempo medio al segnale tempo
medio tra due segnali di fuori controllo: ATS = ARL h (h=intervallo
di tempo tra lanalisi di un campione e quella del campione
successivo).
CONTROLLO STATISTICO DI PROCESSO PER IL MONITORAGGIO DEL RISCHIO
22
11
23
24
12
25
CARTE DI CONTROLLO x E R
Se X distribuita secondo la legge della variabile casuale
normale con media e deviazione standard , entrambe
note, allora la sua media campionaria distribuita come una
normale con media e deviazione standard
X + X 2 + ... + X n
X =
X= 1
N ( , x2 )
n
n
Di conseguenza (1-) la probabilit che la media
campionaria cada nellintervallo ( Z / 2 X , + Z / 2 X )
Finora abbiamo ipotizzato che la distribuzione della
caratteristica oggetto di controllo sia normale. I risultati sono
comunque approssimativamente validi anche quando la
legge della variabile X non normale, in virt del teorema
del limite centrale.
Se e sono note e si sostituisce a Z/2 con il numero 3 si
ottiene la carta di controllo 3-sigma per la media.
CONTROLLO STATISTICO DI PROCESSO PER IL MONITORAGGIO DEL RISCHIO
26
13
CARTE DI CONTROLLO x E R
Di fatto per i due parametri non sono quasi mai noti
possono essere stimati sulla base di un certo numero di
campioni preliminari (almeno 20-25) riferiti ad un periodo in
cui il processo ritenuto sotto controllo.
Avendo m campioni, la linea centrale della carta di controllo
sar la media delle medie campionarie:
X 1 + X 2 + ... X m
m
Per la stima di e R si pu ricorrere alla deviazione
standard campionaria o al range campionario.
In questultimo caso lo stimatore del range del processo
dato da
R + R2 + ... + Rm
con R = xmax xmin
R= 1
CL = X =
27
28
14
RELAZIONE TRA R E
La v.a. range relativo W=R/ ha media d2 (funzione di n) e
deviazione standard d3 (funzione di n), entrambe tabulate
(Appendice A.6) per diverse dimensioni campionarie.
Come stima di potremo usare: = R d 2
Da ci segue: X
3
3R
3
=X
A2 =
n
d2 n
d2 n
Analogamente:
W =
R
d
d
R
R = d 3 R = d 3 R + 3 R = (1 + 3 3 ) R D4 = (1 + 3 3 )
d2
d2
d2
W =
d
R
d
R
R = d 3 R = d 3 R 3 R = (1 3 3 ) R D3 = (1 3 3 )
d2
d2
d2
CONTROLLO STATISTICO DI PROCESSO PER IL MONITORAGGIO DEL RISCHIO
29
RELAZIONE TRA R E
Tuttavia il ricorso del range per la stima di fornisce una
stima sufficiente precisa solo per piccole numerosit
campionarie (n5).
Lefficienza relativa, conseguibile usando R invece si S2,
viene riportata qui di seguito per diverse dimensioni
campionarie:
30
15
UN ESEMPIO: LA CARTA R
Nellesempio delle fasce elastiche dei pistoni sono stati
prelevati in fase preliminare 25 campioni di ampiezza 5, in
un arco temporale in cui il processo viene ritenuto sotto
controllo.
Conviene cominciare dalla carta R in quanto i limiti della
carta x dipendono dalla variabilit del processo e finch essa
non sotto controllo tali limiti non sono molto significativi.
La media campionaria del
range 0,023.
Per n=5 risulta dalle tavole
D3=0, D4=2,115 e A2=0,577
perci, la carta R definita da
LCL= (0)(0,023)=0
UCL=(2,115)(0,023)=0,049
CL=0,023
31
UN ESEMPIO: LA CARTA x
La media delle medie campionarie
74,001. Carta x definita da:
Fig. 5.3 p. 162
LCL=74,001(0,577)(0,023)=73,988
UCL=74,001+
(0,577)(0,023)=74,014
La stima di utile allanalisi della capacit del processo
data da 0,023/2,326=0,0099. Per descrivere la capacit del
processo, si ipotizzi X normale, con parametri pari ai valori
appena stimati. La frazione di fasce elastiche non conformi
p =P{X<73.950}+P{X>74.050}
prodotte sar pari a
=[(73.950-74.001)/0.0099]+1-[(74.050-74.001)/0.0099]=
=(5.15)+1-(-4.14) 0+1-0.99998 0.00002.
Un altro modo per valutare la capacit del processo data
dal rapporto processo-capacit produttiva (process capability ratio, Cp). Si veda a tale proposito lesempio seguente.
CONTROLLO STATISTICO DI PROCESSO PER IL MONITORAGGIO DEL RISCHIO
32
16
33
34
17
35
36
18
CARTE DI CONTROLLO x E S
Se la dimensione campionaria abbastanza grande (>1012, si ricordi in questo caso che la stima di usando R
poco efficiente), oppure se
la dimensione campionaria variabile
37
CARTE DI CONTROLLO x E S
Se non si ha un valore preassegnato di , questo viene
stimato analizzando i dati passati. Si supponga siano
disponibili m campioni preliminari, ciascuno di dimensione n,
e sia Si la deviazione standard delli-esimo campione. La
deviazione standard viene stimata dal rapporto tra la
media delle m deviazioni standard campionarie di Si e c4:
S = 1 m i =1 Si
m
3S
c4 n
= X A3 S
38
19
39
40
20
41
2p =
p (1 p )
n
42
21
1/3
CL = w
LCL = w L w
p (1 p )
n
CL = p
UCL = p 3
p (1 p )
n
43
2/3
i
D
i =1
i =1
, con p i = i
=
p=
mn
m
n
allora i limiti della carta di controllo vengono calcolati come
UCL = p + 3
p (1 p )
n
CL = p
UCL = p 3
p (1 p )
n
44
22
3/3
45
UN ESEMPIO
Si consideri una produzione di succo di arancio
concentrato, confezionato in contenitori di cartone. Il
macchinario di confezionamento viene ritenuto sotto
controllo se restituisce confezioni con adeguata chiusura e
tenuta del liquido. Lobiettivo e predisporre una carta di
controllo per frazioni di confezioni non conformi prodotte.
Carta di controllo iniziale
su dati preliminarmente
raccolti. I campioni 15 e
23 sono fuori controllo e
bisogna
indagarne
le
46
23
UN ESEMPIO
I
limiti
sono
stati
ricalcolati, aggiungendo
una
didascalia
che
riporta i motivi del fuori
controllo. Non ci sono
andamenti non casuali e
il run pi lungo di sole
5 unit.
Il processo sotto
controllo ma ad un
livello p=0.2150 troppo
elevato: si decide di
intervenire
sulla
macchina
47
UN ESEMPIO
p1 p 2
Per
verificare
che Z =
= 7.10
0
effettivamente il para1 1
p (1 p ) +
metro p sia diminuito,
n1 n2
n p + n p
effettuiamo una verifica
p = 1 1 2 2
n1 + n2
di ipotesi:
H0: p1=p2 vs H1: p1>p2.
Z0.05=1.645 si rifiuta H0 per H1
48
24
UN ESEMPIO
49
50
25
51
UCL = c + 3 c CL = c
UCL = c 3 c
Se c non noto lo si sostituisce con il valore medio
difetti rilevati in un campione preliminare.
CONTROLLO STATISTICO DI PROCESSO PER IL MONITORAGGIO DEL RISCHIO
c di
52
26
53
Z i = (ui u )
u ni
54
27
c = nLCL
e nu (nu )c
c!
55
BASSA DIFETTOSIT
Quando i livelli di difettosit sono molto bassi, nellordine di
1 su 1000, potrebbe passare molto tempo prima di
osservare una non conformit. In tali casi le carte di
controllo c e u riporteranno spesso statistiche pari a 0,
risultando poco informative. Per ovviare a questo problema
si pu costruire una carta relativa ad una nuova variabile,
data dal tempo intercorrente tra il verificarsi di due difetti.
Se il numero di difetti una v.c. di Poisson allora il tempo
tra due difetti sar una v.c. esponenziale, distribuzione
molto asimmetrica quindi di non banale interpretazione.
Per ovviare a tale problema si pu ricorrere alla
trasformazione X = Y 1/3.6 = Y 0.2777 che rende la
distribuzione risultante approssimativamente gaussiana.
CONTROLLO STATISTICO DI PROCESSO PER IL MONITORAGGIO DEL RISCHIO
56
28
SVANTAGGI
ATTRIBUTI
semplicit di realizzazione
costi limitati
essenza di errori di misurazione
minore informazione
tardivit nella segnalazione del fuori
controllo rispetto alle fasi del processo
richiedono dimensioni campionarie
elevate
VARIABILI
molto informative
chiara informazione sul motivo
tempestivit nella segnalazione
richiedono dimensioni campionarie
contenute
Tipo
di
carta
57
58
29
59
60
30
61
62
31
63
il
processo
sotto
controllo?
No
64
32
65
66
33
67
68
34
USO DELLISTOGRAMMA
necessario disporre di almeno 100 osservazioni, in modo
da ottenere indicazioni sufficientemente stabili ed efficienti.
Avendo accesso ai dati e alle procedure di rilevazione,
prima della raccolta dati si dovrebbero seguire questi
passi:
1. scegliere la/le macchina/e da utilizzare (rappresentativa/e dellintera popolazione)
2. selezionare le condizioni operative di riferimento
3. selezionare un operatore rappresentativo
4. controllare con cura il processo di rilevazione e
registrare lordine temporale di produzione delle unit
Listogramma, assieme alla media campionaria x e alla
deviazione standard campionaria S, fornisce informazioni
sulla capacit del processo.
CONTROLLO STATISTICO DI PROCESSO PER IL MONITORAGGIO DEL RISCHIO
69
70
35
71
72
36
73
74
37
75
76
38
2 = E[(X T)2] = 2 + ( T) 2
quindi Cpkm pu essere riscritto come
Cp
USL-LSL
T
C pkm =
, dove =
=
6 2 + ( T )2
1+ 2
Una stima adeguata di Cpkm
C
T x
p
C pkm =
, dove V =
S
1+V 2
Per il processo A, risulta Cpkm=1, per B invece Cpkm=0.63.
CONTROLLO STATISTICO DI PROCESSO PER IL MONITORAGGIO DEL RISCHIO
77
1
1
1
1
1 Z
1 + Z
+
C
C
C
pk
/2
pk
pk
/
2
2 2(n-1)
2 2( n-1)
9nC
9nC
pk
pk
78
39
79
80
40
81
82
41
83
84
42
prodotto
85
86
43
87
88
44
2 4
89
45