Sei sulla pagina 1di 56

Politecnico di Torino – DIGEP

METODI STATISTICI NEI PROCESSI DI


PROGETTAZIONE, PRODUZIONE E
VERIFICA

Introduzione e concetti base


CONCETTI PRINCIPALI
Un concetto fondamentale, diffuso nelle aree di
Progettazione, produzione e verifica, è la
VARIABILITÀ
La variabilità è fortemente considerata e di solito
gestiti nell'ambito delle procedure tradizionali con
metodi che coinvolgono
TOLLERANZE
e
COEFFICIENTI DI SICUREZZA
(spesso chiamati amichevolmente fattori d’ignoranza)
CONCETTI PRINCIPALI
Per i processi di verifica gli ampi intervalli
corrispondenti a tolleranze e coefficienti di sicurezza
non sono praticabili, per cui si ricorre in modo più
evoluto al concetto d’incertezza. Tale evoluzione è
presente anche per la progettazione e i processi
produttivi: è ben nota, per esempio, la tendenza ad
applicare il
TOLLERAMENTO STATISTICO
invece dell’
ANALISI DEL CASO PEGGIORE
CONCETTI PRINCIPALI
Dovremo andare un po’ più in profondità all'interno
del concetto di variabilità. Prendendo l'aiuto di un
semplice caso di misura, può essere facile dimostrare
ciò che può accadere ai dati sperimentali.

Consideriamo l'uso di uno strumento meccanico molto


comune per la misurazione della lunghezza: il
micrometro a vite inventato da Jean Laurent Palmer di
Parigi nel 1848
CONCETTI PRINCIPALI
Il micrometro Palmer ha la struttura di un semplice
morsetto:

Uno spostamento ΔL è trasformato in una rotazione


Δα. Se il passo è 500 µm, Δα=1°=> ΔL<1.4 µm
CONCETTI PRINCIPALI
Qui possiamo vedere micrometro di Palmer: il telaio a
C, le superfici di misura, la vite. Inoltre vi è un sistema
per contare il numero di giri completi e per misurare
l'angolo all'interno di ogni giro
CONCETTI PRINCIPALI
I risultati delle misurazioni sono influenzati da molti
fattori, ad esempio:
- temperatura, che produce dilatazione e distorsione termica;
- sporcizia e ossidazione sulle superfici di misura;
- irregolarità geometriche delle superfici di misura e della vite
micrometrica;
- deformazioni elastiche dovute alle forze di contatto.
Di solito l'effetto di ciascuno di questi fattori è di circa
1.µm, quindi, se vedete un effetto di alcuni
micrometri, non potete sapere qual fattore lo abbia
prodotto.
CONCETTI PRINCIPALI
È come essere nella nebbia; si vedono delle ombre, ma
non si riesce a collegarle ai reali oggetti che le
producono.

Ora considerate uno dei fattori citati prima: la


temperatura.

In generale, con una variazione di temperatura di


meno di 2°C e piccoli pezzi in acciaio da misurare,
l’effetto è meno di 2 µm, ben nascosta dalla nebbia
prodotta dagli altri fattori.
CONCETTI PRINCIPALI
Ma, sempre per la stessa grandezza fisica, la
temperatura, cosa accade nel caso la temperatura della
vostra officina sia 30°C e il materiale del pezzo da
misurare, lungo circa 100|mm, sia una lega di
alluminio?
L’effetto di temperatura, in tal caso, è dell’ordine di
10.µm, ben evidente e tale che la sua causa può essere
riconosciuta.

L’effetto è ben più alto dello spessore della nebbia!


CONCETTI PRINCIPALI
L’effetto globale di alcuni fattori indipendenti che
producono effetti equivalenti è il disordine!
Questa situazione è ben formalizzata nella statistica
dal Teorema del Limite Centrale, con importanti
conseguenze, ma per ora basta fissare l’attenzione
sulla caratteristica di disordine!
Uno specifico effetto di un certo fattore, invece, può
essere riconosciuto e collegato alla causa che l’ha
prodotto. Ciò si riconosce perché un certo qual ordine
viene prodotto.
Disordine e Ordine, questo è importante!
CONCETTI PRINCIPALI
Riassumendo, abbiamo due situazioni principali:

- disordine: non è possibile mettere in relazione la


variabilità osservata alla sua causa;
- ordine: può essere possibile rinviare la variabilità
osservata alla sua causa.

Possiamo dire, nel primo caso, che siamo in una


condizione CASUALE, mentre nel secondo caso in
una condizione SISTEMATICA.
CONCETTI PRINCIPALI
Tre osservazioni sulle condizioni casuali e
sistematiche sono molto importanti:
- una condizione casuale è dovuta all'intero processo,
quindi per ottenere risultati migliori deve essere
migliorato l'intero sistema;
- una condizione sistematica è dovuto a uno o pochi
fattori, quindi se si identificano i fattori colpevoli si
possono ottenere risultati migliori con un costo
accettabile;
- le condizioni casuali o sistematiche non dipendono
dal fattore coinvolto.
CONCETTI PRINCIPALI
Effetti casuali e sistematici non sono esaustive delle
possibili situazioni. Se, ad esempio, un collega scuote
il vostro strumento mentre state misurando, certamente
buttare via il risultato corrispondente.
Ma cosa succederebbe se lo strumento fosse
automatico, e voi non foste presenti al fatto?
L’effetto sarebbe solo uno strano risultato
ingiustificato, che non può essere gestito all'interno
delle statistiche generali del processo, perché non è
dovuto agli stessi fattori che producono la solita
variazione casuale.
CONCETTI PRINCIPALI
Questa situazione di fattori rari che producono effetti
forti è abbastanza comune, soprattutto con gli
strumenti elettronici moderni, perché lo "scuotimento"
può essere prodotto da interferenze elettromagnetiche.

La statistica aiuta anche in questo caso, essendo in


grado di gestire i valori anomali con i
PRINCIPI DI ESCLUSIONE.
CONCETTI PRINCIPALI

Cond. 1 Cond. 2 Cond. 3 Cond. 4 Cond. 5


Val. 1 4.5038 4.5040 4.5060 4.5092 4.5053
Val. 2 4.5051 4.5025 4.5041 4.5104 4.5076
Val. 3 4.5037 4.5101 4.5028 4.5110 4.5113
Val. 4 4.4988 4.5025 4.5049 4.5087 4.5112
Val. 5 4.5023 4.5046 4.5025 4.5047 4.5066
Val. 6 4.5063 4.5020 4.5030 4.5076 4.5065
Val. 7 4.5080 4.5046 4.5073 4.5056 4.5139
Val. 8 4.5058 4.5085 4.5065 4.5113 4.5064
Val. 9 4.5031 4.5056 4.5071 4.5068 4.5065
Val. 10 4.5084 4.5037 4.5064 4.5093 4.5057
CONCETTI PRINCIPALI
In conclusione possiamo descritto una situazione
generale:
- effetti casuali sono sempre presenti, ma è molto
difficile ridurre la variabilità casuale, perché è
dovuta a molteplici cause sconosciute;
- effetti sistematici possono essere presenti e le loro
cause possono essere conosciute, quindi possono
essere corretti, compensati o la loro causa ridotta;
- fenomeni casuali rari, che causano effetti non
giustificabili dalla statistica del gruppo di dati,
possono accadere
CONCETTI PRINCIPALI
Uno schema di gestione generale, di solito molto
efficiente, può essere descritto:
a) si riconosce che sono presenti fattori sistematici,
controllando se si vedono effetti evidenti, al di
sopra della nebbia della casualità;
b) si cerca di stabilire una connessione tra effetti
sistematici individuati e le loro possibili cause;
c) si cerca di individuare e identificare un modello
matematico che descriva la relazione di causa-
effetto, utile per correggere gli effetti sistematici.
CONCETTI PRINCIPALI
Per percorrere questo schema è necessario confrontare
i nostri risultati con lo spessore della nebbia casuale.
Si possono utilizzare opportuni metodi statistici:
- test di normalità per evidenziando effetti sistematici;
- test di ipotesi o ANOVA per il collegamento degli
effetti sistematici per i fattori coinvolti;
- regressione per identificare un modello matematico
adeguato, permettendo, così, di correggere il
sistematico.
STUDIO DI UN CASO
Possiamo discutere una applicazione ad un caso reale
Politecnico di Torino – Ia Facoltà di Ingegneria
Corso di Laurea in Ingegneria dell’Autoveicolo

TESI DI LAUREA TRIENNALE

Titolo:
GESTIONE DELLE PROBLEMATICHE
DIMENSIONALI DI UN ELEMENTO STAMPATO

Studente : Matteo Birolo

Relatore: Prof. Giulio Barbato


Scopo della tesi
Analisi di problemi geometrici e dimensionali nel telaio
dell’Alfa Romeo Mito
PRIME MISURE
STUDIO DI UN CASO
I risultati ottenuti, in rosso quando fuori tolleranza,
non sono accettabili.
Come riportato dal mio studente, una discussione è
stata sollevata per decidere se il problema nascesse
dalla produzione o, invece, dalla verifica.
Anche senza analizzare i dati fu deciso di ripetere le
misure. Questo è, in questo caso, corretto, perché è la
verifica meno costosa.
STUDIO DI UN CASO - Outliers
Analizzare i dati non costava nulla!
Il principio di esclusione di Chauvenet non evidenzia
outlier. Data Up Down
Si noti che anche la R1 -0.3 0.0
R2 -0.1 -0.1
presenza di un solo R3 -0.1 -0.1
outlier può portare a R4 0.6 0.7
conclusioni R5 0.6 0.8
R6 0.7 0.8
fortemente errate! R7 0.7 0.6
R8 0.1 0.7
R9 -0.1 -0.1
R10 0.6 -0.3
R11 1.1 0.5
MISURE DI ENTRAMBI I LABORATORI
STUDIO DI UN CASO
Un secondo gruppo di misure fu ottenuto.
Siccome I risultati sembravano compatibili, dopo
un’accesa discussione fu deciso che il problema
proveniva dalla produzione.

Anche in questo caso, sarebbe stato meglio non trarre


conclusioni solo sulle sensazioni, ma porre
correttamente la domanda e utilizzare il test statistico
specifico
STUDIO DI UN CASO
Per confrontare due gruppi di dati si può usare il test
d’ipotesi
Column averages are checked as compared with average
distribution
(in red when outside the boundaries)
Average
distribution Column Average

Number of samples
averaged 23 Lab. 1 0.27
Average 0.29 Lab. 2 0.31
Average Standard deviation 0.08
Confidence level 80%
Lower boundary 0.19
Upper boundary 0.39

Conclusions
No averages outside the boundaries
No systematic difference between laboratories evidenced
STUDIO DI UN CASO
Fortunatamente, prima di iniziare costose modifiche
dello stampo, un giovane membro del gruppo pose la
domanda corretta:

LE TOLLERANZE CHE SONO STATE


PRESCRITTE, SONO REALMENTE
IMPORTANTI?
CONCETTI PRINCIPALI
Per comprendere quanto questa domanda sia
importante, dobbiamo valutare la variabilità seguendo
lo schema dell’incertezza dato da:
ISO 17450-2 Geometrical product specifications
(GPS) -- General concepts –
Part 2: Basic tenets, specifications, operators,
uncertainties and ambiguities
CONCETTI PRINCIPALI
GPS ISO 17450-2
Norma: ISO 17450-2

Esempio di Johan Dovmark

Specifiche funzionali TOTAL


Uncertainty

CORRELATION COMPLIANCE
Uncertainty Uncertainty
F = 5 – 20 N
MEASUREMENT SPECIFICATION
F Uncertainty Uncertainty

METHOD IMPLEMENTATION
Uncertainty Uncertainty

31
Correlation Uncertainty – Compliance Uncertainty

20
18
16
Force, F [N]

14
12
10
8
6
4
2
0

Diameter, D [mm]

32
Specification Uncertainty

? D

LSL USL
Specification uncertainty

33
Measurement Uncertainty – Method and implementation
Uncertainties

D F

LSL USL
34
STUDIO DI UN CASO–Functional specifications
Per rispondere alla domanda:

LE TOLLERANZE CHE SONO STATE


PRESCRITTE, SONO REALMENTE
IMPORTANTI?

dobbiamo valutare attentamente le specifiche


funzionali.
Nel nostro caso il compito del pezzo prodotto è di
prendere un riferimento di posizione dal telaio
dell’abitacolo e portarlo al parafango e al frontale.
STUDIO DI UN CASO–Functional specifications
Infatti le tollerante imposte erano quelle tipiche della
carrozzeria, su tutta la superficie, non solo sui punti di
collegamento tra abitacolo, parafanghi e frontale.

Le tolleranze vennero modificate opportunamente

Ma, anche così, un gran numero di punti rimane fuori


tolleranza, come si può vedere dal disegno e dalla
tabella seguenti.
MEASUREMENT RESULTS
Main results for the connection points given
in x, y, and z directions
PARTE DESTRA
Misure originali

Misure in x, y e z e corrispondenti differenze dal nominale


x x y y z z
CERC1 258.66 0.62 653.07 0.15 577.80 -0.14
CERC2 133.00 0.10 666.37 0.55 577.80 -0.32
CERC3 173.75 0.21 707.00 1.05 641.65 0.25
CERC4 -34.00 0.25 692.00 -0.26 624.92 0.03
CERC5 -314.88 -0.19 648.00 0.38 584.35 0.58
CERC6 -390.00 0.52 622.00 -0.12 507.00 0.00
CERC7 -296.00 0.78 696.50 0.13 454.00 0.09
CERC8 -256.00 0.89 696.50 -0.35 454.00 0.04
STUDIO DI UN CASO–Functional
specifications
L’uso delle specifiche funzionali reali ha ridotto
drasticamente il numero di punti fuori tolleranza.
Bisogna, però, osservare che le corrette implicazioni
delle reali specifiche funzionali non sono ancora state
adottate. In fatto il compito del nostro pezzo è di avere
distanze corrette tra i punti di collegamento, ma le
specifiche di verifica sono state date sulle coordinate,
quindi anche sulla posizione. Non funziona!
Infatti, guardate ai risultati con il concetto di
ORDINE-DISORDINE. Riuscite a vedere qualche
cosa?
PARTE DESTRA
Misure originali
Misure in x, y e z e corrispondenti differenze dal nominale
x x y y z z
CERC1 258.66 0.62 653.07 0.15 577.80 -0.14
CERC2 133.00 0.10 666.37 0.55 577.80 -0.32
CERC3 173.75 0.21 707.00 1.05 641.65 0.25
CERC4 -34.00 0.25 692.00 -0.26 624.92 0.03
CERC5 -314.88 -0.19 648.00 0.38 584.35 0.58
CERC6 -390.00 0.52 622.00 -0.12 507.00 0.00
CERC7 -296.00 0.78 696.50 0.13 454.00 0.09
CERC8 -256.00 0.89 696.50 -0.35 454.00 0.04
CASE STUDY –Functional specifications
Può darsi che non riusciate a vedere dov’è l’ordine.

La statistica può aiutare. Applichiamo un test di


normalità, il grafico di probabilità normale (GPN).
Vedremo, nelle prossime lezioni, che, se il grafico ha
una tendenza non rettilinea, dobbiamo presumere che
effetti sistematici siano presenti
GPN per le differenze dal nominale
NPP

2.50

2.00

1.50

1.00

0.50

0.00
z

-0.50

-1.00

-1.50

-2.00

-2.50
-0.6 -0.4 -0.2 0.0 0.2 0.4 0.6 0.8 1.0 1.2
x/mm

La presenza di un effetto sistematico è evidente


STUDIO DI UN CASO–Functional
specifications
Sì, possiamo vedere che la tendenza non è rettilinea;
effetti sistematici sono presenti.
Questo esempio è molto utile per l'evidenziazione del
concetto di «Effetto sistematico costante" ed " Effetto
sistematico variabile".
Se il pezzo ha subito uno spostamento, l'effetto, per
ogni direzione, è costante e non produce variabilità dei
dati, pertanto, non può essere visto.
Le rotazioni, al contrario hanno effetti diversi su ogni
punto, quindi la loro presenza può essere vista.
STUDIO DI UN CASO–Functional specifications
Tornando ai nostri dati, l'effetto della rotazione,
evidenziato dal GPN, non può essere visto dai dati,
mentre l'effetto di spostamento è evidente usando i
concetti di ordine-disordine:
è facile vedere che tutti i punti fuori tolleranza hanno
spostamenti positivi.
È evidentemente improbabile che un fattore casuale
abbia effetti sempre positivi.
PARTE DESTRA
Misure originali
Misure in x, y e z e corrispondenti differenze dal nominale
x x y y z z
CERC1 258.66 0.62 653.07 0.15 577.80 -0.14
CERC2 133.00 0.10 666.37 0.55 577.80 -0.32
CERC3 173.75 0.21 707.00 1.05 641.65 0.25
CERC4 -34.00 0.25 692.00 -0.26 624.92 0.03
CERC5 -314.88 -0.19 648.00 0.38 584.35 0.58
CERC6 -390.00 0.52 622.00 -0.12 507.00 0.00
CERC7 -296.00 0.78 696.50 0.13 454.00 0.09
CERC8 -256.00 0.89 696.50 -0.35 454.00 0.04
Le differenze possono essere dovute a una roto-
traslazione del sistema di riferimento

Z

 
Zg

Og Y
xOg zOg

X yOg
Xg
Yg
STUDIO DI UN CASO–Modello matematico
Ora sappiamo che il problema è sorto perché le
specifiche funzionali corretti non sono state applicate:
la necessità di tolleranze sulla forma è stato
erroneamente prescritto come tolleranze su coordinate.
Siamo in grado di passare dalle misure delle
coordinate a un controllo della forma applicando una
rototraslazione al sistema cartesiano. Le equazioni di
rototraslazione possono essere impostate e i loro
parametri identificati mediante il metodo statistico
della regressione
PARTE DESTRA
possiamo vedere come i risultati originali…
Measurement in x, y and z and differences from nominal
x x y y z z
CERC1 258.66 0.62 653.07 0.15 577.80 -0.14
CERC2 133.00 0.10 666.37 0.55 577.80 -0.32
CERC3 173.75 0.21 707.00 1.05 641.65 0.25
CERC4 -34.00 0.25 692.00 -0.26 624.92 0.03
CERC5 -314.88 -0.19 648.00 0.38 584.35 0.58
CERC6 -390.00 0.52 622.00 -0.12 507.00 0.00
CERC7 -296.00 0.78 696.50 0.13 454.00 0.09
CERC8 -256.00 0.89 696.50 -0.35 454.00 0.04
RIGHT PART
… sono trasformate dalla roto-traslatine
Misure in x, y e z e corrispondenti differenze dal nominale
x x y y z z
CERC1 349.36 -0.20 -19.29 0.36 25.11 0.20
CERC2 223.69 0.30 -5.98 -0.03 25.11 0.39
CERC3 264.40 0.16 35.27 0.09 88.96 -0.18
CERC4 56.67 0.13 18.90 0.04 72.23 0.04
CERC5 -224.17 0.61 -24.59 -0.10 31.66 -0.52
CERC6 -299.27 -0.08 -51.15 -0.16 -45.69 0.06
CERC7 -205.34 -0.40 23.89 0.13 -98.69 -0.02
CERC8 -165.34 -0.51 23.40 0.13 -98.69 0.03
STUDIO DI UN CASO-CONCLUSIONI

• UNA SEVERA CONDIZIONE DI FUORI TOLLERANZA PUÒ


ESSERE DOVUTA A ERRORI SISTEMATICI NELLE MISURE.

• FREQUENTEMENTE LA DOMANDA: ”LE TOLLERANZE


PRESCRITTE SONO REALMENTE IMPORTANTI?” PUÒ
CAMBIARE DRASTICAMENTE LA SITUAZIONE. UNA
ATTENTA ANALISI DELLE REALI SPECIFICHE FUNZIONALI
È MOLTO IMPORTANTE
STUDIO DI UN CASO-CONCLUSIONI
• È OPPORTUNO CONTROLLARE ANCHE LE ALTRE CAUSE
D’INCERTEZZA SECONDO LO SCHEMA DELLA ISO 17450-2
STUDIO DI UN CASO-CONCLUSIONI
• NON ACCETTARE VALUTAZIONI SULLA BASE DI
SENSAZIONI; CONTROLLA SEMPRE CON UN ADEGUATO
TEST STATISTICO

• RIPULIRE SEMPRE IL GRUPPO DI DATI CONSIDERANDO:


– INCIDENTI DI MISURA O DI PRODUZIONE
– PRESENZA DI EFFETTI SISTEMATICI (TEST DI
NORMALITÀ)
– POSSIBILE COLLEGAMENTO TRA EFFETTI SISTEMATICI
E I FATTORI CHE INFLUENZANO IL PROCESSO
– L’USO DI MODELLI MATEMATICI APPROPRIATI,
IDENTIFICATI CON LA REGRESSIONE, PER CORREGGERE
GLI EFFETTI SISTEMATICI CONTINUI.
STUDIO DI UN CASO-CONCLUSIONI
VIA USUALE VIA STATISTICA
• Dare uno sguardo ai dati, per • Controllare I dati con un
controllare che non vi sia principio d’esclusione per
qualcosa di strano evidenziare gli outlier

• Suddividere I dati in gruppi nella • Suddividere I dati in gruppi nella


stessa situazione stessa situazione

• Confronta I dati di situazioni • Usare I test statistici per valutare


differenti per vedere se vi sono se vi sono differenze sistematiche
effetti differenti o fattori che producono effetti
sistematici
• Lavora per tentativi per • Cerca un modello matematico
correggere le differenze significativo per correggere gli
effetti sistematici
STUDIO DI UN CASO-CONCLUSIONI
VIA USUALE VIA STATISTICA
• Dare uno sguardo ai dati, per • Controllare I dati con un
controllare che non vi sia principio d’esclusione per
qualcosa di strano: evidenziare gli outlier:
– nulla di osservato – nulla di osservato

• Suddividere I dati in gruppi nella • Suddividere I dati in gruppi nella


stessa situazione stessa situazione
– Fattori controllati: laboratori – Fattori controllati: laboratori
metrologici, nessun effetto metrologici, nessun effetto
evidenziato evidenziato
– Ordine-disordine: tutti I fuori-
tolleranza sono positivi
STUDIO DI UN CASO-PRATICA
VIA USUALE VIA STATISTICA
• Confronta I dati di situazioni • Usare I test statistici per valutare
differenti per vedere se vi sono se vi sono differenze sistematiche
effetti differenti o fattori che producono effetti
– errori dei laboratori metrologici non sistematici:
sono evidenti, quindi la colpa sarà – I fattori che potrebbero produrre gli
della produzione effetti riscontrati (spostamenti e
rotazioni) sono stati modellati
matematicamente e ciò ha
evidenziato che la situazione è
completamente differente e meno
critica di quanto appariva all’inizio
CONCLUSIONI

UNA APPLICAZIONE RAGIONEVOLE DEI METODI STATISTICI


PUÒ EVITARE TRE SITUAZIONI MOLTO PERICOLOSE:
• LA CORREZIONE DI ERRORI ACCIDENTALI (guardate l’esperimento
dell’imbuto di Deming), CHE PORTA AD UN PROBABILE RADDOPPIO
DELLA VARIABILITÀ

• CORREZIONI SISTEMATICHE DI ERRORI CHE SONO


SISTEMATICAMENTE DIVERSI DA QUELLI CORRETTI

• EVITARE LA VARIABILITÀ DOVUTA A UN PIANO SPERIMENTALE


INADEGUATO (incertezza di metodo)UNA PARTE MOLTO IMPORTANTE
è LA PIANIFICAZIONE DEGLI ESPERIMENTI (DoE, Design of
Experiments).